Learning and Inferring Multiphase Flow Dynamics in Porous Media using Scientific Machine Learning: Application to the "FluidFlower" CO2 Injection Experiment

Diese Arbeit präsentiert ein wissenschaftliches Machine-Learning-Framework, das einen Convolutional Neural Network-Surrogatmodell mit Bayesscher Inferenz kombiniert, um die Mehrphasen-CO2-Sole-Strömungsdynamik in porösen Medien effizient vorherzusagen und zu kalibrieren, wobei signifikante Verbesserungen bei der Parameteridentifikation und der Simulationsgenauigkeit gegenüber traditionellen Methoden unter Verwendung hochauflösender „FluidFlower“-Experimentaldaten nachgewiesen werden.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen vorherzusagen, wie sich ein Tropfen Tinte durch einen Schwamm ausbreitet, aber dieser Schwamm besteht aus verschiedenen Arten von Sand, besitzt verborgene Risse (Störungen) und die Tinte ist eigentlich Kohlendioxidgas, das unterirdisch injiziert wird. Dies ist die Herausforderung der geologischen Kohlenstoffspeicherung: herauszufinden, wohin das Gas genau fließt und wie es gefangen wird, damit wir es sicher speichern können.

Das Problem ist, dass die beteiligte Physik unglaublich komplex ist. Um mit traditionellen Computermodellen eine perfekte Antwort zu erhalten, muss man extrem aufwendige, langsame Simulationen durchführen. Wenn man wissen möchte, wie unsicher man sich über die Antwort ist (z. B. „Was wäre, wenn der Sand etwas poröser ist?“), müsste man diese langsamen Simulationen tausende Male ausführen. Das dauert zu lange und verbraucht zu viel Rechenleistung.

Dieses Paper präsentiert eine clevere Lösung mittels Scientific Machine Learning (SciML), um diesen Prozess zu beschleunigen und bessere Vorhersagen zu ermöglichen. So sind sie vorgegangen, einfach erklärt:

1. Der „schnelle Lehrling“ (Das Surrogat-Modell)

Betrachten Sie die traditionelle, hochpräzise Computersimulation als einen Meisterkoch, der ein perfektes Gericht zubereiten kann, dafür aber drei Tage braucht. Man kann den Meisterkoch nicht bitten, 1.000 Variationen des Gerichts zu kochen, nur um zu sehen, welches am besten schmeckt.

Die Autoren trainierten ein Convolutional Neural Network (CNN) – das sie als „Surrogat“ bezeichnen – um wie einen schnellen Lehrling zu fungieren.

• Training: Sie fütterten den Lehrling mit 98 Beispielen der Arbeit des Meisterkochs (Simulationen des CO2-Flusses durch den „FluidFlower“-Tank).
• Lernen: Der Lehrling lernte die Muster: wie das Gas aufsteigt, wie es sich seitlich ausbreitet und wie es in verschiedenen Schichten von Sand stecken bleibt.
• Das Ergebnis: Einmal trainiert, kann der Lehrling das Ergebnis eines neuen Szenarios in einem Bruchteil einer Sekunde vorhersagen. Er ist Millionen Mal schneller als der Meisterkoch, erfasst aber dennoch das große Ganze. Er bildet die Hauptform der Gaswolke (die „Plume“) und deren Bewegung ab, auch wenn er einige winzige, chaotische Wirbel (Fingering) – die schwer vorherzusagen sind – vernachlässigt.

2. Das „Detektivspiel“ (Bayessche Inferenz)

Jetzt, da sie einen schnellen Lehrling haben, mussten sie ein Detektivproblem lösen: Was sind die verborgenen Eigenschaften des unterirdischen Gesteins?

In der realen Welt kennen wir nicht die exakte Permeabilität (Durchlässigkeit für Fluide) oder den Druck jeder einzelnen Gesteinsschicht. Wir verfügen nur über wenige Messwerte.

