用于三维地质碳封存的高效且可泛化的嵌套 Fourier-DeepONet
机器学习
2024-09-26 v1 计算物理
摘要
地质碳封存（GCS）涉及将 CO 注入地下地质构造中进行永久储存。数值模拟可以通过预测 CO 迁移路径和储存层中的压力分布来指导 GCS 项目的决策。然而，由于高度耦合的物理过程和大的时空模拟域，这些模拟通常计算成本高昂。基于数据驱动机器学习的代理建模已成为加速基于物理模拟的有前途的替代方案。其中，傅里叶神经算子（FNO）已被应用于三维合成地下模型。在此，为了进一步提升性能，我们通过将 FNO 的表达能力与深度算子网络（DeepONet）的模块化相结合，开发了一种嵌套 Fourier-DeepONet。这种新框架的训练效率是嵌套 FNO 的两倍，并且由于其能够灵活地单独处理时间坐标，GPU 内存需求至少降低了 80%。这些性能提升是在不牺牲预测精度的情况下实现的。此外，嵌套 Fourier-DeepONet 在训练范围之外泛化和外推的能力得到了全面评估。在时间外推方面，嵌套 Fourier-DeepONet 优于嵌套 FNO，误差减少了 50% 以上。在储层属性、井数和注入速率方面，它也展现出了超出训练范围的良好外推精度。
引用
@article{arxiv.2409.16572,
title = {Efficient and generalizable nested Fourier-DeepONet for three-dimensional geological carbon sequestration},
author = {Jonathan E. Lee and Min Zhu and Ziqiao Xi and Kun Wang and Yanhua O. Yuan and Lu Lu},
journal= {arXiv preprint arXiv:2409.16572},
year = {2024}
}