A Benchmark Dataset for Machine Learning Surrogates of Pore-Scale CO2-Water Interaction

Cet article présente un ensemble de données de référence composé de 624 échantillons 2D haute résolution issus de simulations numériques, conçu pour entraîner et évaluer des modèles d'apprentissage automatique simulant les interactions poreuses entre le CO2 et l'eau dans le contexte du stockage géologique.

L'essentiel

🌍 Le Grand Défi : Capturer le CO₂ sous nos pieds

Imaginez que nous voulons stocker le dioxyde de carbone (CO₂) que nous produisons, pour éviter qu'il ne réchauffe la planète. Pour cela, nous l'injectons profondément sous terre, dans des roches poreuses (comme de l'éponge géante).

Le problème ? Sous terre, c'est le chaos. Le CO₂ et l'eau qui remplissent les roches se battent pour les espaces. Parfois, le CO₂ passe vite, parfois il reste bloqué. Pour prédire où il va aller, les scientifiques doivent faire des simulations informatiques très complexes. Mais ces simulations sont lentes et coûteuses, comme essayer de dessiner chaque grain de sable d'une plage à la main.

C'est là que l'Intelligence Artificielle (IA) entre en jeu. L'objectif est d'entraîner un "assistant" (un modèle d'IA) qui peut prédire le mouvement du CO₂ instantanément, sans avoir à refaire le calcul complexe à chaque fois.

🎒 La Solution : Un "Kit de Survie" Géant pour l'IA

Le problème, c'est que pour apprendre à l'IA à être intelligente, il faut lui montrer beaucoup d'exemples différents. Jusqu'à présent, les "livres d'exercices" (les jeux de données) étaient trop petits ou trop simples. C'est comme si on apprenait à un enfant à conduire seulement sur une route droite et vide, puis on le lançait sur une route de montagne pleine de virages.

Les auteurs de ce papier ont créé le plus grand et le plus varié "livre d'exercices" jamais vu pour ce problème.

Voici ce qu'ils ont fabriqué :

1. Des milliers de mini-mondes : Ils ont créé 624 simulations différentes. Chaque simulation est une image carrée de 512x512 pixels, représentant un morceau de roche sous terre.
2. Des roches pas comme les autres : La vraie difficulté, c'est que la roche n'est jamais uniforme. Parfois, les grains de sable sont tous pareils (bien triés), parfois ils sont de toutes les tailles et mélangés n'importe comment.
   • L'analogie : Imaginez que vous remplissez un bocal avec des billes.
     • Niveau 1 : Vous mettez des billes toutes identiques, parfaitement rangées.
     • Niveau 5 : Vous jetez des billes, des cailloux, des graviers et des paillettes en vrac, sans ordre.
   • Ce dataset contient des exemples de tous ces niveaux de "désordre" (hétérogénéité).
3. Un film en accéléré : Ce n'est pas juste une photo. Pour chaque roche, ils ont enregistré 100 images (des pas de temps) montrant comment le CO₂ (en jaune) chasse l'eau (en bleu) au fil du temps. C'est comme un film qui montre le CO₂ qui traverse la roche, se faufile dans les petits trous, et forme des rivières ou des flaques.

🏗️ Comment ont-ils fait ? (La Cuisine du Dataset)

Au lieu de creuser de vraies roches (ce qui est long et cher), ils ont utilisé un logiciel pour "dessiner" des roches virtuelles.

• Ils ont pris une grille de grains de sable régulière.
• Ils ont ajouté un peu de "chaos" aléatoire : ils ont fait varier la taille des grains et leur position, un peu comme si on secouait un sac de billes.
• Ils ont créé 5 niveaux de chaos, du plus calme au plus fou.
• Ensuite, ils ont fait tourner une simulation physique (comme un simulateur de météo) pour voir comment le CO₂ se comporte dans chacune de ces roches virtuelles.

🧠 Pourquoi est-ce si important ?

Imaginez que vous voulez entraîner un chien de police.

• Si vous l'entraînez seulement sur des odeurs de pomme (données simples), il ne trouvera jamais une pomme dans un tas de sable.
• Si vous l'entraînez sur des pommes, des oranges, des bananes, et des tas de sable, de boue et de neige (données complexes et variées), il deviendra un expert.

