利用图神经网络学习断层储层中 CO$_2$ 羽流迁移
机器学习
2023-06-19 v1 大气与海洋物理
摘要
基于深度学习的替代模型为 CO 地质封存等地下流动问题提供了对数值模拟的高效补充。准确捕捉断层对 CO 羽流迁移的影响，对许多基于卷积神经网络（CNNs）或神经算子的现有深度学习替代模型仍是一项挑战。我们利用图神经网络（GNNs）领域的近期进展，以基于图的神经模型应对该挑战。我们的模型将图卷积长短期记忆（GConvLSTM）与一步式 GNN 模型 MeshGraphNet（MGN）相结合，以处理复杂非结构网格并限制时间误差累积。我们证明，该方法能准确预测具有不透水断层的合成储层中气体饱和度和孔隙压力的时间演化。与标准 MGN 模型相比，我们的结果展现出更高精度且减少了时间误差累积。我们还展示了算法对训练集未包含网格配置、边界条件及非均匀渗透率场的优异泛化能力。本工作凸显了基于 GNN 的方法在快速精确建模含复杂断层与裂缝地下流动方面的潜力。
引用
@article{arxiv.2306.09648,
title = {Learning CO$_2$ plume migration in faulted reservoirs with Graph Neural Networks},
author = {Xin Ju and François P. Hamon and Gege Wen and Rayan Kanfar and Mauricio Araya-Polo and Hamdi A. Tchelepi},
journal= {arXiv preprint arXiv:2306.09648},
year = {2023}
}