• Der alte Weg: Wissenschaftler nutzten früher Vermutungen über die Gesteinseigenschaften, ließen die langsame Simulation des Meisterkochs laufen, verglichen sie mit dem Experiment und passten die Vermutung manuell an. Dabei schauten sie sich nur auf wenige große Zahlen an (wie z. B. „Wie groß ist die Gaswolke nach 1 Stunde?“).
• Der neue Weg: Die Autoren nutzten den schnellen Lehrling innerhalb eines Bayesschen Inferenz-Frameworks (einer statistischen Methode). Sie ließen den Computer tausende „Was-wäre-wenn“-Szenarien sofort durchspielen.
• Der Clou: Anstatt nur auf ein paar Zahlen zu schauen, fütterten sie den Computer mit dem gesamten Video des Experiments. Sie verglichen das gesamte Bild der sich bewegenden Gaswolke über die Zeit hinweg mit den Vorhersagen des Lehrlings.

3. Was sie herausfanden

• Bessere Genauigkeit: Durch die Verwendung des vollständigen Videos und des schnellen Lehrlings stimmte ihr Modell die bisherigen manuellen Versuche viel besser ab. Es sagte korrekt voraus, wie die Gaswolke auf eine „Störung“ (einen Riss im Gestein) traf und wie sie sich unter einem „Siegel“ (einer Schicht, die das Gas am Entweichen hindert) ausbreitete.
• Das „Fingerabdruck-Problem“: Sie entdeckten, dass unterschiedliche Kombinationen von Gesteinseigenschaften manchmal die gleiche Art von Gaswolke erzeugen können. Es ist, als würden zwei verschiedene Fingerabdrücke denselben Fleck auf einem Fenster hinterlassen. Das bedeutet, dass es nicht nur eine „perfekte“ Antwort für die Gesteinseigenschaften gibt; es gibt mehrere plausible Antworten. Das Machine-Learning-Framework half ihnen dabei, all diese Möglichkeiten abzubilden, anstatt nur eine einzige auszuwählen.
• Zeit spielt eine Rolle: Sie testeten, wie viele Daten sie benötigten. Sie fanden heraus, dass die Daten sehr informativ wurden, sobald die Gaswolke mit den wichtigsten geologischen Merkmalen (wie den Störungen und Siegeln) interagierte. Das Hinzufügen von mehr Daten nach diesem Zeitpunkt brachte kaum noch einen Nutzen. Es ist wie beim Lösen eines Puzzles: Sobald man die Eckteile und das Hauptbild gefunden hat, ändert das Hinzufügen einiger weiterer Randteile das Bild nicht mehr wesentlich.

Das „FluidFlower“-Experiment

Die gesamte Studie wurde an einem realen Experiment namens „FluidFlower“ getestet. Stellen Sie sich einen großen, transparenten Tank vor, der mit verschiedenen Sandschichten gefüllt ist. Wissenschaftler injizieren CO2 (das aufgrund eines pH-Indikators im Wasser blau wird) und beobachten, wie es sich bewegt. Da der Tank klar ist, können sie Fotos der gesamten Gaswolke während ihrer Entwicklung aufnehmen. Dies lieferte die „Ground Truth“ (die reale Wahrheit), um zu testen, ob ihr KI-Lehrling tatsächlich die richtige Physik lernt.

Das Fazit

Dieses Paper zeigt, dass Wissenschaftler durch die Kombination eines schnellen KI-„Lehrlings“ mit einem statistischen Detektivspiel:

1. Vorhersagen können, wie sich Kohlendioxid unter der Erde bewegt – viel schneller als bisher.
2. Reale experimentelle Daten nutzen können, um die verborgenen Eigenschaften des Gesteins zu bestimmen.
3. Die Grenzen dessen verstehen können, was wir wissen können (indem sie identifizieren, welche Gesteinseigenschaften leicht zu erraten sind und welche zweideutig bleiben).

Dies ist ein bedeutender Schritt zur Erstellung von „Digitalen Zwillingen“ von unterirdischen Speichernästen – virtuellen Modellen, die genau genug sind, um uns dabei zu helfen, sichere Entscheidungen über die Speicherung von Kohlendioxid zur Bekämpfung des Klimawandels zu treffen.

