FFINO：用于地下氢气储存多相流建模的分解傅里叶改进神经算子

地下氢气储存（Underground Hydrogen Storage, UHS）是当前能源转型向低碳经济的有前景储存选项。快速建模氢气 plume 迁移和压力场演化对于 UHS 现场管理至关重要。本研究提出一种新型神经算子架构，称为分解傅里叶改进神经算子（FFINO, Factorized Fourier Improved Neural Operator），作为 UHS 多相流问题的快速替代模型。实验报告的相对渗透率曲线也被参数化为 FFINO 模型的关键不确定性参数。系统地研究了 FFINO 模型与最新进步的傅里叶增强型多输入神经算子（FMIONet）模型的性能。我们新的 FFINO 模型相较于 FMIONet 减少 38.1% 的可训练参数，训练时间缩短 17.6%，GPU 内存消耗降低 12%。FFINO 模型在预测聚焦区域氢气 plume 方面实现了 9.8% 的精度提升，在预测压力 buildup 方面实现了 16.3% 的更高精度。敏感性分析识别出注入速率 Q 是模型性能最重要的输入参数，而其他参数显示中等到轻微影响。训练好的 FFINO 模型的推理时间是数值模拟器的 7,850 倍，确保了其卓越的时间效率。这种新型 FFINO 模型可作为快速、准确且稳定的替代方案，用于实时 UHS 应用中估算氢气 plume 和压力分布的时空演化。