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

논문 요약: CO2 지중 저장 (Sequestration) 을 위한 하이브리드 솔버 (IGA-ADS-CRVPINN)

1. 문제 정의 (Problem)

• 배경: 지구 온난화 완화를 위한 이산화탄소 (CO2) 포집 및 저장 (CCS) 기술의 중요성이 대두되고 있습니다. 특히, 천연 또는 인공 지하 다공성 구조물 (폐유전, 광산, 대수층 등) 에 CO2 를 주입하여 저장하는 방식이 경제적이고 생태적으로 유망한 전략으로 평가받고 있습니다.
• 수학적 모델: 본 연구는 화학 반응을 배제하고 다공성 매질 내 CO2 의 물리적 거동 (포화도 및 압력 분포) 에 초점을 맞춥니다. 모델은 **다르시 법칙 (Darcy's Law)**에 기반한 편미분 방정식 (PDE) 시스템으로 구성됩니다.
  • 미지수: 가스 포화도 ($S_g$) 와 압력 ($p$).
  • 특징: 포화도 방정식은 시간에 의존하는 비선형 방정식인 반면, 압력 방정식은 주어진 포화도 상태에서 정적 (Stationary) 인 PDE 로 표현됩니다.
• 기존 방식의 한계: 기존 수치 해석 방법 (IGA-ADS) 은 포화도 계산에는 효과적이지만, 압력 방정식을 풀기 위해 직접 솔버 (Direct Solver, 예: MUMPS) 를 사용할 경우 계산 비용이 매우 높아 전체 시뮬레이션 속도를 저하시킵니다.

2. 방법론 (Methodology)

저자들은 IGA-ADS-CRVPINN이라는 하이브리드 솔버를 제안하여 포화도와 압력 계산을 효율적으로 분리 처리합니다.

• 하이브리드 아키텍처:

  1. 포화도 (Saturation) 계산: **IGA-ADS (IsoGeometric Analysis Alternating Directions Solver)**를 사용합니다.
     • B-스플라인 (B-spline) 기반의 등기하학적 유한 요소법 (IGA) 을 적용합니다.
     • 명시적 시간 적분 (Explicit method) 을 사용하여 포화도 스칼라 필드를 업데이트합니다.
     • 이 방법은 높은 연속성과 정확도를 가지며, 대수적 구조 (Kronecker product) 를 활용하여 선형 비용 ($O(N)$) 으로 계산 가능합니다.
  2. 압력 (Pressure) 계산: **CRVPINN (Collocation-based Robust Variational Physics Informed Neural Networks)**을 사용합니다.
     • 기존 PINN 의 약점인 강한 잔차 (Strong residual) 대신, 약한 잔차 (Weak residual) 를 기반으로 합니다.
     • 크로네커 델타 (Kronecker delta) 테스트 함수를 사용하여 약한 형태의 잔차를 이산화하고, 그람 행렬 (Gram matrix) 의 역행렬을 도입하여 Robust Loss Function을 구성합니다.
     • 이를 통해 적분 연산을 피하면서도 수치적 안정성 (Inf-sup 안정성) 을 확보합니다.

• 알고리즘 흐름:

  1. 초기 조건 (포화도 $S_g^0$) 에 대해 CRVPINN 모델을 사전 학습 (Pre-training) 하여 초기 압력 $p^0$을 구합니다.
  2. IGA-ADS 를 사용하여 포화도 $S_g$를 시간 단계별로 업데이트합니다.
  3. 업데이트된 포화도를 입력으로 받아 CRVPINN 을 통해 새로운 압력 $p$를 예측합니다.
     • 각 시간 단계마다 CRVPINN 은 Adam 최적화기를 사용하여 약 100 회 반복 (Epoch) 만 수행하여 빠르게 압력을 업데이트합니다.
     • 그람 행렬의 LU 분해는 시뮬레이션 시작 시 한 번만 수행하여 효율성을 높입니다.

3. 주요 기여 (Key Contributions)

• 성능 최적화: 기존의 IGA-ADS + MUMPS (직접 솔버) 방식 대비 단일 계산 노드에서 3 배 이상 빠른 계산 속도를 달성했습니다.
• 하이브리드 접근법: 전통적인 수치 해석 (IGA) 과 최신 머신러닝 (PINN) 을 결합하여 각 방법의 장점을 극대화했습니다.
  • IGA: 포화도 이류 (Advection) 문제 해결에 탁월.
  • CRVPINN: 압력 방정식 (타원형 PDE) 해결에 있어 직접 솔버의 높은 계산 비용을 대체.
• 강건한 손실 함수: 그람 행렬의 역행렬을 활용한 Robust Loss 를 도입하여, PINN 이 복잡한 물리 법칙을 더 안정적으로 학습하도록 했습니다.
• 확장성: 균일한 투과율뿐만 아니라, 실제 지질 조건과 유사한 비균일 투과율 맵 (Permeability maps) 을 가진 복잡한 시나리오에서도 유효성을 입증했습니다.

4. 실험 결과 (Results)

• 시뮬레이션 설정:
  • 50m x 50m 의 2D 영역, 다양한 투과율/공극률 맵 (K1, K2, K3) 적용.
  • IGA-ADS: 128x128 격자 (이차 B-스플라인).
  • CRVPINN: 100x100 콜로케이션 포인트.
• 정확도:
  • 균일 투과율: CRVPINN 과 MUMPS 솔버 간 상대 오차가 5% 미만으로 매우 높은 정확도를 보였습니다.
  • 비균일 투과율: 투과율 맵의 복잡성으로 인해 일부 영역에서 **15~20%**의 오차가 발생했으나, 전체적인 물리적 거동은 잘 재현되었습니다.
• 성능 비교 (ARES 클러스터 단일 노드 기준):
  • IGA-ADS + MUMPS: 약 10,800 초 소요 (포화도 1,200 초 + 압력 3,800 초 + 솔버 5,800 초).
  • IGA-ADS + CRVPINN: 약 3,400 초 소요 (포화도 1,200 초 + 통신 1,300 초 + CRVPINN 900 초).
  • 결과: 하이브리드 솔버가 약 3.17 배 더 빠릅니다.
  • CRVPINN 의 사전 학습은 약 500 초가 소요되지만, 이후 시간 단계별 업데이트는 3~5 초 내외로 매우 신속합니다.

5. 의의 및 향후 과제 (Significance & Future Work)

• 의의:
  • CO2 지중 저장 시뮬레이션의 계산 비용을 획기적으로 줄여, 실시간 또는 대규모 시나리오 분석을 가능하게 합니다.
  • 고성능 컴퓨팅 (HPC) 자원 (GPU) 만이 아닌, Google Colab 과 같은 일반적인 환경에서도 실행 가능한 경량화된 솔루션을 제시합니다.
  • 수소 (H2) 저장 문제와 같은 다른 에너지 저장 시나리오에도 적용 가능한 범용성을 가집니다.
• 향후 과제:
  • 역문제 (Inverse Problem) 해결: 주입 위치 최적화 및 매개변수 추정 문제 적용.
  • 성능 개선: IGA-ADS 와 CRVPINN 간의 통신 비용 절감 및 멀티 GPU 병렬화.
  • 정밀도 향상: hp-adaptive 방법을 통한 시뮬레이션 품질 개선.

이 논문은 물리 정보 신경망 (PINN) 을 전통적인 수치 해석 기법과 결합하여 복잡한 유체 역학 문제를 해결하는 새로운 패러다임을 제시하며, 탄소 중립 기술의 발전에 중요한 기여를 할 것으로 기대됩니다.