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

本論文は、高解像度の「FluidFlower」実験データを用いた、従来の解析手法と比較してパラメータ同定およびシミュレーション精度において大幅な改善を示す、畳み込みニューラルネットワークサロゲートとベイズ推論を組み合わせることで多相CO2-塩水流動ダイナミクスを効率的に予測・校正する科学的機械学習フレームワークを提示するものである。

要約

あなたは、インクの滴がスポンジの中をどのように広がるかを予測しようとしていると想像してください。しかし、そのスポンジはさまざまな種類の砂でできており、隠れた亀裂（断層）もあります。さらに、インクの正体は地下に注入される二酸化炭素ガスです。これが「地層への炭素貯留」という課題です。つまり、ガスが正確にどこへ行き、どのように閉じ込められるのかを解明し、安全に貯留する方法を見つけ出すことです。

問題は、そこに関わる物理学が非常に複雑であることです。従来のコンピュータモデルを使って完璧な答えを得ようとすると、膨大な時間がかかるシミュレーションを実行しなければなりません。もし、「もし砂の孔隙率（隙間の多さ）が少し違ったら？」といった不確実性を知りたい場合、それらの遅いシミュレーションを数千回実行する必要があります。これにはあまりにも長い時間と、膨大な計算能力のコストがかかります。

この論文は、計算を高速化し、より優れた予測を行うための、科学的機械学習（SciML）を用いた巧妙な解決策を提示しています。彼らがどのように行ったのかを、簡単に説明します。

1. 「素早い弟子」（サロゲートモデル）

従来の高精度なコンピュータシミュレーションを、完璧な料理を作ることはできるが、完成までに3日かかる「熟練のシェフ」だと考えてください。どの料理が一番美味しいかを確認するために、シェフに1,000通りのバリエーションを作らせることはできません。

著者らは、熟練のシェフの代わりに働く「素早い弟子」として、畳み込みニューラルネットワーク（CNN）を訓練しました。これを「サロゲート（代理モデル）」と呼びます。

• 学習: 彼らは、弟子の教材として、熟練のシェフによる98個の事例（「FluidFlower」タンク内でのCO2の動きのシミュレーション）を与えました。
• 習得: 弟子はパターンを学習しました。ガスがどのように上昇し、どのように横方向に広がり、どのように異なる砂の層に引っかかるのかを学んだのです。
• 結果: 一度訓練されると、この弟子は新しいシナリオの結果を、わずか一瞬で予測できます。これは熟練のシェフよりも数百万倍速く、全体像を正しく捉えることができます。ガス雲（プルーム）の主要な形状や動きを捉えますが、予測が困難な微細で混沌とした動き（フィンガリング）については、一部見逃すこともあります。

2. 「探偵ゲーム」（ベイズ推論）

さて、素早い弟子を手に入れたところで、次に解くべきは「隠された岩石の特性は何か？」という探偵の問題です。

現実の世界では、岩石の各層の浸透率（流体の通りやすさ）や圧力を正確に知ることはできません。得られるのは、わずかな測定値だけです。

• 従来の方法: 科学者たちは、岩石の特性を推測し、熟練のシェフによる遅いシミュレーションを実行し、実験結果と比較して、推測を微調整してきました。これまでは、「1時間後のガス雲の大きさ」のような、わずかな数値のみを見て手動で行われてきました。
• 新しい方法: 著者らは、高速な弟子をベイズ推論（統計的手法）の枠組みの中で活用しました。コンピュータに、数千もの「もしも」のシナリオを瞬時に実行させたのです。
• ひねり: 単にいくつかの数値を見るのではなく、彼らは実験の動画全体をコンピュータに読み込ませました。実験中のガス雲がどのように動いているかという「映像全体」を、弟子の予測と比較したのです。

