Physics-Driven Hierarchical Cascade Surrogate for Compositional Simulation of Geological CO2 and H2S Storage

지구의 지각을 아주 깊은 곳에 숨겨진, 바위로 된 거대한 고대의 스펀지라고 상상해 보세요. 과학자들은 지구의 과잉 이산화탄소(CO2)를 이 깊은 주머니 속에 집어넣어 기후 온난화를 막는 방법을 연구하고 있습니다. 이것을 "지질학적 탄소 저장(Geological Carbon Storage)"이라고 부릅니다. 하지만 까다로운 점이 있습니다. 일단 이 가스를 그 아래로 펌프질해 넣으면, 가스는 바위처럼 가만히 머물러 있지 않습니다. 가스는 소금물과 섞이고, 녹아들고, 떠오르고, 수백 년 동안 암석과 반응합니다. 이 가스가 갇혀서 다시 위로 새어 나오지 않도록 하기 위해, 과학자들은 슈퍼컴퓨터를 사용하여 복잡한 시뮬레이션을 실행합니다. 이 시뮬레이션은 일종의 타임머신 역할을 하여, 가스가 어디로 이동하고 수 세기 동안 어떻게 변할지를 정확하게 예측합니다. 그러나 이 시뮬레이션을 실행하는 것은 조각들이 끊임없이 움직이는 백만 피스짜리 퍼즐을 푸는 것과 같습니다. 엄청난 컴퓨팅 능력과 시간이 소요되기 때문에, 모든 것이 정말 안전한지 확신할 수 있을 만큼 충분한 테스트를 수행하기가 어렵습니다.

여기 "대리 모델(surrogate models)"의 세계가 있습니다. 이것은 영리한 지름길이라고 생각하면 됩니다. 매번 처음부터 어려운 퍼즐 전체를 푸는 대신, 대리 모델은 마스터가 퍼즐을 푸는 모습을 수천 번 지켜본 아주 똑똑한 학생과 같습니다. 이 모델은 패턴을 학습하여 거의 즉각적으로 최종 그림을 추측할 수 있습니다. 큰 과제는 이 지름길이 단순히 가스가 '어디에' 있는지뿐만 아니라, 그것이 정확히 '무엇을' 하고 있는지—즉, 물에 녹아 있는지, 가스로 떠 있는지, 아니면 암석에 박혀 있는지—까지 예측할 수 있을 만큼 정확하게 만드는 것이었습니다. 만약 이 지름길이 세부 사항을 틀리게 예측한다면, 우리는 가스가 안전하다고 생각했지만 실제로는 표면을 향해 떠다니고 있는 상황을 맞닥뜨릴 수 있습니다.

이 논문은 "계층적 캐스케이드 대리 모델(Hierarchical Cascade Surrogate, HCS-CO2S)"이라는 매우 정교한 지름길을 소개합니다. 카드의 집을 짓는다고 상상해 보세요. 하지만 단순히 무작위로 쌓는 것이 아니라, 다섯 개의 특정 층을 쌓아야 하며 각 층은 다음 층을 쌓기 전에 반드시 완벽하게 안정되어야 합니다. 첫 번째 층은 압력과 온도(암석 내부의 "날씨")를 파악합니다. 두 번째 층은 이 날씨를 바탕으로 유체의 무게와 두께를 파악합니다. 세 번째 층은 가스, 오일, 물이 각각 얼마만큼의 공간을 차지하는지 결정하며, 이들의 합이 사용 가능한 공간의 정확히 100%가 되도록 합니다. 네 번째 층은 가스가 물에 얼마나 녹아 있는지 대로 떠 있는 가스와의 비율을 계산합니다. 마지막으로 다섯 번째 층은 이 모든 것을 하나로 합칩니다. 연구진은 이 모델을 이산 이산화탄소와 약간의 황화수소(H2S)가 혼합되어 깊은 암석층으로 주입되는 시뮬레이션 데이터를 통해 학습시켰습니다. 그런 다음, 모델에게 한 번도 본 적 없는 미래인 100년 후의 상태를 예측하도록 요청했습니다. 결과는 어땠을까요? 모델은 가스 구름의 위치와 화학적 구성을 놀라운 정확도로 성공적으로 예측했으며, 이는 이 "계층적" 접근 방식이 지구를 안전하게 지키기 위한 신뢰할 수 있는 빠른 타임머신 역할을 할 수 있음을 입증했습니다.

