Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies

要約

この研究の目的は、炭素捕獲と貯蔵（CCS）テクノロジーに関連する意思決定プロセスを加速するための代理モデルを開発することを目的としています。
サブサーフェースの選択$ CO_2 $ストレ​​ージサイトには、多くの場合、$ CO_2 $フローフィールドの高価で関与するシミュレーションが必要です。
ここでは、$ CO_2 $プルームの移行のリアルタイム、高解像度シミュレーション用のフーリエニューラルオペレーター（FNO）ベースのモデルを開発します。
このモデルは、現実的な地下パラメーターから生成された包括的なデータセットでトレーニングされており、予測精度の犠牲を最小限に抑えて$ O（10^5）$計算加速を提供します。
また、FNOベースのモデルのトレーニングの計算コストを改善するために、超解像度の実験を調査します。
さらに、モデルからの予測の信頼性を改善するためのさまざまな戦略を提示します。これは、実際の地質学サイトを評価する際に重要です。
NvidiaのModulusライブラリに基づいたこの新しいフレームワークにより、CCSのサイトの迅速なスクリーニングが可能になります。
議論されたワークフローと戦略は、地熱貯留層モデリングや水素貯蔵などの他のエネルギーソリューションに適用できます。
私たちの仕事は、現実の地下帯水層/貯水池とより一致する現実的な3Dシステムに科学機械学習モデルを拡大し、地下CCSアプリケーションの次世代デジタル双子への道を開いています。

要約(オリジナル)

This study aims to develop surrogate models for accelerating decision making processes associated with carbon capture and storage (CCS) technologies. Selection of sub-surface $CO_2$ storage sites often necessitates expensive and involved simulations of $CO_2$ flow fields. Here, we develop a Fourier Neural Operator (FNO) based model for real-time, high-resolution simulation of $CO_2$ plume migration. The model is trained on a comprehensive dataset generated from realistic subsurface parameters and offers $O(10^5)$ computational acceleration with minimal sacrifice in prediction accuracy. We also explore super-resolution experiments to improve the computational cost of training the FNO based models. Additionally, we present various strategies for improving the reliability of predictions from the model, which is crucial while assessing actual geological sites. This novel framework, based on NVIDIA’s Modulus library, will allow rapid screening of sites for CCS. The discussed workflows and strategies can be applied to other energy solutions like geothermal reservoir modeling and hydrogen storage. Our work scales scientific machine learning models to realistic 3D systems that are more consistent with real-life subsurface aquifers/reservoirs, paving the way for next-generation digital twins for subsurface CCS applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google