3. 彼らが発見したこと

• 精度の向上: 高速な弟子と動画全体を用いることで、彼らのモデルは、従来の試みよりも実験結果にずっと正確に一致しました。ガス雲がどのように「断層（岩の裂け目）」に当たり、どのように「シール（ガスを遮断する層）」の下へと広がったかを、正しく予測できました。
• 「指紋」の問題: 異なる岩石の特性の組み合わせが、時として同じような見た目のガス雲を作り出すことがあるという事実を発見しました。それは、まるで異なる指紋が窓に同じような汚れを残すようなものです。つまり、岩石の特性について「唯一の完璧な答え」があるわけではなく、いくつかの妥当な答えが存在するのです。彼らの機械学習フレームワークは、単に一つの答えを選ぶのではなく、これらすべての可能性をマッピングすることに成功しました。
• タイミングの重要性: 彼らは、どれだけのデータが必要かをテストしました。ガス雲が主要な地質学的特徴（断層やシールなど）と相互作用した時点で、データが非常に情報量豊かになることがわかりました。その時点以降にデータを追加しても、あまり効果はありませんでした。これはパズルを解くようなものです。角のピースやメインの画像が見つかってしまえば、残りの端のピースをいくら足しても、絵柄は大きく変わりません。

「FluidFlower」実験

この研究全体は、「FluidFlower」と呼ばれる実在の実験に基づいてテストされました。これは、さまざまな層の砂が入った大きな透明なタンクを想像してください。科学者はCO2（pH指示薬によって水中で青色に変化します）を注入し、それがどのように動くかを観察します。タンクが透明であるため、ガス雲が進化していく様子を動画として丸ごと撮影することができます。これが、AIの弟子が実際に正しい物理法則を学習しているかどうかを検証するための「正解（グラウンド・トゥルース）」となりました。

まとめ

この論文は、高速なAI「弟子」と統計的な「探偵ゲーム」を組み合わせることで、以下のことが可能であることを示しています。

1. 二酸化炭素が地下でどのように移動するかを、従来よりもはるかに速く予測する。
2. 実世界の実験データを用いて、隠された岩石の特性を明らかにする。
3. 私たちが何を知ることができ、何が曖昧であるのか（限界）を理解する。

これは、炭素貯留地の「デジタルツイン（仮想的な双子）」を作成するための大きな一歩です。つまり、気候変動対策としての炭素貯留を安全に行うための意思決定を支援できるほど、正確な仮想モデルの構築へとつながるのです。

技術概要

技術要約：科学的機械学習を用いた多相流ダイナミクスの学習と推論

問題提起
多孔質媒体における多相流の正確な予測とパラメータ同定は、地中二酸化炭素貯留（GCS）にとって極めて重要であるが、強い非線形性、高次元のパラメータ空間、および乏しい観測データのために依然として困難な課題となっている。従来の高忠実度数値シミュレーションは精緻ではあるものの、計算コストが高いため、不確実性定量化、逆解析、またはリアルタイムの意思決定には実用的ではない。さらに、フィールドスケールのデータの不足が、モデルの検証と実用的な知見との間の乖離を生んでいる。実験室レベルの制御された実験である「FluidFlower」ベンチマークのような高解像度データは存在するものの、そのようなデータに対するヒストリーマッチングは往々にして不良設定問題であり、時空間情報を十分に活用できない、反復的で専門家によるガイドを必要とするキャリブレーションを要する。

手法
著者らは、CO2-塩水流の順方向予測と逆パラメータ推定に対処するため、サロゲートモデリングとベイズ推論を統合した科学的機械学習（SciML）フレームワークを提案している。

1. 順方向サロゲートモデリング:

   • データ生成: MATLAB Reservoir Simulation Toolbox (MRST) を用いて、「FluidFlower」実験の高忠実度数値シミュレーションを生成した。これらのシミュレーションは、ヒステリシスを持つ毛管圧および相対浸透率関数を伴う、二相・二成分流の質量保存方程式を解いたものである。
   • アーキテクチャ: 地質学的パラメータの実現値から、CO2飽和度および溶解CO2濃度の進化場のマッピングを学習するために、UNetアーキテクチャに基づく畳み込みニューラルネットワーク（CNN）を用いた。
   • 入出力: モデルは、空間的に構造化されたパラメータ場（透過率、毛管進入圧、共生水飽和度、および3つの地質領域［貯留砂層、断層砂層、トップシール］に対する相対浸透率指数）と時間を入力として受け取る。出力は、一様な64 × 128グリッド上の対応する溶解CO2濃度およびガス飽和度場である。
   • 学習: サロゲートは98回のシミュレーション実行（45,668個の入出力ペア）で学習され、未知のケースに対してテストされた。その結果、元のフルフィジックス・シミュレーションよりも数桁高速な加速を実現した。

