使用嵌套Fourier神经算子进行实时高分辨率CO$_2$地质封存预测
机器学习
2023-06-02 v2 流体动力学
摘要
碳捕集与封存（CCS）在全球脱碳中起着至关重要的作用。扩大CCS部署规模需要对储层压力积聚和气体羽流迁移进行准确的高分辨率建模。然而，由于现有数值方法计算成本极高，此类建模在规模上非常具有挑战性。这一挑战导致评估封存机会时存在显著不确定性，可能延缓大规模CCS部署的步伐。我们引入嵌套Fourier神经算子（FNO），一种用于盆地尺度高分辨率动态三维CO2封存建模的机器学习框架。嵌套FNO利用FNO的层次结构在不同细化层级上生成预测，相比现有方法将流动预测加速近700,000倍。通过学习控制偏微分方程族的解算子，嵌套FNO为具有多样储层条件、地质异质性和注入方案的CO2封存创建了一个通用数值模拟器替代方案。我们的框架实现了前所未有的实时建模和概率模拟，可支持全球CCS部署的规模化。
引用
@article{arxiv.2210.17051,
title = {Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators},
author = {Gege Wen and Zongyi Li and Qirui Long and Kamyar Azizzadenesheli and Anima Anandkumar and Sally M. Benson},
journal= {arXiv preprint arXiv:2210.17051},
year = {2023}
}