Predictive Modeling of CO₂ Wettability at Brine‑Mineral Interfaces as a Mechanistic Framework for Sustainable Carbon Storage

기술 요약: 브라인-광물 계면에서의 CO₂ 습윤성 예측 모델링

문제 정의
심부 염수층 내 이산화탄소(CO₂)의 계면 습윤성을 정확하게 예측하는 것은 지질학적 탄소 격리의 구조적 및 잔류 트래핑 보안을 보장하기 위한 필수 전제 조건이다. 구조적 및 잔류 트래핑과 같은 메커니즘은 잘 확립되어 있으나, 그 효과는 CO₂-브라인-광물 계면에서의 평형 접촉각에 매우 민감하다. 이러한 각도를 예측하기 위한 전통적인 수학적 또는 엄격한 경험적 추정 방식은 열역학적 상태(압력, 온도), 브라인 염도, 그리고 이질적인 광물 조성 간의 본질적인 복잡성과 고도의 비선형적 상호작용으로 인해 불충분한 경우가 많다. 또한, 모든 현장별 시나리오에 대해 광범위한 실험실 재현 실험을 수행하는 것은 자원 소모가 지나치게 크다. 본 연구는 반복적인 물리적 실험의 계산 비용 없이도 다양한 지화학적 환경에서 높은 신뢰도로 접촉각을 예측할 수 있는 견고한 데이터 기반 프레임워크의 필요성을 해결하고자 한다.

연구 방법론
본 연구는 다상 계면 거동에 관한 630개의 큐레이션된 관측 데이터를 중심으로 한 포괄적인 데이터 기반 워크플로우를 채택하였다. 데이터는 다양한 광물 조성(석영, 방해석, 장석, 운모)과 열역학적 조건을 포괄한다.

• 데이터 전처리 및 분석: 데이터셋은 운전 압력(MPa), 온도(K), 브라인 염도(M), 광물 중량 분율, 그리고 기초 습윤 지표(정적, 전진, 후퇴 각도 및 $\theta_0$)와 같은 독립 변수를 포함한다. 타겟 변수는 평형 접촉각(도)이다. 저자는 몬테카를로 기반의 이상치 탐지(극단값을 오류가 아닌 물리적으로 실재하는 값으로 유지)와 선형 의존성을 이해하기 위한 피어슨 상관관계 분석을 포함한 엄격한 통계 분석을 수행하였다.
• 모델링 프레임워크: 15가지의 서로 다른 머신러닝 알고리즘이 체계적으로 학습 및 평가되었다. 여기에는 기본 선형 회귀(Linear Regression, Ridge, Lasso, Elastic Net)부터 고급 앙상블 방법(Random Forest, Gradient Boosting, XGBoost, LightGBM, CatBoost), 커널 기반 방법(SVR, Gaussian Process), 그리고 딥러닝 아키텍처(ANN, CNN, Decision Trees)까지 포함된다.
• 검증 전략: 하이퍼파라미터 최적화를 위한 그리드 서치(Grid Search)를 사용하여 학습 서브셋(데이터의 80%)에 대해 엄격한 5-폴드 교차 검증(five-fold cross-validation)을 적용하였다. 나머지 20%는 일반화 능력에 대한 편향 없는 평가를 보장하기 위해 테스트용으로 엄격히 격리되었다.
• 성능 지표: 모델은 결정 계수($R^2$), 평균 제곱 오차(MSE), 평균 상대 편차(MRD%), 그리고 상대 오차(RE%)를 사용하여 평가되었다.
• 해석 가능성: 투명성을 확보하고 물리적 동인을 식별하기 위해, 최적의 모델의 결정 경계를 해석하고자 SHAP(SHapley Additive exPlanations) 분석과 Random Forest에서 도출된 특성 중요도(feature importance) 지표를 활용하였다.