2. 逆パラメータ推論:

   • フレームワーク: 学習済みサロゲートを、ベイズ推論を実行するためにマルコフ連鎖モンテカルロ法（emcee アンサンブルサンプラーを使用）内に組み込んだ。
   • 尤度: 実験的に観察された溶解およびガス状CO2プルームのバイナリマップ（「FluidFlower」の写真の画像処理から派生）を、閾値処理されたサロゲート予測と比較することで、尤度関数を構築した。
   • 目的: このアプローチにより、15次元のパラメータ空間を効率的に探索し、主要な物理特性の事後分布を特定することが可能となり、繰り返しのフルフィジックス・シミュレーションに伴う膨大なコストを回避できる。

主な結果

• 順方向予測の精度: サロゲートモデルは、大規模なCO2プルームの移動、浮力駆動の上昇運動、側方への拡散、および不均質な地質構造（断層やシール）との相互作用を正確に捉えている。流体力学的な不安定性に起因する微細なフィンガリング構造には僅かな不一致が見られるものの、モデルはマクロな輸送挙動において高い忠実度を維持している。最適輸送ワッサースタイン距離（OTWD）を用いた定量的分析によれば、サロゲートの予測は、解の複雑さが増大するにつれて、典型的な学習実現値よりも参照解に近いことが示されている。
• 逆推論の性能: サロゲート支援型のベイズ逆解析は、限定的なスカラー量に基づいた手動のキャリブレーションと比較して、シミュレーションと実験的観察との一致を有意に改善した。推定された最大事後確率（MAP）解は、特に断層やシール層の影響を受ける領域において、大規模なプルームの形状、垂直方向の広がり、および移動経路をより良く再現している。
• パラメータの識別可能性: 解析の結果、一部のパラメータ（特定の領域における透過率倍率など）は観察によってよく制約されている一方で、他のパラメータは広く分布しているか、あるいは複数のモードを示すことが明らかになった。これは、異なるパラメータの組み合わせが同様のマクロなプルーム挙動を生じさせるという、逆問題の非一意性を浮き彫りにしている。
• 観測ホライゾンの影響: プルームが主要な地質学的特徴（断層やシール層）と相互作用するようになると、観測データが実質的に情報量を持つようになることが示された。プルームが主要な移動経路を確立した時点を超えて観測ホライゾンを延長しても、残りの不一致は敏感な微細フィンガリングのダイナミクスに支配されるため、大規模な輸送挙動を制約することへの寄与は減少する。

意義と主張
本論文は、このフレームワークが地下システムにおけるデータ駆動型のデジタルツインへの重要なステップを提供するものであると主張している。空間的および時間的に解像されたフルフィールドの実験的観察を活用することで、このアプローチは、限定的なスカラー量に基づいた従来の手動キャリブレーションと比較して、シミュレーションと実験とのマクロな一致を大幅に向上させている。

著者らは、サロゲートモデルが単なる補間ではなく、物理的に意味のある輸送挙動を学習しており、複雑で非線形な流動レジームにおいても堅牢な性能を維持していることを強調している。SciMLをベイズ推論と統合することで、高次元のパラメータ空間の探索を計算可能なものとし、識別可能なパラメータと識別不可能なパラメータの組み合わせの両方を明らかにすることができる。この能力は、不確実性を考慮した予測と意思決定をサポートし、高忠実度シミュレーションと、地中CO2貯留のリスク評価における実用的な知見との間のギャップを埋めるものである。本研究は、これらのアプローチを物理的実態に対して検証する上で、「FluidFlower」ベンチマークが、合成データセットを超えて極めて重要であることを強調している。