Ce dataset est ce tas de boue et de neige. En entraînant des modèles d'IA sur ces 624 exemples variés, les chercheurs ont prouvé que :

• Plus l'IA voit de situations différentes (du rocher bien rangé au chaos total), mieux elle apprend.
• Elle devient capable de prédire le comportement du CO₂ dans des roches qu'elle n'a jamais vues auparavant.

📊 Le Résultat : Une IA plus robuste

Les chercheurs ont testé trois élèves (modèles d'IA) :

1. L'élève A : A étudié tous les niveaux de chaos (du 1 au 5).
2. L'élève B : A étudié 4 niveaux sur 5.
3. L'élève C : N'a étudié que le niveau le plus simple.

Quand on les a mis face à un nouveau défi (un niveau de chaos qu'ils n'avaient pas vu), l'élève A a gagné haut la main. Il a fait moins d'erreurs. Cela prouve que pour que l'IA soit utile dans le monde réel (où tout est imprévisible), il faut l'entraîner avec des données aussi variées et complexes que possible.

🚀 En résumé

Ce papier n'est pas une nouvelle théorie physique, c'est une boîte à outils. Les auteurs ont créé une immense bibliothèque de vidéos virtuelles montrant le CO₂ se déplaçant dans des roches de toutes sortes. Grâce à cette bibliothèque, les scientifiques pourront maintenant créer des IA capables de prédire très vite et très précisément où stocker le carbone pour sauver la planète, sans avoir à attendre des jours pour faire les calculs.

C'est comme passer d'une carte dessinée à la main, lente et imprécise, à un GPS en temps réel ultra-sophistiqué pour la géologie.

Résumé technique

Titre : Un jeu de données de référence pour les substituts d'apprentissage automatique des interactions CO2-Eau à l'échelle des pores

1. Problématique

La capture et le stockage du carbone (CSC) ainsi que d'autres applications géoscientifiques reposent sur la compréhension précise du transport du CO2 dans les milieux poreux. Cependant, caractériser le mouvement et la saturation du CO2 à l'échelle des pores est un défi majeur en raison de la complexité des interactions entre les phases fluides et l'hétérogénéité géologique.

• Limites des approches actuelles : Les techniques de laboratoire (comme l'inondation de carottes) fournissent des propriétés globales mais manquent de résolution spatiale. Les méthodes d'imagerie avancées (tomographie X) sont limitées pour les processus dynamiques. Les simulations numériques directes (DNS) et les modèles de réseaux de pores offrent une grande précision mais sont extrêmement coûteux en temps de calcul.
• Le rôle de l'IA : Les modèles d'apprentissage automatique (ML) émergent comme des substituts (surrogates) efficaces pour prédire le comportement du CO2. Néanmoins, leur développement est entravé par le manque de jeux de données diversifiés et de haute résolution. Les données existantes sont souvent limitées à de petites résolutions (ex: 256×256) et se concentrent sur l'état final plutôt que sur l'évolution temporelle intermédiaire, ce qui empêche de capturer la dynamique transitoire cruciale des scénarios géologiques réels.

2. Méthodologie

Les auteurs ont généré un jeu de données complet via des simulations numériques de haute fidélité pour entraîner et évaluer des modèles de ML.

• Génération de la géométrie (Prétraitement) :

  • Utilisation du notebook open-source DrawMicromodels pour créer des structures poreuses basées sur un réseau triangulaire régulier perturbé.
  • Hétérogénéité : Cinq niveaux d'hétérogénéité sont définis (du niveau 1, milieu bien trié, au niveau 5, hautement hétérogène) en variant le rayon des grains et leur position (jitter) selon des distributions uniformes.
  • Paramétrage : Une étude paramétrique a été menée sur le rayon moyen des grains ($R_0$) et la porosité cible ($\phi$).
  • Augmentation : Les images de base (1024×1024) ont été découpées en quadrants (512×512) et miroir verticalement pour obtenir un ensemble final de 624 géométries.

