Augmenting a pure and hybrid vertical equilibrium scheme via data-driven surrogate modelling

Dit artikel introduceert een hybride verticale-evenwichtsschema dat wordt versneld door data-gedreven surrogate-modellen, waardoor de rekentijd aanzienlijk wordt verkort ten opzichte van traditionele simulaties terwijl de nauwkeurigheid en fysieke eigenschappen zoals massabehoud behouden blijven.

De kern

Stel je voor dat je een enorme, ondergrondse berg water en gas (zoals methaan of waterstof) moet beheren. Dit is belangrijk voor het opslaan van CO2 of het opslaan van groene energie. Om te weten hoe deze gassen zich verplaatsen door het gesteente, gebruiken wetenschappers complexe computermodellen.

Het probleem? Deze modellen zijn als het berekenen van de route voor elke enkele druppel water in een hele oceaan. Het is zo zwaar voor de computer dat het dagen kan duren om een simulatie te draaien.

De auteurs van dit artikel, Ivan en Bernd, hebben een slimme oplossing bedacht. Ze hebben een bestaande, snellere methode (de "Verticale Evenwicht"-methode) nog sneller gemaakt door slimme "tussenvoegsels" te gebruiken die op kunstmatige intelligentie lijken.

Hier is de uitleg in gewone taal, met een paar creatieve vergelijkingen:

1. Het Probleem: De "Twee-Wegen" Dilemma

Stel je voor dat je een grote stad moet plotten.

• De oude manier (Volledige simulatie): Je tekent elke straat, elk huis en elke auto op. Dit is superaccuraat, maar het duurt eeuwen om te tekenen.
• De snellere manier (Verticaal Evenwicht): Je zegt: "Laten we aannemen dat het water en gas zich direct scheiden: het zware water zakt naar beneden, het lichte gas stijgt naar boven." Je tekent alleen de hoofdroute. Dit is veel sneller, maar werkt niet goed als er obstakels zijn (zoals een rotsblok in de grond) die de stroming verstoren.

Om het beste van beide werelden te krijgen, hebben ze een hybride model gemaakt. In gebieden waar het makkelijk is, gebruiken ze de snelle methode. Waar het lastig is (bij obstakels), gebruiken ze de dure, nauwkeurige methode.

Maar hier zit de adder onder het gras: Het schakelen tussen deze twee methoden kost ook weer tijd. Het is alsof je een auto hebt die wisselt tussen een racefiets en een vrachtwagen; het schakelen zelf kost zoveel energie dat je soms langzamer bent dan als je gewoon de vrachtwagen had gebruikt.

2. De Oplossing: De "Slimme Voorspeller" (Surrogaatmodellen)

Om dit schakel-probleem op te lossen, hebben de auteurs data-gedreven surrogaatmodellen gebruikt.

Stel je voor dat je een kok bent die een ingewikkeld gerecht moet bereiden.

• De oude manier: Voor elke keer dat je een saus moet maken, meet je de temperatuur, weeg je de ingrediënten, doe je de chemische berekening en kook je het. Dit duurt lang.
• De nieuwe manier: Je hebt een slimme assistent (een AI) die duizenden keren heeft gezien hoe die saus eruit ziet. Als je vraagt: "Hoe heet is het nu?", zegt de assistent niet: "Laten we meten...", maar: "Ik weet het al, het is 80 graden, gebaseerd op wat ik eerder heb gezien."

De assistent is niet perfect, maar hij is extreem snel en bijna net zo goed als het echte werk.

3. Wat hebben ze precies versneld?

Ze hebben drie specifieke taken in de computercode vervangen door deze "snelle assistenten":

1. De Gas-"Pluim" voorspellen:

   • Het probleem: De computer moet berekenen hoe hoog het gas in de grond stijgt. Dit is een lastige wiskundige puzzel die vaak opnieuw opgelost moet worden.
   • De oplossing: In plaats van de hele puzzel opnieuw op te lossen, gebruikt de computer een simpele formule (een lineaire regressie) die de oplossing voorspelt. Het is alsof je in plaats van elke keer een nieuwe route te plotten, gewoon zegt: "Het gas gaat ongeveer hierheen, gebaseerd op de druk."
   • Resultaat: De computer hoeft minder vaak te "nadenken" om tot een oplossing te komen.

