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

본 논문은 고해상도 "FluidFlower" 실험 데이터를 사용하여 기존 방식보다 매개변수 식별 및 시뮬레이션 정확도를 크게 향상시킨, 다상 CO2-염수 유동 역학을 효율적으로 예측하고 보정하기 위해 합성곱 신경망 대리 모델과 베이지안 추론을 결합한 과학적 머신러닝 프레임워크를 제시한다.

핵심

당신이 스펀지 속으로 퍼져나가는 잉크 방울을 예측하려고 한다고 상상해 보세요. 하지만 이 스펀지는 다양한 종류의 모래로 만들어져 있고, 숨겨진 균열(단층)도 있습니다. 또한 잉크는 실제로 지하에 주입되는 이산화탄소 가스입니다. 이것이 바로 **지질 탄소 저장(geological carbon storage)**의 과제입니다. 즉, 가스가 정확히 어디로 이동하고 어떻게 안전하게 갇히게 될지를 파악하는 것입니다.

문제는 여기에 연관된 물리학이 믿기 힘들 정도로 복잡하다는 점입니다. 전통적인 컴퓨터 모델을 사용하여 완벽한 답을 얻으려면, 거대하고 느린 시뮬레이션을 실행해야 합니다. 만약 당신이 결과에 대해 얼마나 불확실한지(예: "만약 모래의 공극률이 약간 더 높다면?") 알고 싶다면, 이 느린 시뮬레이션을 수천 번 실행해야 합니다. 이는 시간이 너무 오래 걸리고 컴퓨팅 자원 비용도 너무 많이 듭니다.

이 논문은 속도를 높이고 더 나은 예측을 하기 위해 **과학적 머신러닝(Scientific Machine Learning, SciML)**을 사용한 영리한 해결책을 제시합니다. 그들이 어떻게 했는지 쉽게 설명하면 다음과 같습니다.

1. "빠른 견습생" (대리 모델, The Surrogate Model)

전통적인 고정밀 컴퓨터 시뮬레이션을 완벽한 요리를 만들 수 있지만 만드는 데 사흘이 걸리는 마스터 셰프라고 생각해 보세요. 마스터 셰프에게 어떤 요리가 가장 맛있는지 확인하기 위해 1,000가지 변형된 요리를 만들어 달라고 요청할 수는 없습니다.

저자들은 마스터 셰프의 역할을 대신할 **합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합합

기술 요약

기술 요약: 과학적 머신러닝을 이용한 다상 유동 역학의 학습 및 추론

문제 정의
다공성 매질 내 다상 유동(multiphase flow)에 대한 정확한 예측과 파라미터 식별은 지질학적 이산화탄소 저장(GCS)에 매우 중요하지만, 강한 비선형성, 고차원 파라미터 공간, 그리고 희소한 관측 데이터로 인해 여전히 도전적인 과제로 남아 있다. 정교한 기존의 고충실도 수치 시뮬레이션은 매우 복잡하지만 계산 비용이 많이 들어, 불확실성 정량화, 역모델링(inverse modeling) 또는 실시간 의사결정에는 부적합하다. 또한, 현장 규모의 데이터 부족은 모델 검증과 실행 가능한 통찰 사이의 불일치를 야기한다. "FluidFlower" 벤치마크와 같은 제어된 실험실 실험은 고해상도 데이터를 제공하지만, 이를 대상으로 한 히스토리 매칭(history matching)은 종종 부적절하게 정의된 문제(ill-posed problem)가 되어, 시공간적 정보를 충분히 활용하지 못하는 반복적이고 전문가 주도의 보정 과정을 필요로 한다.

방법론
저자들은 CO2-브라인(brine) 흐름에 대한 순방향 예측과 역파라미터 추정을 해결하기 위해 대리 모델(surrogate modeling)과 베이지안 추론을 결합한 과학적 머신러링(SciML) 프레き임워크를 제안한다.

1. 순방향 대리 모델링 (Forward Surrogate Modeling):

   • 데이터 생성: MATLAB Reservoir Simulation Toolbox (MRST)를 사용하여 "FluidFlower" 실험의 고충실도 수치 시뮬레이션을 생성하였다. 이 시뮬레이션은 히스테리시스 특성을 가진 모세관 압력 및 상대 투과도 함수를 포함하는 2상 2성분 흐름의 질량 보존 방정식을 풀었다.
   • 아키텍처: 지질학적 파라미터 실현(realization)으로부터 CO2 포화도 및 용존 CO2 농도장의 진화로의 매핑을 학습하기 위해 UNet 아키텍처 기반의 합성곱 신경망(CNN)을 훈련시켰다.
   • 입력/출력: 모델은 공간적으로 구조화된 파라미터 필드(세 가지 지질 영역인 저장 샌드, 단층 샌드, 상부 씰(top seal)에 대한 투과도, 모세관 진입 압력, 초기 함유 수분 포화도 및 상대 투과도 지수)와 시간을 입력으로 받는다. 모델은 이에 대응하는 용존 CO2 농도 및 가스 포화도 필드를 64 × 128 균일 격자 상에서 출력한다.
   • 훈련: 대리 모델은 98회의 시뮬레이션 실행(45,668개의 입출력 쌍)을 통해 훈련되었으며, 미학습 사례에 대해 테스트되었다. 이는 기존의 물리 기반 전체 시뮬레이션보다 수십 배 빠른 속도를 달축성했다.