주요 결과
알고리즘 간의 비교 평가 결과, 뚜렷한 성능 계층이 드러났다:

• 선형 모델: 전통적인 선형 아키텍처(LR, Ridge, Lasso, Elastic Net)는 복잡한 비선형 열역학적 상호작용을 포착하지 못해 심각한 과소적합(underfitting)을 보였으며, 테스트 $R^2$ 값은 약 0.48 수준에 머물렀다.
• 과적합 문제: 기본 의사결정 나무(Decision Trees)는 심각한 과적합을 보였다. 훈련 $R^2$는 0.9983에 달하는 완벽에 가까운 수치를 기록했으나, 테스트 $R^2$는 0.7446으로 급락하였다.
• 최적의 성능: CatBoost 알고리즘이 가장 우수한 예측 프레임워크로 나타났다. 이 모델은 가장 높은 테스트 $R^2$인 0.9357과 최소화된 테스트 MSE인 20.1358을 달이트했다. 결정적으로, 훈련 단계($R^2$ = 0.9877)와 테스트 단계 사이의 성능 차이가 좁았는데, 이는 XGBoost나 ANN과 같은 다른 고성능 모델과 비교했을 때 견고한 일반화 능력과 최소한의 과적합을 나타낸다.
• 시각적 진단: 테일러 다이어그램(Taylor diagrams), 패리티 플롯(parity plots), 그리고 잔차 분포 분석(바이올린 플롯 및 밀도 함수)은 CatBoost가 경험적 데이터와 공간적 일치성을 유지하며 체계적 편향을 최소화하고, 접촉각의 다중 모드 통계 분포를 정확하게 재현함을 확인시켜 주었다.

특성 중요도 및 동인
SHAP 해석 분석을 통해 예측 출력에 영향을 미치는 핵심적인 물리적 파라미터를 식별하였다:

1. 운전 압력: CO₂ 밀도와 계면 장력에 영향을 미치는 가장 지배적인 열역학적 동인으로 확인되었다.
2. 기초 습윤성 ($\theta_0$): 초기 습윤 상태가 최종 평형 각도에 대한 결정적인 제약 조건임이 밝혀졌다.
3. 운모 중량 분율: 광물 성분 중 운모(phyllosilicate의 일종)의 존재가 접촉각과 가장 강한 양의 상관관계를 보였으며, 이는 CO₂ 친화성(CO₂-wetness)으로의 유의미한 변화를 나타낸다. 반면, 석영은 음의 상관관계를 보이며 물 친화성(water-wetness)을 유지하는 것으로 나타났다.

의의 및 주장
본 논문은 배치된 머신러닝 방법론이 복잡한 계면 습윤성을 모델링하는 데 있어 수학적으로 안정적이고 견고한 예측 프레임워크를 제공하며, 기존의 경험적 추정의 한계를 극복한다고 주장한다. 고급 계산 알고리즘을 통합함으로써, 본 연구는 부지 선정 기준을 최적화하고 주입 전략을 동적으로 조정할 수 있다고 단언한다. 이러한 능력은 다양한 저류층 조건 하에서 잔류 및 구조적 트래핑 잠재력을 신뢰성 있게 예측할 수 있게 함으로써, 심부 지질 탄소 저장 운영의 거시적 보안을 근본적으로 향-상시킨다.

저자는 현재의 방법론이 집계된 정적 테이블 데이터의 특성에 의해 제한되어 있어, 장기적인 지화학적 퇴화나 국부적인 광물 용해를 완전히 포착하지 못할 수 있음을 언급하며 미래의 영향에 대해 신중한 범위를 유지한다. 따라서 향-후 연구는 본 프레임워크를 진화하는 지하 광물학적 변화에 적응시키기 위해, 즉각적인 실시간 현장 운영 배포를 주장하기보다는 시계열 실험 데이터와 결합된 반응 수송 모델링(reactive transport modeling)을 통합하는 데 집중해야 한다고 제안한다.