Technische Zusammenfassung

Technisches Resümee: Erlernen und Inferenz der Mehrphasenströmungsdynamik in porösen Medien mittels Scientific Machine Learning

Problemstellung
Die präzise Vorhersage und Parameteridentifikation von Mehrphasenströmungen in porösen Medien sind für die geologische Kohlenstoffdioxidspeicherung (GCS) von entscheidender Bedeutung, stellen jedoch aufgrund starker Nichtlinearitäten, hochdimensionaler Parameterräume und spärlicher Beobachtungsdaten weiterhin eine Herausforderung dar. Traditionelle hochpräzise numerische Simulationen sind zwar hochentwickelt, aber rechenintensiv, was sie für die Unsicherheitsquantifizierung, inverses Modellieren oder Echtzeit-Entscheidungsfindungen unpraktikabel macht. Darüber hinaus führt die Knappheit an Felddaten zu einer Diskrepanz zwischen Modellvalidierung und handlungsrelevanten Erkenntnissen. Während kontrollierte Laborexperimente wie der „FluidFlower“-Benchmark hochauflösende Daten liefern, ist das History Matching gegenüber solchen Daten oft unterbestimmt und erfordert iterative, expertengeleitete Kalibrierungen, die räumlich-zeitliche Informationen möglicherweise nicht vollständig ausnutzen.

Methodik
Die Autoren schlagen einen Scientific Machine Learning (SciML)-Rahmen vor, der Surrogatmodellierung mit Bayesscher Inferenz kombelt, um die Vorwärtsvorhersage und die inverse Parameterschätzung für CO2-Sole-Strömungen zu adressen.

1. Vorwärts-Surrogatmodellierung:

   • Datengenerierung: Hochpräzise numerische Simulationen des „FluidFlower“-Experiments wurden unter Verwendung der MATLAB Reservoir Simulation Toolbox (MRST) generiert. Diese Simulationen lösten Massenbilanzgleichungen für eine Zweiphasen-, Zwei-Komponenten-Strömung mit hysteretischen Kapillardruck- und relativen Permeabilitätsfunktionen.
   • Architektur: Ein auf der UNet-Architektur basierendes Convolutional Neural Network (CNN) wurde trainiert, um die Abbildung von geologischen Parameterrealisierungen auf die Entwicklung der CO2-Sättigung und der gelösten CO2-Konzentrationsfelder zu erlernen.
   • Input/Output: Das Modell nimmt räumlich strukturierte Parameterfelder (Permeabilität, Kapillarentrydruck, Connate Water Sättigung und relative Permeabilitäts-Exponenten für drei geologische Regionen: Speichersand, Verwerfungssand und Deckgestein) sowie die Zeit als Input entgegen. Als Output liefert es die entsprechenden Felder der gelösten CO2-Konzentration und der Gas-Sättigung auf einem einheitlichen 64 × 128 Gitter.
   • Training: Das Surrogatmodell wurde auf 98 Simulationsläufen (45.668 Input-Output-Paare) trainiert und an ungesehenen Fällen getestet, wobei es eine Beschleunigung um Größenordnungen gegenüber den ursprünglichen physikbasierten Simulationen erreichte.

2. Inverse Parameterschätzung:

   • Rahmenwerk: Das trainierte Surrogatmodell wurde in ein Markov-Chain-Monte-Carlo-Framework (unter Verwendung des emcee Ensemble-Samplers) eingebettet, um die Bayessche Inferenz durchzuführen.
   • Likelihood: Die Likelihood-Funktion wurde konstruiert, indem die experimentell beobachteten binären Karten der gelösten und gasförmigen CO2-Plumes (abgeleitet aus der Bildverarbeitung von „FluidFlower“-Fotografien) mit den Schwellenwert-basierten Vorhersagen des Surrogats verglichen wurden.
   • Ziel: Dieser Ansatz ermöglicht eine effiziente Exploration des 15-dimensionalen Parameterraums zur Identifizierung der Posterior-Verteilungen der wichtigsten petrophysikalischen Eigenschaften und vermeidet die prohibitiven Kosten wiederholter Full-Physics-Simulationen.

