Augmenting a pure and hybrid vertical equilibrium scheme via data-driven surrogate modelling

Diese Arbeit stellt eine hybride vertikale Gleichungsmethode vor, die durch datengetriebene Surrogatmodelle beschleunigt wird, um den Rechenaufwand bei der Kopplung mit traditionellen Simulationen zu minimieren und dabei die Rechenzeit drastisch zu verkürzen, ohne die Massenerhaltung oder die Genauigkeit signifikant zu beeinträchtigen.

Das Wesentliche

Das große Problem: Der zu langsame Computer

Stell dir vor, du möchtest berechnen, wie sich Gas (wie Wasserstoff oder Methan) im Boden unter der Erde ausbreitet. Das ist wichtig, um zu verstehen, wie man Energie sicher speichern kann.

Normalerweise nutzen Wissenschaftler dafür riesige, sehr genaue Computermodelle. Das ist wie wenn du versuchst, den Weg eines einzelnen Wassertropfens in einem riesigen Ozean zu verfolgen. Du musst jede Welle, jede Strömung und jeden Tropfen einzeln berechnen. Das Ergebnis ist super genau, aber der Computer braucht dafür ewig. Es ist, als würdest du versuchen, ein ganzes Buch von Hand abzutippen, nur um eine kurze Nachricht zu senden.

Die Lösung: Der "Vertikale Gleichgewicht"-Trick

Um das zu beschleunigen, haben Forscher eine Abkürzung erfunden, die "Vertikale Gleichgewicht" (Vertical Equilibrium, VE) heißt.

Die Analogie:
Stell dir den Boden als einen riesigen, hohen Turm vor.

• Der alte Weg (Vollmodell): Du zählst jeden einzelnen Ziegelstein im Turm einzeln.
• Der neue Weg (VE-Modell): Du sagst: "Okay, das Gas steigt einfach nach oben und das Wasser sinkt nach unten. Ich muss nicht jeden Ziegel zählen, sondern kann den ganzen Turm einfach als einen einzigen, flachen Keks betrachten."

Das ist viel schneller! Aber es hat einen Haken: Dieser "Keks-Trick" funktioniert nur dort, wo das Gas wirklich ruhig nach oben steigt. Wenn es im Boden Hindernisse gibt (wie undurchlässige Felsklötze) oder wenn das Gas wild herumwirbelt, versagt der Trick. Dann wird das Ergebnis falsch.

Der Hybrid-Ansatz: Der clevere Mix

Um das Beste aus beiden Welten zu haben, haben die Forscher einen Hybrid-Ansatz entwickelt.

• In den ruhigen Zonen nutzen sie den schnellen "Keks-Trick" (VE-Modell).
• In den chaotischen Zonen (nahe den Hindernissen) nutzen sie den langsamen, aber genauen "Ziegel-Zähler" (Vollmodell).

Das neue Problem:
Das Zusammenfügen dieser beiden Welten ist wie das Verbinden von zwei verschiedenen Sprachen. Der Computer muss ständig hin- und herrechnen, um die Daten zwischen dem "Keks" und den "Ziegeln" zu übersetzen. Diese Übersetzungsarbeit ist so aufwendig, dass das ganze System manchmal sogar langsamer ist als das alte, langsame Vollmodell! Das ist, als würdest du einen Sportwagen fahren, aber die ganze Zeit im Stau stehen, weil du ständig an Ampeln warten musst.

Die magische Lösung: Der "Vorhersage-Assistent" (KI)

Hier kommt der Clou der Arbeit ins Spiel. Die Forscher haben datengetriebene Modelle (eine Art einfache künstliche Intelligenz) eingesetzt, um die langsamen Teile des Systems zu ersetzen.

Stell dir vor, du hast einen sehr klugen Assistenten, der schon einmal gesehen hat, wie sich das Gas in ähnlichen Situationen verhält.

1. Statt zu rechnen, wird vorhergesagt: Wenn das System wissen muss, wie weit das Gas nach oben steigt, fragt es den Assistenten. Der Assistent sagt sofort: "Oh, bei diesen Bedingungen steigt es genau bis hierhin!" – ohne dass der Computer die komplizierte Mathematik neu durchrechnen muss.
2. Statt zu messen, wird geschätzt: Wenn das System die Dichte oder Zähigkeit des Wassers wissen muss, ruft es den Assistenten an. Der gibt einen fast perfekten Wert zurück.

Die Analogie:
Statt jedes Mal selbst den Weg durch den Wald zu suchen (Rechnen), hast du eine Landkarte mit einem roten Strich, der den perfekten Weg zeigt (die KI-Vorhersage). Du musst nicht mehr über jeden Stein springen, sondern folgst einfach dem Strich.

Was hat das gebracht?