• Simulations d'écoulement multiphasique :

  • Outil : Le simulateur open-source GeoChemFoam (basé sur OpenFOAM) a été utilisé.
  • Physique : Résolution des équations de Navier-Stokes monophasiques pour la vitesse et la pression, couplées à une méthode Volume-of-Fluid (VoF) algébrique pour suivre l'interface CO2-Eau.
  • Conditions : Injection de CO2 dans un milieu saturé en eau à débit constant ($1 \times 10^{-8} m^3/s$), simulant un nombre capillaire d'environ $5 \times 10^{-6}$.
  • Résolution : 624 échantillons de taille 512 × 512 pixels (résolution spatiale de 35 µm) sur 100 pas de temps temporels.
  • Variables sorties : Saturation en eau, pression, pression capillaire, vitesses horizontale et verticale, et image binaire du domaine physique.

3. Contributions Clés

• Jeu de données de référence (Benchmark) : Introduction d'un dataset unique de 624 échantillons 2D haute résolution (512×512) couvrant une large gamme d'hétérogénéités géologiques.
• Granularité temporelle et spatiale : Contrairement aux datasets précédents, ce jeu de données capture l'évolution dynamique complète (100 pas de temps) et non seulement l'état final, permettant d'étudier les comportements transitoires.
• Diversité géologique : La couverture de cinq niveaux d'hétérogénéité (du bien trié au très hétérogène) permet de tester la capacité de généralisation des modèles face à des variations de taille de grains et de configurations spatiales.
• Accessibilité : Les données sont disponibles au format HDF5 et CSV, incluant les champs de vitesse, de pression et de saturation, ainsi que les propriétés pétrophysiques (porosité, perméabilité).

4. Résultats et Validation

Les auteurs ont évalué l'utilité du dataset en entraînant trois modèles U-Net pour prédire la saturation future du CO2 :

• Configuration des modèles :
  • Modèle A (5-Levels) : Entraîné sur l'ensemble complet des 5 niveaux d'hétérogénéité.
  • Modèle B (4-Levels) : Entraîné sur 4 niveaux (excluant le niveau 5).
  • Modèle C (1-Level) : Entraîné uniquement sur le niveau 1 (le plus homogène).
• Évaluation : Les modèles ont été testés sur des échantillons du niveau 5 (non vus par les modèles B et C).
• Performance :
  • Le modèle 5-Levels a obtenu l'erreur quadratique moyenne (MSE) la plus faible (0,0145), servant de référence.
  • Le modèle 4-Levels a surpassé le modèle 1-Level (MSE de 0,0254 contre 0,0320), démontrant que la diversité des données d'entraînement améliore la généralisation moyenne.
  • Analyse des erreurs : Bien que la diversité améliore la performance moyenne, les résultats montrent que cela n'entraîne pas une amélioration universelle sur chaque échantillon individuel. Certains cas hors distribution peuvent voir une performance légèrement dégradée par rapport à un modèle spécialisé, mais la robustesse globale est accrue.

5. Signification et Impact

Ce travail constitue une avancée significative pour le domaine de la géoscience numérique et de l'apprentissage automatique :

• Accélération de la recherche : Le dataset fournit une base solide pour développer des substituts ML rapides et précis, réduisant la dépendance aux simulations CFD coûteuses pour le criblage de scénarios.
• Compréhension des mécanismes : La disponibilité des champs temporels intermédiaires permet d'étudier des phénomènes complexes comme le détachement de gouttes (snap-off), la coalescence et la migration des ganglions, qui sont difficiles à modéliser avec des lois macroscopiques (Darcy).
• Robustesse des modèles : En exposant les modèles à une variété de structures poreuses, ce dataset favorise le développement d'algorithmes capables de généraliser à des formations géologiques réelles et complexes, essentiels pour optimiser les stratégies de stockage du CO2.

En résumé, cette publication ne fournit pas seulement des données, mais établit un standard pour l'évaluation des modèles de ML dans le contexte de l'écoulement multiphasique en milieux poreux, comblant le fossé entre la simulation physique de haute fidélité et les applications pratiques de l'intelligence artificielle.