2. De "Vloeibaarheid" van het gesteente:

   • Het probleem: Hoe makkelijk stroomt het gas door het gesteente? Dit moet elke keer opnieuw worden uitgerekend door de lagen van de grond te tellen.
   • De oplossing: Ze hebben een "interpolatie-kaart" gemaakt. In plaats van te tellen, kijkt de computer op de kaart: "Ah, bij deze druk en dit watergehalte, is de vloeibaarheid X."
   • Resultaat: Dit bespaart de meeste tijd, omdat dit de zwaarste taak was.

3. De "Koppel-Punten":

   • Het probleem: Waar de snelle en de dure methode elkaar raken, moeten ze gegevens uitwisselen. Dit kost veel rekenkracht.
   • De oplossing: Ze hebben de assistent laten voorspellen wat de dichtheid en de dikte (viscositeit) van het gas en water is op die grens, in plaats van het te berekenen.
   • Resultaat: De communicatie tussen de twee methoden gaat als een flits.

4. Het Resultaat: Snelheid zonder Kwaliteitsverlies

Het mooie aan deze methode is dat de "assistenten" niet zomaar gokken. Ze zijn getraind op de wetten van de natuurkunde.

• Ze houden massa behoud in stand (er verdwijnt geen gas uit het niets).
• Ze zijn 75% sneller in de beste gevallen.
• De fouten die ze maken zijn zo klein dat ze voor de meeste toepassingen onzichtbaar zijn.

Conclusie

Stel je voor dat je een lange reis moet maken.

• Vroeger: Je reed langzaam en zorgvuldig over elke steen (de dure methode).
• Daarna: Je reed snel, maar moest vaak stoppen om te checken of je nog op de goede weg zat (de hybride methode).
• Nu: Je rijdt snel, en je hebt een slimme navigatie die je voorspelt waar de weg goed is, zodat je bijna nooit hoeft te stoppen.

De auteurs laten zien dat je door slimme, snelle voorspellingen te gebruiken in plaats van zware berekeningen, dezelfde resultaten kunt krijgen in een fractie van de tijd. Dit maakt het veel makkelijker om complexe ondergrondse projecten te plannen en te testen.

Technische samenvatting

Probleemstelling

De simulatie van ondergrondse opslag van gassen (zoals CO2, waterstof of methaan) in poreuze media vereist vaak de oplossing van volledige massabalans- en impulsvergelijkingen (Full-Dimensional of FD-modellen). Hoewel deze modellen nauwkeurig zijn, zijn ze computationally zeer intensief en tijdrovend, vooral voor langdurige simulaties of gevoeligheidsanalyses.

Om de rekentijd te verminderen, wordt vaak gebruikgemaakt van Verticale Evenwicht (Vertical Equilibrium - VE) modellen. Deze modellen gaan ervan uit dat fases zich verticaal direct scheiden (door zwaartekracht), waardoor de dimensie van het probleem met één wordt gereduceerd (van 3D naar 2D). Dit levert een enorme snelheidswinst op, maar is alleen geldig in gebieden waar verticale dynamiek verwaarloosbaar is.

Om de nauwkeurigheid van FD-modellen te combineren met de snelheid van VE-modellen, zijn hybride modellen ontwikkeld. Deze koppelen FD- en VE-domeinen dynamisch. Een groot nadeel hiervan is echter dat de koppelingsprocedure en de berekening van de overgangsfactoren (zoals fluxen en coëfficiënten) aanzienlijke computerefficiëntie kosten kunnen veroorzaken. In sommige gevallen is de hybride simulatie zelfs trager dan een puur traditionele FD-simulatie door deze overhead.