Die Ergebnisse sind beeindruckend:

• Geschwindigkeit: Die Simulationen waren bis zu 75 % schneller. Das ist, als würde ein Zug, der normalerweise 4 Stunden braucht, plötzlich in 1 Stunde am Ziel sein.
• Genauigkeit: Trotz der Abkürzungen ist das Ergebnis fast genauso genau wie das alte, langsame Modell. Die Fehler sind so winzig, dass man sie kaum messen kann.
• Sicherheit: Wichtige physikalische Gesetze (wie die Erhaltung der Masse – nichts verschwindet einfach) wurden trotzdem eingehalten. Der Assistent lügt nicht; er kennt nur die Regeln sehr gut.

Zusammenfassung

Die Forscher haben einen cleveren Trick gefunden: Sie haben einen schnellen, aber manchmal ungenauen Simulator mit einem langsamen, aber genauen Simulator kombiniert. Damit das Zusammenarbeiten nicht zu langsam wurde, haben sie einen KI-Assistenten eingebaut, der die langweiligen Rechenaufgaben übernimmt.

Das Ergebnis ist ein Super-Simulator: Er ist so schnell wie ein Sportwagen, aber so genau wie ein Luxus-Limousine. Das ist ein riesiger Schritt für die Zukunft der Energiespeicherung, weil wir damit viel schneller und billiger testen können, wie wir Wasserstoff oder Gas sicher in der Erde speichern können.

Technische Zusammenfassung

1. Problemstellung

Die Simulation von Fluidströmungen in porösen Medien, insbesondere für Anwendungen wie die Speicherung von Kohlendioxid (CCS) oder die dynamische Speicherung von Energieträgern (z. B. Wasserstoff, Methan), ist rechenintensiv. Herkömmliche Ansätze basieren auf der vollständigen Lösung der Massenerhaltungs- und Impulsgleichungen (Full-Dimensional, FD) in 3D, was hohe Rechenkosten verursacht.

Als effiziente Alternative wurde das Vertikale Gleichgewichts-Modell (Vertical Equilibrium, VE) entwickelt. Dieses Modell reduziert die räumliche Dimensionalität von 3D auf 2D, indem es annimmt, dass die Phasentrennung in vertikaler Richtung instantan erfolgt (hydrostatisches Gleichgewicht).

• Einschränkung: VE-Modelle sind nur in Bereichen genau, in denen vertikale Dynamiken vernachlässigbar sind.
• Hybride Ansätze: Um Genauigkeit und Effizienz zu kombinieren, wurden hybride Modelle entwickelt, die FD-Modelle in kritischen Zonen (z. B. nahe der Injektionsbohrung oder bei komplexen Geologien) und VE-Modelle in anderen Zonen koppeln.
• Das Kernproblem: Die Kopplung dieser Modelle führt zu einem erheblichen Rechen-Overhead. Die Berechnung der Kopplungsflüsse und die Rekonstruktion von FE-Lösungen aus VE-Daten (z. B. Berechnung der Gasplume-Distanz oder der Mobilitäten) sind so aufwendig, dass hybride Simulationen manchmal sogar langsamer sind als reine FD-Simulationen.

2. Methodik

Die Autoren schlagen vor, rechenintensive algorithmische Komponenten der VE- und hybriden Modelle durch datengesteuerte Surrogatmodelle (Data-Driven Surrogates) zu ersetzen oder zu beschleunigen, ohne die physikalischen Grundprinzipien (wie Massenerhaltung) zu verletzen.

A. Auswahl der Surrogatmodelle

Anstatt komplexe Deep-Learning-Architekturen zu verwenden, setzen die Autoren auf Modelle mit extrem kurzen Inferenzzeiten:

1. Lineare Regression: Für Funktionen, die sich gut durch lineare Kombinationen approximieren lassen.
2. Bikubische Spline-Interpolation: Für nichtlineare, glatte Funktionen, bei denen Monotonie und Stetigkeit entscheidend sind (z. B. für Mobilitäten).

B. Zielkomponenten für die Beschleunigung

Drei spezifische algorithmische Blöcke wurden identifiziert und durch Surrogatmodelle optimiert:

1. Gasplume-Distanz ($z_p$):
   • Aufgabe: Bestimmung der vertikalen Trennlinie zwischen Gas und Wasser durch Lösung einer nichtlinearen Gleichung (Massenbilanz).
   • Surrogat: Ein lineares Regressionsmodell liefert einen verbesserten Startwert für den Newton-Raphson-Löser.
   • Ziel: Reduktion der Iterationsanzahl, nicht vollständiger Ersatz der Berechnung (um Massenerhaltung zu garantieren).
2. Grobe Mobilitäten (Coarse-level Mobilities):
   • Aufgabe: Vertikale Integration der feinen Mobilitäten über die Schichthöhe. Dies ist im reinen VE-Modell der größte Rechenkostenfaktor.
   • Surrogat: Spline-Interpolation basierend auf Sättigung ($S_w$) und Dichte/Druck ($\rho_w$).
   • Vorteil: Vermeidung der teuren vertikalen Integration und Glättung der Mobilitätsfunktionen, was die Konvergenz verbessert.
3. Sekundärvariablen in der Kopplung (Dichte und Viskosität):
   • Aufgabe: In hybriden Modellen müssen an der Schnittstelle Dichten und Viskositäten für beide Phasen berechnet werden. Die Berechnung der Wasserdichte/Viskosität mittels IAPWS-Formeln ist sehr teuer.
   • Surrogat: Lineare Regression basierend auf dem Druck ($p_w$). Da die Viskosität von Methan (ideales Gas) temperaturabhängig und druckunabhängig ist, wird sie hier konstant gehalten.

