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

Titolo

Solver Ibrido per la Cattura e Stoccaggio della CO2: Integrazione di Analisi Isogeometrica a Direzioni Alternate e Reti Neurali Fisicamente Informate (IGA-ADS-CRVPINN)

1. Il Problema

Il lavoro si concentra sulla simulazione numerica dello stoccaggio geologico della CO2 (Carbon Capture and Sequestration - CCS) in strutture porose sotterranee (es. acquiferi salini, giacimenti esauriti). L'obiettivo è modellare il comportamento fisico della CO2 iniettata, escludendo le reazioni chimiche complesse, ma considerando i fenomeni di trasporto fisico.

Il modello matematico si basa sulle leggi di Darcy per il flusso bifase (brina e gas) in un mezzo poroso. Il sistema è governato da due equazioni accoppiate:

1. Equazione di saturazione: Un'equazione di evoluzione temporale (parabolica) che descrive la variazione della saturazione del gas ($S_g$).
2. Equazione di pressione: Un'equazione ellittica stazionaria che determina il campo di pressione ($p$) in funzione della saturazione corrente e delle proprietà del mezzo (permeabilità, porosità, viscosità).

La sfida principale risiede nella risoluzione efficiente dell'equazione di pressione, che è stazionaria e richiede la soluzione di grandi sistemi lineari ad ogni passo temporale, diventando un collo di bottiglia computazionale nei metodi tradizionali.

2. Metodologia

Gli autori propongono un solver ibrido che combina due approcci distinti per gestire le diverse nature delle equazioni del sistema:

• Per la Saturazione (Campo Scalare Evolutivo): Viene utilizzato il solver IGA-ADS (IsoGeometric Analysis Alternating Directions Solver).

  • Si basa sul metodo degli elementi finiti isogeometrici (IGA) con funzioni di base B-spline.
  • Utilizza una proiezione $L^2$ e un metodo esplicito (Euler in avanti) per aggiornare la saturazione ad ogni passo temporale.
  • Sfrutta la struttura a prodotto di Kronecker della matrice Gram per invertire i sistemi lineari in modo efficiente (costo lineare $O(N)$) tramite l'algoritmo di Thomas.

• Per la Pressione (Campo Scalare Stazionario): Viene sostituito il solver diretto tradizionale (MUMPS) con il solver CRVPINN (Collocation-based Robust Variational Physics Informed Neural Networks).

  • CRVPINN è un'estensione delle PINN (Physics Informed Neural Networks) che utilizza residui deboli discreti invece di quelli forti.
  • Introduce punti di collocazione e funzioni di test delta di Kronecker per evitare costose integrazioni numeriche dei residui deboli.
  • Utilizza una funzione di perdita robusta che incorpora l'inverso della matrice Gram (calcolata tramite fattorizzazione LU una sola volta all'inizio) per garantire la stabilità inf-sup.
  • La rete neurale viene pre-addestrata sulla configurazione iniziale di pressione e poi aggiornata con pochi iterazioni (100 passi Adam) ad ogni nuovo passo temporale basato sulla nuova saturazione.

Algoritmo Ibrido:

1. Si parte da una saturazione iniziale $S^0_g$ (espressa in B-spline).
2. Si pre-addestra la CRVPINN per la pressione iniziale $p^0$.
3. Si calcola l'aggiornamento della saturazione $S^{n+1}_g$ usando IGA-ADS e la pressione corrente.
4. Si aggiorna la pressione $p^{n+1}$ risolvendo l'equazione ellittica tramite CRVPINN (addestramento rapido su 100 epoche).
5. Si ripete il ciclo.

3. Contributi Chiave

• Sviluppo di un Solver Ibrido: Integrazione efficace tra un metodo numerico classico ad alta precisione (IGA-ADS) per l'evoluzione temporale e un metodo basato su Deep Learning (CRVPINN) per la risoluzione di equazioni stazionarie.
• Efficienza Computazionale: Sostituzione del solver diretto MUMPS (che ha un costo computazionale di $O(N^{1.5})$ o superiore per problemi 2D) con CRVPINN, riducendo drasticamente il tempo di calcolo per l'aggiornamento della pressione.
• Robustezza del Loss Function: Implementazione di una funzione di perdita basata sul residuo debole discreto e sulla matrice Gram inversa, che garantisce stabilità numerica senza richiedere l'inversione esplicita e costosa della matrice ad ogni iterazione.
• Validazione su Casi Reali: Test eseguiti su tre configurazioni di reservoir con mappe di permeabilità e porosità variabili (K1, K2, K3), dimostrando la capacità del metodo di gestire eterogeneità complesse.

4. Risultati

Gli esperimenti sono stati condotti su un nodo computazionale del cluster ARES (ACK CYFRONET) con CPU Intel Xeon Gold e una GPU NVIDIA A100.

• Accuratezza:
  • Per casi con permeabilità uniforme, l'errore relativo tra la soluzione CRVPINN e il solver di riferimento (IGA-ADS + MUMPS) è inferiore al 5%.
  • Per casi con mappe di permeabilità non uniformi (più complesse), l'accordo rimane ragionevole, con errori relativi nell'ordine del 15-20% in alcune aree, migliorando con sorgenti di iniezione più ampie o intense.
• Prestazioni e Velocità:
  • Il solver ibrido IGA-ADS + CRVPINN è oltre 3 volte più veloce rispetto alla configurazione di base IGA-ADS + MUMPS.
  • Tempi di esecuzione (esempio mesh 128x128 vs 100x100 punti di collocazione):
    • IGA-ADS + MUMPS: ~10.800 secondi totali (di cui ~5.800s solo per il solver di pressione).
    • IGA-ADS + CRVPINN: ~3.400 secondi totali (inclusi pre-training di 500s e aggiornamenti rapidi di 3-5s per passo).
  • Il pre-training richiede circa 500-600 secondi, ma l'aggiornamento per ogni passo temporale successivo richiede solo 3-5 secondi (100 iterazioni Adam).
• Scalabilità: Il solver è stato testato con successo anche su risorse limitate (laptop consumer) e su Google Colab, dimostrando accessibilità senza bisogno di supercomputer dedicati per l'uso di base.

5. Significato e Prospettive Future

Questo lavoro dimostra che l'integrazione di metodi numerici classici (IGA) con tecniche di intelligenza artificiale (PINN) può superare i colli di bottiglia computazionali nelle simulazioni di ingegneria dei reservoir, offrendo un compromesso ottimale tra accuratezza e velocità.

• Impatto: La riduzione del tempo di calcolo di un fattore 3 rende fattibili simulazioni più rapide, utili per l'ottimizzazione in tempo reale o per lo studio di scenari multipli.
• Futuro: Gli autori pianificano di:
  • Risolvere problemi inversi (identificare la posizione ottimale dei pozzi di iniezione e i parametri regolabili).
  • Applicare il metodo allo stoccaggio dell'Idrogeno (H2).
  • Migliorare l'efficienza riducendo i costi di comunicazione tra i due solver e parallelizzando CRVPINN su più GPU.
  • Implementare metodi hp-adattivi per migliorare ulteriormente la qualità della simulazione.

In sintesi, il paper presenta una soluzione innovativa che trasforma un problema computazionalmente oneroso in un processo efficiente, mantenendo un livello di accuratezza accettabile per applicazioni ingegneristiche reali nello stoccaggio di gas serra.