2. 역파라미터 추론 (Inverse Parameter Inference):

   • 프레임워크: 훈련된 대리 모델을 MCMC 프레임워크(ensemble sampler인 emcee 사용) 내에 삽입하여 베이지안 추론을 수행하였다.
   • 우도 (Likelihood): "FluidFlower" 사진의 이미지 프로세싱으로부터 도출된 용존 및 기체 CO2 플룸(plume)의 이진 맵을 임계값 처리된 대리 모델 예측값과 비교하여 우도 함수를 구성하였다.
   • 목표: 이 접근 방식은 15차원 파라미터 공간을 효율적으로 탐색하여 주요 암석 물리적 특성의 사후 분포를 식별하며, 반복적인 전체 물리 시뮬레이션의 막대한 비용을 피할 수 있게 한다.

주요 결과

• 순방향 예측 정확도: 대리 모델은 대규모 CO2 플룸의 이동, 부력에 의한 상향 이동, 측면 확산, 그리고 불균질한 지질 구조(단층 및 씰)와의 상호작용을 정확하게 포착한다. 미세한 핑거링(fingering) 구조에서 발생하는 미세한 불일치는 존재할 수 있으나, 모델은 거시적 수송 거동에서 높은 충실도를 유지한다. 최적 운송 와서스테인 거리(Optimal Transport Wasserstein Distance, OTWD)를 이용한 정량적 분석 결과, 대리 모델의 예측값은 솔루션의 복잡성이 증가함에 따라 참조 해(reference solution)보다 일반적인 훈련 실현값보다 일관되게 더 가까운 것으로 나타났다.
• 역추론 성능: 대리 모델 지원 베이지안 역추론은 제한된 스칼라 양에 기반한 수동 보정 결과보다 실험 관측치와 시뮬레이션 간의 일치도를 크게 향상시킨다. 추론된 최대 사후 확률(MAP) 해는 특히 단층 및 밀봉층의 영향을 받는 영역에서 대규모 플룸의 기하학적 구조, 수직 범위 및 이동 경로를 더 잘 재현한다.
• 파라미터 식별 가능성: 분석 결과, 특정 영역의 투과도 승수(permeability multiplier)와 같은 일부 파라미터는 관측에 의해 잘 제약되는 반면, 다른 파라미터들은 넓게 분포하거나 다중 모드(multiple modes)를 보임을 밝혔다. 이는 서로 다른 파라미터 조합이 유사한 거시적 플룸 거동을 생성할 수 있다는 역문제의 비유일성을 강조한다.
• 관측 기간의 영향: 연구는 플룸이 주요 지질 구조(단층 및 밀봉층)와 상호작용할 때 관측 데이터가 실질적으로 더 많은 정보를 제공한다는 것을 보여준다. 플룸이 주요 이동 경로를 형성한 이후로 관측 기간을 연장하는 것은 대규모 수송 거동을 제약하는 데 있어 한계 효용 체감의 법칙을 보였는데, 이는 남은 불일치가 민감한 미세 핑거링 역학에 의해 지배되기 때문이다.

의의 및 주장
본 논문은 이 프레임워크가 지하 시스템을 위한 데이터 기반 디지털 트윈을 향한 중요한 단계임을 주장한다. 공간적, 시간적으로 해상된 전역 필드 실험 관측을 활용함으로써, 이 접근 방식은 제한된 스칼라 양에 기반한 기존의 수동 보정보다 실험과 시뮬레이션 간의 거시적 일치도를 실질적으로 개선한다.

저자들은 대리 모델이 단순한 보간이 아니라 물리적으로 의미 있는 수송 거동을 학습하며, 복잡하고 비선형적인 흐름 체계에서도 견고한 성능을 유지한다고 강조한다. SciML과 베이지안 추론의 통합은 고차원 파라미터 공간의 탐색을 계산적으로 가능하게 하여, 식별 가능한 파라미터와 식별 불가능한 파라미터 조합을 모두 밝혀낸다. 이러한 능력은 불확실성을 고려한 예측과 의사결정을 지원하며, 고충실도 시뮬레이션과 지질학적 탄소 저장의 위험 평가를 위한 실행 가능한 통찰 사이의 간극을 메운다. 본 연구는 또한 합성 데이터셋을 넘어 물리적 실체에 대한 검증을 수행함에 있어 "FluidFlower" 벤치마크의 중요성을 강조한다.