계층적 타임머신의 이야기

연구자인 스테판 자이눌린(Stepan Zainulin)과 안나 스토로제바(Anna Storozheva)는 소용돌이치는 바다 속의 잉크 방울의 경로를 예측하는 것과 같은 문제에 도전했습니다. 다만 그 바다는 암석으로 되어 있고 잉크는 독성 가스라는 차이가 있습니다. 그들은 다음과 같은 질문을 던졌습니다. "가스 구름의 일반적인 형태만 짐작하는 것이 아니라, 그 내부의 화학 작질까지 이해하는 머신러닝 모델을 만들 수 있을까?"

기존의 대부분의 모델은 가스 구름의 흐릿한 사진을 찍는 것과 같습니다. 가스가 대략 어디에 있는지, 압력이 어떻게 쌓이고 있는지는 알려줄 수 있지만, CO2가 소금물에 얼마나 녹아 있는지 대로 가스로 떠 있는지 정확히는 말해주지 못합니다. 이는 매우 중요한 문제입니다. 왜냐하면 수백 년에 걸쳐 가스가 물에 녹아드는 것이 사실상 가장 안전한 저장 방식 중 하나이기 때문입니다. 만약 모델이 화학적 성질을 볼 수 없다면, 저장이 정말 안전한지 판단할 수 없습니다.

저자들은 기존의 시뮬레이션 가속 시도들에 세 가지 주요 결함이 있다고 주장합니다. 첫째, 많은 모델이 체커판처럼 완벽하게 정사각형인 격자에서만 작동하지만, 실제 지하 암석층은 구겨진 종이처럼 울퉁불퉁하고 불규칙합니다. 둘째, 일부 모델은 물리 법칙을 직접 학습하려고 시도하지만, 장기간에 걸쳐 수학적 오류를 일으켜 오류가 눈덩이처럼 불어나는 문제를 겪습니다. 셋est, 가장 중요한 점은 이전의 어떤 모델도 유체의 상세한 화학적 분해를 예측할 수 없었다는 것입니다.

이를 해결하기 위해 팀은 "계층적 캐스케이드 대리 모델"을 구축했습니다. 이 "캐스케이드"가 어떻게 작동하는지 간단한 비유를 통해 설명해 보겠습니다. 복잡한 요리를 친구에게 설명한다고 상상해 보세요. 단순히 "맛있다"라고만 하지 않을 것입니다. 여러분은 논리적인 순서를 따를 것입니다:

1. 주방 환경 (레벨 1 & 2): 먼저 주방의 온도와 압력을 설명합니다. 뜨거운가요? 압력이 높은가요?
2. 재료의 특성 (레벨 3): 그 열기와 압력에 따라 재료가 어떻게 행동하는지 설명합니다. 오일은 걸쭉한가요? 물은 묽은가요?
3. 혼합 (레벨 4): 이제 재료들이 그릇을 어떻게 채우는지 결정합니다. 가스가 얼마나 많은 공간을 차지하나요? 물은 얼마나 차지하나요? 결정적으로, 이들의 합이 정확히 그릇 하나를 가득 채우는지 확인합니다.
4. 풍미 프로필 (레벨 5): 마지막으로, 주요 향신료(CO2)가 물에 얼마나 들어 있는지, 오일에 얼마나 들어 있는지, 그리고 가스에는 얼마나 들어 있는지 정확히 설명합니다.

이 단계별 접근 방식이 바로 "캐스케이드"입니다. 모델이 복잡한 화학적 부분을 추측하기 전에 쉬운 물리적 부분(압력과 밀도)을 먼저 해결하도록 강제함으로써, 모델이 어처구니없는 실수를 할 가능성을 줄이는 것입니다. 이는 케이크를 얼마나 구울지 결정하기 전에 오븐 온도를 먼저 확인하는 요리사와 같습니다.

거대한 테스트: 블라인드 100년 예측

이 논문의 진짜 마법은 단순히 모델을 만든 것이 아니라, 그것을 어떻게 테스트했느냐에 있습니다. 보통 과학자들은 1년 차부터 100년 차까지의 데이터로 모델을 학습시킨 뒤, 101년 차부터 110년 차까지의 데이터로 테스트합니다. 하지만 이는 모델이 이미 패턴을 보았기 때문에 약간의 부정행위가 될 수 있습니다.

