《International Journal of Coal Science & Technology》:High-fidelity spatiotemporal evolution of CO? storage in saline aquifers: A physics-synergized deep learning framework for CO? plume prediction and super-resolution reconstruction
编辑推荐:
精确预测深部盐水层中CO?羽流时空演化,对于确保碳捕集与封存(Carbon Capture and Storage, CCS)的长期完整性和有效性至关重要。然而,当前建模范式存在一种持续二分法:高保真数值模拟面临计算难以处理的问题,而主流数据驱动代理模型往往缺
精确预测深部盐水层中CO?羽流时空演化,对于确保碳捕集与封存(Carbon Capture and Storage, CCS)的长期完整性和有效性至关重要。然而,当前建模范式存在一种持续二分法:高保真数值模拟面临计算难以处理的问题,而主流数据驱动代理模型往往缺乏嵌入的物理约束,无法捕获长期时间依赖性以及细尺度地质非均质性。为弥合这一差距,本研究提出一种新颖的物理协同深度学习框架(Physics-Synergized Deep Learning Framework),用于CO?羽流时间预测和空间超分辨率建模。首先,研究人员引入一种由双向长短期记忆(Bidirectional-Long-Short-Term-Memory, Bi-LSTM)与Transformer组成的混合架构,即Bi-LSTM-Transformer,该架构将局部序列归纳偏置与全局注意力机制相协调,以捕获多尺度压力动态。随后,采用物理引导迁移学习(Physics-Guided Transfer Learning)策略来强化流体动力学相互依赖关系,将压力场的学习流形迁移,以约束复杂的饱和度输运。其次,为解决网格尺度不匹配问题,研究人员开发了一种物理信息图注意力网络(Physics-Informed Graph Attention Network, PI-GAT)用于超分辨率建模。该模块利用拓扑图结构及控制定律,充当学习型超分辨率算子,从粗网格输入重建高保真羽流迁移细节。在Johansen地层的综合验证证明了该框架的优越性能。所提出方法在时间预测和空间重建方面,相比传统有限元模拟实现了十倍的运算效率提升,有效将预测延迟与网格复杂度解耦。这一效率提升在未牺牲物理严谨性的前提下实现:模型在耦合储层动力学中保持高精度(压力均方根误差<15,000 Pa;饱和度R2 > 0.96),并在空间降尺度期间确保热力学一致性(R2 > 0.90)。此外,该框架在显著分布偏移下表现出稳健的外推能力,包括延长时间范围和变化注入场景(R2 > 0.90)。这项工作为大规模地质封存中的高保真实时监测和风险评估建立了一种弹性、物理感知的计算范式。
该研究发表于《International Journal of Coal Science 》。
全球气候变化减缓依赖碳捕集与封存(Carbon Capture and Storage, CCS),深部盐水层因巨大的理论容量和广泛分布成为大规模CO?封存的主要目标。CO?注入后的长期安全性取决于构造圈闭、残余圈闭、溶解圈闭和矿物圈闭等多重机制,这些机制跨越广阔时空尺度。传统高保真数值模拟(如有限体积法和有限元法)物理严谨但计算开销极大,难以支持大量不确定性情景下的实时监测与风险评估;现有数据驱动代理模型虽能快速预测,但普遍缺乏物理约束,常将压力与饱和度作为独立输出,无法保证长期时间依赖性和细尺度地质非均质性的表征。为此,研究人员提出了一种“宏观时间预测—微观空间重建”级联的物理协同深度学习框架。
研究方法方面,研究人员以挪威近海Johansen盐水层为对象,构建三维地质模型,设置15 kg/s连续注入25年及停注后25年监测期,采用COMSOL有限元模拟生成高保真基准数据,粗网格22,544单元、细网格61,083单元,并按时间顺序划分训练与测试集以避免数据泄漏。关键技术包括:其一,混合Bi-LSTM-Transformer架构,用于捕获多尺度压力动态;其二,物理引导迁移学习策略,将预训练压力编码器冻结后作为物理先验,约束饱和度输运;其三,物理信息图注意力网络(Physics-Informed Graph Attention Network, PI-GAT),在异构网格图上实现从粗网格到细网格的超分辨率重建,并将质量守恒、边界限制、压力/饱和度梯度一致性(Darcy定律)及渗透率加权平滑作为物理约束嵌入损失函数。
研究结果如下:
4.1 Bi-LSTM-Transformer用于压力场建模评估:在小样本条件下,混合架构比单一Bi-LSTM和Transformer更接近理想预测线;全数据训练时R
2=0.