CO$_2$ sequestration hybrid solver using isogeometric alternating-directions and collocation-based robust variational physics informed neural networks (IGA-ADS-CRVPINN)

A continuación presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Resumen Técnico: Solución Híbrida para la Secuestro de CO2 mediante IGA-ADS y CRVPINN

1. Planteamiento del Problema

El artículo aborda el desafío computacional de simular el secuestro de dióxido de carbono (CO2) en estructuras porosas subterráneas (acuíferos, pozos agotados). El objetivo es modelar el comportamiento físico del gas inyectado en un medio poroso saturado con salmuera, excluyendo reacciones químicas complejas.

El problema se rige por la Ley de Darcy y un sistema de ecuaciones acopladas que describen:

• La evolución de la saturación del gas ($S_g$) y del agua ($S_w$).
• La distribución de la presión ($p$) en el dominio.

El desafío principal radica en la eficiencia computacional: mientras que la ecuación de saturación es parabólica y se puede resolver eficientemente con métodos explícitos, la ecuación de presión es elíptica (estacionaria) y requiere la resolución de sistemas lineales grandes y costosos en cada paso de tiempo, lo que se convierte en el cuello de botella de la simulación tradicional.

2. Metodología Propuesta: Solucionador Híbrido IGA-ADS-CRVPINN

Los autores proponen un enfoque híbrido que combina dos técnicas avanzadas para resolver las diferentes partes del sistema de ecuaciones:

• Para la Saturación (Campo Escalar $S_g$): IGA-ADS

  • Se utiliza el solucionador IGA-ADS (Análisis Isogeométrico con Direcciones Alternas).
  • Este método emplea proyecciones $L^2$ isogeométricas basadas en funciones base B-splines de alto orden y continuidad.
  • Resuelve la ecuación de saturación de manera explícita, aprovechando la estructura de producto de Kronecker de la matriz de Gram, lo que permite una inversión de matriz de costo lineal ($O(N)$) mediante el algoritmo de Thomas.

• Para la Presión (Campo Escalar $p$): CRVPINN

  • Se reemplaza el solucionador directo tradicional (MUMPS) por CRVPINN (Redes Neuronales Informadas por Física Variacional Robusta Basada en Colocación).
  • Fundamento: CRVPINN es una extensión de PINN (Physics Informed Neural Networks) que utiliza residuos débiles discretos.
  • Mecanismo: En lugar de integrar residuos fuertes, utiliza funciones de prueba de delta de Kronecker en puntos de colocación.
  • Robustez: Incorpora una función de pérdida robusta que incluye la inversa de la matriz de Gram (calculada mediante factorización LU para evitar inversión directa costosa en cada iteración). Esto garantiza la estabilidad inf-sup del sistema discreto.
  • Entrenamiento: El modelo se preentrena para la configuración inicial de presión. Para los pasos de tiempo subsiguientes, se realiza un ajuste fino (fine-tuning) con muy pocas iteraciones (100 iteraciones del optimizador Adam), utilizando la saturación actualizada como entrada.

Algoritmo Híbrido:

1. Se calcula la saturación $S_g^{n+1}$ usando IGA-ADS basado en la presión $p^n$.
2. Se actualiza la presión $p^{n+1}$ usando CRVPINN, minimizando la pérdida variacional robusta basada en la nueva saturación $S_g^{n+1}$.
3. El proceso se repite para cada paso de tiempo.

3. Contribuciones Clave

• Integración de Métodos: Primera aplicación de un solucionador híbrido que combina Análisis Isogeométrico (IGA) con Redes Neuronales Informadas por Física (PINN) para problemas de secuestro de CO2.
• Eficiencia Computacional: Se demuestra que el uso de CRVPINN para la presión elimina la necesidad de solucionadores directos costosos (como MUMPS) en cada paso de tiempo, reduciendo drásticamente el tiempo de cálculo.
• Robustez del Método: Validación de la estabilidad del método CRVPINN mediante el uso de la matriz de Gram inversa en la función de pérdida, lo que permite manejar coeficientes de difusión no constantes (permeabilidad variable).
• Escalabilidad: El método es capaz de ejecutarse en recursos limitados (incluso en portátiles o Google Colab) gracias a la eficiencia del entrenamiento de la red neuronal en GPU.

4. Resultados

Los experimentos se realizaron en el clúster ARES del centro de computación de alto rendimiento ACK CYFRONET (Polonia), comparando el solucionador híbrido contra un baseline que usa IGA-ADS + MUMPS.

• Configuraciones de Prueba: Se probaron tres configuraciones de reservorio (K1, K2, K3) con mapas de porosidad y permeabilidad variables (uniforme y no uniforme).
• Precisión:
  • Para permeabilidad uniforme, la discrepancia entre CRVPINN y el solucionador directo fue menor al 5%.
  • Para permeabilidad no uniforme (casos más complejos), el error relativo fue del 15-20% en algunas zonas, lo cual se consideró aceptable dado el aumento de complejidad.
• Rendimiento (Velocidad):
  • Solucionador Baseline (IGA-ADS + MUMPS): Tomó aproximadamente 10,800 segundos para 1000 pasos de tiempo (incluyendo 5,800s solo para la resolución de presión).
  • Solucionador Híbrido (IGA-ADS + CRVPINN): Tomó aproximadamente 3,400 segundos (500s de preentrenamiento + 900s de entrenamiento continuo + tiempo de integración).
  • Conclusión de velocidad: El solucionador híbrido es más de 3 veces más rápido que el método tradicional en un solo nodo computacional.
• Recursos: El solucionador IGA-ADS se ejecutó en CPU (12 núcleos), mientras que CRVPINN se ejecutó en una sola GPU NVIDIA A100.

5. Significado y Futuro

Este trabajo demuestra que los métodos basados en aprendizaje automático (PINN) pueden integrarse eficazmente con métodos numéricos tradicionales (FEM/IGA) para resolver problemas de ingeniería física complejos, ofreciendo una alternativa viable y más rápida a los solucionadores directos tradicionales.

Trabajos Futuros:

• Resolución de problemas inversos: Identificar la ubicación óptima de los pozos de inyección de CO2.
• Aplicación a problemas de almacenamiento de Hidrógeno (H2).
• Optimización de la comunicación entre los solvers IGA-ADS y CRVPINN para reducir la sobrecarga.
• Implementación de métodos hp-adaptivos para mejorar la calidad de la simulación.
• Paralelización masiva del solver CRVPINN en múltiples GPUs.

En resumen, el paper presenta un avance significativo hacia la simulación en tiempo real o casi real de procesos de secuestro de carbono, haciendo que estas simulaciones sean más accesibles y rápidas sin sacrificar excesivamente la precisión física.