地質炭素固定シミュレーションの深層学習

目次

1. イントロダクション
2. 一般的な問題
3. 地層モデリングシステムの必要性
4. 地質炭素固定のプロセス
5. 地下の炭素固定の問題
6. 物理現象との結合
7. ニューラルネットワークと物理学
8. 深層学習による予測の精度
9. 特徴の選択とトレーニング
10. 深層学習モデルの結果
11. ディープラーニングの将来展望

イントロダクション

こんにちは！今日は残留シミュレーションについてお話しします。このビデオを見終わった時点で、あなたは深層学習によって地質炭素固定シミュレーションが最大で250倍高速化する方法を学びます。私の名前はルスランで、ソフトウェア会社のCTOとして働いています。このビデオでは、伝統的な残留シミュレーションソフトウェアが各反復ごとにますます高速化することを期待できるかどうかについて話します。ここでは単にブラックオイルについて話しているのではなく、複雑な組成シミュレーションについて話しています。結合した物理現象は、モデリングワークフローの効率に制限をかけるため、より複雑な物理現象ほど計算時間が必要となります。

一般的な問題

地質炭素固定のプロセスについて話す前に、地下の炭素固定に関連する一般的な問題について考えましょう。地球温暖化を防ぐために、二酸化炭素を大気中に放出せずに固定する必要があります。このため、二酸化炭素を圧縮して流体とし、長期間地下の多孔質岩石に注入する地質炭素固定が行われます。しかし、このプロセスは非線形の結合した物理現象であり、リザーバモデリングシステムがリアルタイムで圧力や飽和度を予測できる必要があります。これにより、さまざまな最適化手法に基づいてより良い意思決定をすることができます。しかし、岩石の異質性や複雑な流体熱力学、結合した物理現象の増加に伴い、計算コストは非常に高くなります。これは、リザーバ最適化の一般的な課題です。

地層モデリングシステムの必要性

高度で精度の高いリザーバ最適化ツールがなければ、多くの異なる最適化シナリオを見ることができなくなるため、地下の炭素固定プロセスの管理に妥協しなければなりません。これは、環境に有害な可能性があります。この問題を解決するためのいくつかの方法があります。例えば、物理演算ニューラルネットワーク（PINS）と呼ばれる手法があります。PINSは、多孔質媒体中の流体流の物理を適切に予測することを保証し、単純な物理現象の予測には効果的ですが、複雑な流動問題には多くの計算が必要です。しかし、本ビデオではPINSについては議論しません。PINSについて詳しく知りたい場合は、コメントセクションでお知らせください。

地質炭素固定のプロセス

この研究では、ロスアラモス国立研究所の研究者が提案したディープラーニングワークフローについて話します。彼らは3D非均質塩水層でのCO2注入と生産のプロセスをシミュレートするために、デュアル統計的シミュレーションアプローチを使用し、複数の異なる縦横比の構成のパーミアビリティと孔隙率のフィールドの実現を生成しました。これにより、P10、P50、およびP90の3つの代表的な実現を選択することができます。

物理現象との結合

地質炭素固定（GCS）プロセスの物理現象は非線形であり、リザーバモデリングシステムがリアルタイムで圧力と飽和度を予測できる必要があります。これには物理現象の部分微分方程式を伝統的な数値方法に基づいて大規模な代数系に離散化し、物理ベースのリザーバシミュレーションで反復的に解く必要があります。しかし、岩石の異質性、複雑な流体熱力学、および結合した物理現象の増加に伴い、計算コストは高すぎて手に負えなくなります。リザーバ最適化の一般的な問題です。

ニューラルネットワークと物理学

問題を解決するための一つのアプローチは、深層学習を使用することです。深層学習は、ニューラルネットワークと呼ばれるモデルを使用して、入力データから高度な予測を行うことができます。この研究では、フーリエニューラルオペレーターと呼ばれる深層学習モデルを使用して、地層の状態変数の進化を予測しています。この深層学習ワークフローは、地層領域内の2D水平層ごとの画像に基づいているため、非常に効果的です。このモデルは、圧力と飽和度の予測のために別々のモデルをトレーニングし、物理学とは異なるアプローチを取ることで、計算コストを削減します。

深層学習による予測の精度

この研究では、72のシミュレーションをトレーニングに使用し、残りの20％をテストと検証のために使用しました。入力特徴量と出力状態変数を組み合わせて、深層ニューラルネットワークに与え、トレーニングと推論を行いました。このモデルのトレーニングには約7時間かかりました。最も興味深い結果は、CO2注入段階および投与後段階での圧力と飽和度の予測です。この研究では、CO2注入の特徴を含むシナリオ1の圧力ネットワークが最も低い誤差を示しました。また、投与後ステージで累積CO2注入を含むシナリオ3および5の圧力ネットワークは、最も低い圧力値を示しました。さらに、シナリオ5では、飽和度のネットワークが注入および投与後のステージで最も低い全体の誤差を示しました。これにより、2つの別々の深層学習モデルを使用して注入段階と投与後段階を区別することで、最も正確な圧力予測が生成されることが示されました。

特徴の選択とトレーニング

研究者は、トレーニングプロセスに使用するために、岩石に関連する特性、CO2注入情報、水注入井戸の位置、およびタイムステップのサイズなど、候補特徴を分析しました。これらの特徴を組み合わせて、ディープニューラルネットワークに組み込むことが決定されました。

深層学習モデルの結果

上記の特徴と出力状態変数を組み合わせて、ディープニューラルネットワークに組み込み、トレーニングと推論を行いました。研究者は、異なるパーミアビリティと孔隙率を持つ異なる縦横比の実現を使用して、モデルの予測精度を評価しました。結果として、深層学習モデルは非常に高い信頼性を持ち、完全な物理現象のリソースシミュレーションと比較して約250倍高速化されます。

ディープラーニングの将来展望

この研究は、地質炭素固定プロセスの信頼性の高い予測ツールであり、数百から数千回の正面シミュレーションが必要な逆モデリングタスクに大きな利益をもたらします。しかし、異なる次元とリザーバ特性を持つ他のリザーバにおける一般化の問題は未解決のままです。今後、グローバルな情報に依存しない部分的に適応可能なシステムを作成するための方法についてさらなる研究が行われることを期待しています。

FAQ

Q: ディープラーニングモデルのトレーニングにかかる時間はどれくらいですか？

A: この研究では、モデルのトレーニングに約7時間かかりました。

Q: ディープラーニングモデルの精度はどの程度ですか？

A: この研究では、深層学習モデルが約250倍の高速化を実現し、高い予測精度を持つことが示されました。

Q: 他のリザーバでの一般化の問題は解決されていますか？

A: この研究では、異なる次元とリザーバ特性を持つ他のリザーバにおける一般化の問題は未解決のままです。

Q: この研究ではどの特徴が最も予測に寄与しましたか？

A: この研究では、CO2注入の特徴が圧力予測に最も貢献することが示されました。