CarbonNet: How Computer Vision Plays a Role in Climate Change? Application: Learning Geomechanics from Subsurface Geometry of CCS to Mitigate Global Warming

Sintesi Tecnica: CarbonNet – Computer Vision per la Geomeccanica nella CCS

Definizione del Problema
La cattura e lo stoccaggio del carbonio (CCS) è una tecnologia critica per mitigare il riscaldamento globale, che prevede l'iniezione di CO₂ supercritica in acquiferi salini profondi o in giacimenti petroliferi abbandonati. Un rischio primario associato a questo processo è il rigonfiamento superficiale (spostamento del terreno) causato da un'eccessiva pressione dei fluidi, che può danneggiare le infrastrutture e compromettere la sicurezza umana. Prevedere la distribuzione spaziale e l'evoluzione temporale di questa deformazione superficiale è essenziale per l'evitamento dei rischi. Tuttavia, le simulazioni numeriche tradizionali (ad esempio, il Metodo degli Elementi Finiti) sono computazionalmente proibitive a causa delle grandi scale spaziali e temporali dei progetti CCS. Inoltre, gli approcci di deep learning esistenti spesso faticano con l'eterogeneità dei materiali, l'accoppiamento tra flusso di fluidi e meccanica, o sono limitati a specifici contesti geologici. Questo progetto affronta la sfida di prevedere efficientemente lo spostamento della superficie terrestre sotto diverse geometrie del sottosuolo utilizzando tecniche di computer vision.

Metodologia
Gli autori formulano il problema come un compito di predizione image-to-image per la meccanica statica e un compito di predizione video per la meccanica transitoria. L'input consiste in immagini 2D che rappresentano la geometria del sottosuolo (specificamente, uno strato di scisto con angoli di dip variazione inserito tra due strati permeabili), e l'output è il corrispondente campo di spostamento superficiale.

1. Generazione del Dataset:

   • Modello Statico: 10.000 campioni sono stati generati utilizzando FEniCS (simulazione basata su FEM). Gli input sono immagini di geometria con angoli di dip compresi tra 0° e 45°. Le etichette sono i valori di spostamento verticale ($u_y$) in 1.250 punti su una griglia di 50×25.
   • Modello Transitorio: 3.000 campioni sono stati generati utilizzando simulazioni idro-meccaniche accoppiate. Gli input sono immagini di geometria, e le etichette sono dati di serie temporali dello spostamento verticale in 40 punti sulla superficie del suolo su 1.000 passi temporali. Le sequenze di dati sono state create utilizzando finestre scorrevoli (5 passi per predire il successivo) e normalizzate tramite scaling min-max.

2. Modelli di Meccanica Statica (Predizione di Immagini):

   • Baseline: Sono state testate architetture standard CNN e ResNet (ResNet18). Questi modelli sottocampionano le immagini per estrarre caratteristiche, ma si è scoperto che perdono informazioni spaziali critiche, portando a imprecisioni nelle regioni eterogenee.
   • Modello Proposto (ResNetUNet): Un'architettura personalizzata che combina ResNet e UNet. L'encoder utilizza blocchi ResNet per catturare leggi fisiche complesse e distribuzioni di materiali eterogenei, mentre il decoder impiega l'upsampling in stile UNet con connessioni skip per recuperare i dettagli spaziali e prevenire la perdita di informazioni.

3. Modelli di Meccanica Transitoria (Predizione Video/Serie Temporali):

   • Estrazione delle Caratteristiche: Entrambi i modelli utilizzano la ResNetUNet pre-addestrata per estrarre le caratteristiche dall'immagine di geometria in input.
   • LSTM: Una rete Long Short-Term Memory (4 celle LSTM impilate) elabora la sequenza di valori di spostamento (dimensione 40) per predire il passo temporale successivo.
   • Transformer: Un'architettura encoder-decoder Transformer elabora la sequenza. Utilizza meccanismi di self-attention per catturare le dipendenze a lungo termine, superando teoricamente la perdita di informazioni sequenziali inerente alle LSTM. L'encoder e il decoder consistono ciascuno in quattro strati con una dimensione del modello di 16 e 8 teste di attenzione.

Risultati Chiave

• Meccanica Statica: Il modello ResNetUNet ha superato significativamente sia la CNN che le baseline ResNet. I confronti visivi hanno mostrato che le predizioni di ResNetUNet sono quasi identiche alla verità di base (ground truth) basata sulla fisica, mentre CNN e ResNet hanno mostrato perdita di informazioni e minore accuratezza, particolarmente nelle regioni eterogenee. Quantitativamente, ResNetUNet ha ottenuto un MSE di validazione di $7,33 \times 10^{-8}$ e un MAE di $2,00 \times 10^{-4}$, ordini di grandezza inferiori rispetto alle baseline.
• Meccanica Transitoria: Sia i modelli LSTM che i modelli Transformer hanno predetto con successo l'evoluzione temporale dello spostamento superficiale. Il modello Transformer ha dimostrato prestazioni superiori con un MSE di validazione inferiore ($3,86 \times 10^{-9}$) e un MAE ($1,50 \times 10^{-6}$) rispetto all'LSTM. Sebbene l'LSTM mostrasse un potenziale promettente, il meccanismo di self-attention del Transformer ha permesso di gestire meglio i dati di sequenza ad alta dimensionalità (40 punti), adattandosi quasi perfettamente alla verità di base.
• Dinamiche di Addestramento: Tutti i modelli sono stati addestrati senza cross-validazione a causa dell'abbondanza di dati sintetici. Le cronologie della perdita (loss histories) non hanno indicato segni di overfitting o underfitting.

Significatività e Rivendicazioni
Il documento sostiene di presentare un approccio allo stato dell'arte che sfrutta l'intelligenza della computer vision per risolvere complessi problemi di geomeccanica accoppiata e flusso di fluidi. La principale significatività risiede nel generalizzare la soluzione a arbitrarie immagini di geometria in input, andando oltre i modelli limitati a specifiche formazioni geologiche.

• Efficienza: L'approccio offre un'alternativa computazionalmente efficiente alle simulazioni numeriche tradizionali, consentendo una pianificazione più rapida per i progetti CCS.
• Efficacia dell'Architettura: Lo studio dimostra che l'architettura ResNetUNet è particolarmente efficace per i problemi di meccanica statica eterogenea preservando l'informazione spaziale attraverso le connessioni skip.
• Modellazione Temporale: Il lavoro valida l'applicabilità dei modelli Transformer nella predizione di serie temporali geomeccaniche, mostrando che possono superare le reti ricorrenti tradizionali (LSTM) nel catturare le dipendenze a lungo termine in sistemi fisici.
• Impatto Futuro: Gli autori sostengono che questi modelli possano informare il processo decisionale nella sorveglianza dello stoccaggio del carbonio per mitigare il cambiamento climatico. Il lavoro futuro include il test della robustezza con reti avversarie generative (GAN) per geometrie più complesse e il rilascio di una versione alpha di un'applicazione web per l'accesso pubblico.