CCSNet：面向CO$_2$封存的一种深度学习建模套件
流体动力学
2021-08-11 v1 机器学习
摘要
数值模拟是许多涉及地下流动与运移应用的重要工具，但由于多物理场特性、高度非线性的控制方程、固有的参数不确定性，以及捕捉多尺度非均质性所需的高空间分辨率，常常面临计算挑战。我们开发了CCSNet，一种通用深度学习建模套件，可作为常规数值模拟器在碳捕集与封存（CCS）问题中的替代方案，其中CO被注入二维径向系统中的咸水层。CCSNet由一系列深度学习模型组成，可生成数值模拟器通常提供的所有输出，包括饱和度分布、压力积聚、干化、流体密度、质量平衡、溶解度捕获和扫掠效率。其结果比常规数值模拟器快10至10倍。作为CCSNet高计算效率价值的应用示例，我们针对扫掠效率和溶解度捕获开发了严格的估计技术。
引用
@article{arxiv.2104.01795,
title = {CCSNet: a deep learning modeling suite for CO$_2$ storage},
author = {Gege Wen and Catherine Hay and Sally M. Benson},
journal= {arXiv preprint arXiv:2104.01795},
year = {2021}
}