Wichtigste Ergebnisse

• Genauigkeit der Vorwärtsvorhersage: Das Surrogatmodell erfasst präzise die großräumige Migration der CO2-Plume, die durch Auftrieb getriebene Aufwärtsbewegung, die laterale Ausbreitung sowie die Interaktionen mit heterogenen geologischen Strukturen (Verwerfungen und Versiegelungen). Während geringfügige Diskrepanzen in feinskaligen Fingering-Strukturen aufgrund hydrodynamischer Instabilitäten bestehen, behält das Modell eine hohe Treue im makroskopischen Transportverhalten bei. Die quantitative Analyse mittels der Optimal Transport Wasserstein Distance (OTWD) zeigt, dass die Vorhersagen des Surrogats konsistent näher an den Referenzlösungen liegen als typische Trainingsrealisierungen, selbst wenn die Komplexität der Lösung im Zeitverlauf zunimmt.
• Leistung der inversen Inferenz: Die Surrogat-gestützte Bayessche Inversion verbessert die Übereinstimmung zwischen Simulationen und experimentellen Beobachtungen signifikant im Vergleich zu manuell kalibrierten Ergebnissen. Die inferierte Maximum A Posteriori (MAP)-Lösung bildet die großräumige Plume-Geometrie, die vertikale Ausdehnung und die Migrationspfade besser ab, insbesondere in Regionen, die von Verwerfungen und Versiegelungsschichten beeinflusst werden.
• Parameter-Identifizierbarkeit: Die Analyse zeigt, dass zwar einige Parameter (z. B. Permeabilitäts-Multiplikatoren in spezifischen Regionen) gut durch Beobachtungen bestimmt sind, andere jedoch breit verteilt bleiben oder mehrere Modi aufweisen. Dies verdeutlicht die Nicht-Eindeutigkeit des inversen Problems, bei dem unterschiedliche Parameterkombinationen ähnliche makroskopische Plume-Verhaltensweisen erzeugen können.
• Einfluss des Beobachtungshorizonts: Die Studie zeigt, dass Beobachtungsdaten wesentlich informativer werden, sobald die Plume mit bedeutenden geologischen Merkmalen (Verwerfungen und Versiegelungsschichten) interagiert. Eine Verlängerung des Beobachtungshorizonts über den Punkt hinaus, an dem die Plume primäre Migrationspfade etabliert, liefert abnehmende Erträge für die Bestimmung des großräumigen Transportverhaltens, da verbleibende Diskrepanzen durch sensible, feinskalige Fingering-Dynamiken dominiert werden.

Bedeutung und Ansprüche
Das Paper behauptet, dass dieser Rahmen einen entscheidenden Schritt in Richtung datengestützter Digital Twins für unterirdische Systeme darstellt. Durch die Nutzung räumlich und zeitlich aufgelöster Full-Field-Experimentaldaten verbessert der Ansatz die makroskopische Übereinstimmung zwischen Simulationen und Experimenten im Vergleich zu bisherigen manuellen Kalibrierungen, die auf begrenzten Skalarwerten basierten, erheblich.

Die Autoren betonen, dass das Surrogatmodell physikalisch sinnvolles Transportverhalten lernt und nicht bloße Interpolation betreibt, wodurch es auch in komplexen, nichtlinearen Strömungsregimen eine robuste Leistung beibehält. Die Integration von SciML mit der Bayesschen Inferenz macht die Exploration hochdimensionaler Parameterräume rechnerisch handhabbar und offenbart sowohl identifizierbare als auch nicht-identifizierbare Parameterkombinationen. Diese Fähigkeit unterstützt die unsicherheitsbewusste Vorhersage und Entscheidungsfindung und schließt die Lücke zwischen hochpräzisen Simulationen und handlungsrelevanten Erkenntnissen. Die Arbeit unterstreicht zudem die Bedeutung des „FluidFlower“-Benchmarks für die Validierung dieser Ansätze gegenüber der physischen Realität, wodurch über rein synthetische Datensätze hinausgegangen wird.