대신, 저자들은 훨씬 더 어려운 방법을 택했습니다. 그들은 특정 시점까지의 데이터로 모델을 학습시킨 뒤, 훈련 데이터에서 마지막 20년 치의 데이터를 완전히 제거했습니다. 그러고 나서 이전 시점(단계 123)만을 근거로 특정 미래 시점(단계 144)의 저류층 상태를 예측하도록 모델에게 요청했습니다. 이것은 "블라인드 예측(blind forecast)"입니다. 이는 마치 학생이 개념을 정말로 이해했는지 확인하기 위해, 배운 적 없는 내용으로 기말고사를 치르게 하는 것과 같습니다.

결과는 인상적이었습니다. 모델은 CO2 플룸(가스 구름)의 위치를 거의 완벽한 정확도로 예측했습니다.

• 플룸 추적: 만약 모델에게 "이 특정 암석 셀에 가스가 있는가?"라고 묻는다면, 모델은 실제로 가스가 있는 모든 셀에 대해 "예"라고 답했습니다. 단 하나의 셀도 놓치지 않았습니다(재현율 100%). 다만 실제로는 비어 있는 12개의 셀에 대해서도 "예"라고 답했는데, 이는 "보수적인" 실수입니다. 가스가 누출되는 것을 놓치는 것보다 가스가 조금 더 있다고 생각하는 것이 훨씬 낫기 때문입니다.
• 화학적 검사: 모델은 물에 녹아 있는 CO2의 양을 높은 정확도(R-제곱 값 0.905)로 예측했습니다. 이는 모델이 단순히 떠 있는 가스와 물속에 안전하게 잠긴 가스를 구분할 수 있음을 의미합니다.
• 속도: 가장 흥ante한 부분은 무엇일까요? 이 모델이 대체하려는 전체 물리 시뮬레이션은 실행하는 데 오랜 시간이 걸립니다. 하지만 이 새로운 모델은 별도의 화려한 슈퍼컴퓨터 없이도 표준 컴퓨터 프로세서에서 21,142개의 암석 셀 전체 상태를 단 22.4초 만에 예측했습니다.

결함과 미래

저자들은 자신의 모델이 완벽하지 않은 부분에 대해서도 솔직합니다. 가스 구름의 위치를 예측하는 데는 뛰어났지만, 모든 지점에서의 정확한 압력을 예측하는 데는 완벽하지 않았습니다. 몇몇 특정 구역에서 압력 예측이 최대 11.3 bar까지 차이가 났습니다. 논문은 모델이 각 암석 셀을 개별적으로 바라보기 때문에, 특히 가스 주입이 중단된 후 압력 변화를 부드럽게 만들어줄 "이웃"과의 소통이 부족하기 때문이라고 설명합니다. 이는 마치 각자가 자신의 기분은 알지만 옆 사람의 기분은 모르는 군중과 같습니다.

또한, 모델은 약간 지나치게 조심스러웠습니다. 가스 구름이 실제보다 아주 약간 작게 예측되기도 했지만, 동시에 가스 구름 주변의 빈 암석 영역까지 조금 더 넓게 확장되어 있다고 예측하기도 했습니다. 이는 가스를 놓치지 않기 위해 저자들이 선택한 절충안이었습니다.

논문은 이러한 "계층적" 접근 방식이 큰 진전이라고 결론짓습니다. 이는 우리가 가스 구름의 형태뿐만 아니라 화학적 성질까지 이해하는 빠르고 정확한 모델을 구축할 수 있음을 증명합니다. 그러나 저자들은 이 모델이 단 하나의 암석 형성형에 대해서만 테스트되었다는 점을 주의 깊게 언급했습니다. 이 모델이 전 세계의 모든 서로 다른 지하 암석층에서도 작동한다는 것을 아직 증명하지는 못했습니다. 그것이 다음 과제입니다. 즉, 처음부터 모든 것을 다시 배울 필요 없이 다양한 "교실"(서로 다른 지질학적 현장)을 다룰 수 있도록 이 똑똑한 학생을 가르치는 것입니다.

결국, 이 논문은 탄소 저장의 모든 문제를 해결했다고 주장하는 것이 아닙니다. 대신, 과학자들이 단 한 번의 시뮬레이션을 돌리는 시간에 수천 번의 안전 테스트를 수행할 수 있도록 도와주는 강력한 도구—빠르고 화학적 성질을 이해하는 타임머신—를 제공합니다. 그리고 기후를 구하기 위한 경주에서, 우리의 작업을 검토할 수 있는 더 많은 시간을 갖는 것은 가장 중요한 일이 될 수 있습니다.