推进基于深度学习的降维技术，以处理大规模地质碳储存中复杂的三维饱和度数据

《Journal of Hydrology》：Advancing deep learning-based dimension reduction for complex three-dimensional saturation data in large-scale geological carbon storage

地质碳封存中基于2D平均场的深度学习降维与三维重建方法，通过PCA处理各向异性二维场并利用U-Net+Bi-ConvLSTM模型融合多视角特征，有效解决高维稀疏数据及局部迁移特征的建模难题，实验表明其重建精度和物理一致性显著优于传统方法。

　　地质碳封存（Geological Carbon Storage, GCS）作为应对人为二氧化碳排放的重要策略，近年来得到了广泛关注和应用。随着全球对碳中和目标的追求，GCS在能源、化工和矿业等高碳排放行业中的作用日益凸显。然而，GCS涉及复杂的地质条件和多相流体流动、热传递及化学反应过程，导致其在模拟和预测方面的计算需求极高。因此，如何提高计算效率并减少模型过拟合，成为GCS研究中的关键挑战之一。

在处理高维数据时，传统的深度学习（Deep Learning, DL）模型常常面临数据维度高、计算成本大以及模型泛化能力不足的问题。为了应对这些挑战，研究者们提出了多种维度降维（Dimension Reduction, DR）方法，如主成分分析（Principal Component Analysis, PCA）和卷积自编码器（Convolutional Autoencoder, CAE）。这些方法在一定程度上可以简化数据结构，提高模型训练效率。然而，它们在捕捉二氧化碳迁移的复杂、局部化和场景依赖特征方面存在局限。例如，在地质碳封存过程中，二氧化碳的饱和度分布通常呈现稀疏性和局部突变的特性，尤其是在羽流边界处的跃迁现象。这些特性使得传统方法难以准确提取关键信息，进而影响模型的预测能力和物理一致性。

为了解决上述问题，本文提出了一种基于深度学习的新型维度降维与重构工作流。该工作流的核心在于利用二维平均饱和度场来提取潜在表示，并通过多视角重构模型重建完整的三维饱和度分布。这一方法结合了地质参数输入、双向卷积长短期记忆（Bidirectional ConvLSTM, Bi-ConvLSTM）层用于提取时间序列依赖性，以及自定义损失函数，通过掩码和梯度惩罚机制提高重构精度并确保物理一致性。通过与常用的维度降维方法进行对比评估，如三维PCA、CAE和之前研究中提出的PCA-CNN-MLP模型，结果表明该工作流在多个评估指标中均表现出优越的性能。

在实际应用中，GCS项目通常需要对复杂的地质结构和流体动态进行详细建模，以确保二氧化碳的安全封存和高效利用。然而，传统的数值模拟方法在大规模应用中面临计算成本高、训练数据不足以及模型泛化能力差等问题。这不仅限制了模型在不同地质条件下的适用性，也增加了实际操作的难度。因此，研究者们开始探索将深度学习技术引入维度降维和重构流程，以提高模型的预测能力和计算效率。

在GCS的背景下，维度降维技术可以用于降低高维地质和流体动力学数据的复杂性，提取最具代表性的特征。这些数据包括渗透率、孔隙度、压力和二氧化碳饱和度等关键参数。通过将三维数据转化为二维表示，可以更有效地进行特征提取和模型训练。同时，多视角重构模型能够综合不同二维视图的信息，从而更准确地重建三维饱和度分布。这种方法的优势在于，不仅能够减少计算负担，还能提高模型对复杂地质条件的适应能力。

本文的工作流基于Illinois Basin Decatur Project（IBDP）的模拟数据集，该数据集涵盖了不同结构的挡板配置，从而产生了多样化的羽流形状和饱和度分布。研究发现，二维平均饱和度场相比三维数据具有更高的非零值比例，这使得维度降维和重构过程更加高效。此外，利用多视角方法可以更全面地捕捉三维饱和度场的空间特征，提高最终重构结果的质量。

在具体实现中，工作流分为两个主要部分：第一部分是三个基于PCA的模型，分别用于处理沿X、Y和Z方向平均的二维饱和度场，以及其逆过程的重构；第二部分是一个基于U-Net架构的三维重构模型，结合了卷积和双向卷积长短期记忆层，能够处理输入的二维饱和度场和地质参数，如渗透率、孔隙度、L1距离和岩石相，从而生成完整的三维饱和度体积。这两个部分可以分别进行训练，为工作流提供了灵活性和模块化的优势。

通过实验验证，该工作流在多个评估指标中均表现出最低的重构误差，并在非零子域中显著提升了对细尺度羽流特征的捕捉能力。此外，该工作流在梯度保持和羽流形态还原方面也表现出优越的性能，从而增强了重构饱和度场的物理一致性。这些结果表明，将先进的深度学习技术与维度降维流程相结合，可以为地质碳封存应用提供更准确和稳健的解决方案。

总体而言，本文的研究成果不仅为GCS的模拟和预测提供了新的方法，也为其他高维地质数据处理任务提供了借鉴。通过结合深度学习和维度降维技术，研究者可以更高效地处理复杂的地质数据，提高模型的预测能力和计算效率。这种方法的优势在于，它能够在不依赖大量标注数据的情况下，实现对高维数据的准确建模，同时确保模型在不同地质条件下的泛化能力。未来，随着深度学习技术的不断发展，该工作流有望在更广泛的地质应用中得到推广和应用。