C. Implementierung

Die Simulationen wurden mit dem Framework DuMux (C++) durchgeführt. Die ML-Modelle wurden in Python (scikit-learn) trainiert und über ONNX Runtime in C++ für die Inferenz eingebunden.

3. Wichtige Beiträge

• Optimierung bestehender physikalischer Modelle: Der Fokus liegt nicht auf der Entwicklung neuer ML-Algorithmen, sondern auf der strategischen Integration bestehender, schneller ML-Methoden in etablierte physikalische Solver.
• Erhaltung physikalischer Eigenschaften: Durch die Wahl von Surrogaten, die entweder nur Startwerte liefern (Gasplume) oder glatte, monotone Funktionen approximieren (Mobilitäten), wird die Massenerhaltung gewahrt.
• Hybride Beschleunigung: Die Arbeit zeigt, wie hybride Modelle, die oft durch Kopplungskosten behindert werden, durch gezielte Surrogatmodelle wieder schneller als reine FD-Simulationen werden können.
• Robustheit: Die Modelle sind invariant gegenüber der Domänenhöhe und können bei Änderung von Randbedingungen ohne Neutrainierung verwendet werden (sofern die Fluidkomponenten gleich bleiben).

4. Ergebnisse

Die Studie wurde an drei Testfällen evaluiert:

1. Reine VE-Injektion.
2. Hybrid, statisch gekoppelt (mit undurchlässiger Linse).
3. Hybrid, adaptiv gekoppelt (mit zwei Linsen, dynamische Domänenaufteilung).

Quantitative Ergebnisse:

• Reine VE-Modelle: Die Gesamtlaufzeit wurde um ca. 75,4 % reduziert (von 367,5 s auf 90,4 s). Der größte Gewinn kam durch den Ersatz der Mobilitätsberechnung.
• Hybride Modelle (statisch): Laufzeitreduktion von ca. 44,4 % (von 734,8 s auf 408,5 s).
• Hybride Modelle (adaptiv): Laufzeitreduktion von ca. 18 % (von 2255,9 s auf 1849,1 s). Hier ist der Gewinn geringer, da der FD-Anteil (der nicht beschleunigt wird) dominiert.
• Vergleich mit FD: Der optimierte hybride Ansatz (1849 s) ist schneller als die reine FD-Simulation (1976 s) für den adaptiven Fall, bei gleichzeitigem Erhalt der physikalischen Genauigkeit.
• Genauigkeit: Die relativen $L_2$-Fehler in den Lösungsfeldern (Sättigung, Druck) sind vernachlässigbar klein (oft im Bereich von $10^{-3}$ bis $10^{-7}$). Die Massenerhaltungsfehler bleiben im Bereich der Maschinengenauigkeit.
• Solver-Verhalten: Die Verwendung von Surrogaten führt oft zu einer Glättung der Mobilitäten, was die Anzahl der Newton-Iterationen pro Zeitschritt stabil hält oder sogar verbessert, obwohl mehr Zeitschritte benötigt werden können.

5. Bedeutung und Fazit

Die Arbeit demonstriert erfolgreich, dass datengesteuerte Methoden nicht nur als "Blackbox" für ganze Simulationen dienen, sondern als präzise Werkzeuge zur Beschleunigung spezifischer, rechenintensiver Teile physikalischer Modelle eingesetzt werden können.

• Effizienz: Es wird gezeigt, dass hybride VE/FD-Modelle durch Surrogatmodelle nicht nur ihre eigene unoptimierte Version übertreffen, sondern auch schneller als traditionelle Full-Dimensional-Simulationen werden können.
• Praktische Anwendbarkeit: Die Methode ist besonders relevant für Anwendungen, die viele Simulationen erfordern (z. B. Sensitivitätsanalysen, Parameterabschätzung), da sie die Rechenzeit drastisch senkt, ohne die physikalische Glaubwürdigkeit zu opfern.
• Zukunftsperspektive: Die Autoren sehen Potenzial in der weiteren Erweiterung, z. B. durch Surrogatmodelle für die Fein-Rekonstruktion oder die Vorhersage von Adaptivitätskriterien.

Zusammenfassend bietet der Ansatz einen Weg, den Kompromiss zwischen Recheneffizienz und physikalischer Genauigkeit in der Simulation von Fluidströmungen in porösen Medien signifikant zu verbessern.