Methodologie

De auteurs stellen een data-gedreven aanpak voor om specifieke, rekentijd-intensieve onderdelen van zowel pure VE-modellen als hybride FD-VE-modellen te versnellen via surrogaatmodellen. Het doel is niet om de fysica te vervangen, maar om de numerieke berekeningen van bepaalde blokken te versnellen zonder de fysieke eigenschappen (zoals massabehoud) te schenden.

1. Geselecteerde Surrogaatmodellen:
De auteurs kiezen voor modellen met zeer korte inferentietijden (voorspellingstijd), aangezien deze duizenden tot miljoenen keren per simulatie worden aangeroepen:

• Lineaire Regressie: Voor snelle, continue voorspellingen.
• Bicubische Spline-interpolatie: Voor gevallen waar hogere nauwkeurigheid en monotoniciteit (belangrijk voor stabiliteit) vereist zijn.

2. Geoptimaliseerde Algoritmische Blokken:
Er worden drie specifieke componenten geïdentificeerd en vervangen door surrogaten:

• Gaspluim-afstand ($z_p$): In VE-modellen moet de verticale positie van het gas-water-interface worden bepaald door een niet-lineaire vergelijking op te lossen. In plaats van dit volledig numeriek op te lossen, wordt een lineair regressiemodel getraind om een initieel schatting te geven. Dit reduceert het aantal iteraties van de Newton-Raphson-oplosser aanzienlijk.
• Coarse-level mobiliteiten: De verticale integratie van mobiliteiten is in pure VE-modellen de grootste bottleneck. Een spline-interpolatiemodel wordt getraind om deze mobiliteiten direct te voorspellen op basis van verzadiging en dichtheid, in plaats van ze te integreren.
• Secundaire variabelen in koppelingsfluxen: In hybride modellen is de berekening van fluxen tussen FD- en VE-domeinen duur, voornamelijk door de herhaalde evaluatie van dichtheid en viscositeit (vooral voor water volgens IAPWS-relaties). Lineaire regressiemodellen worden getraind om deze eigenschappen direct te voorspellen op basis van druk.

3. Testgevallen:
Drie scenario's worden getest:

1. Een pure VE injectiesimulatie.
2. Een hybride simulatie met een statische koppeling (één ondoordringbare lens).
3. Een hybride simulatie met adaptieve koppeling (twee ondoordringbare lenses, waarbij de grens tussen FD en VE dynamisch verandert).

Belangrijkste Bijdragen

• Strategische Versnelling: In plaats van het hele model te vervangen, worden alleen de meest kostbare algoritmische blokken geoptimaliseerd met data-gedreven methoden.
• Behoud van Fysica: De aanpak is ontworpen om massabehoud en andere fysieke eigenschappen te garanderen. De surrogaten dienen als versnellers of initialisaties, niet als vervangingen van de fundamentele wetten.
• Hybride Efficiëntie: Het oplossen van het probleem dat hybride modellen soms trager zijn dan FD-modellen door de koppelingskosten te reduceren.
• Vergelijking van Methoden: Een gedetailleerde analyse toont aan dat lineaire regressie en splines de snelste inferentietijden bieden vergeleken met complexere methoden zoals Random Forests of Neural Networks, wat cruciaal is voor frequent aangeroepen functies.

Resultaten

De resultaten tonen aanzienlijke verbeteringen in rekentijd met verwaarloosbare fouten:

• Snelheidswinst:
  • Pure VE-model: Tot 75,4% reductie in rekentijd.
  • Hybride (statisch gekoppeld): 44,4% reductie.
  • Hybride (adaptief gekoppeld): 18% reductie (minder winst omdat het FD-domein hier dominant is, maar nog steeds significant).
• Nauwkeurigheid:
  • De relatieve $L_2$-fouten in de oplossingsvelden (verzadiging, druk, mobiliteit) blijven extreem laag (vaak in de orde van $10^{-3}$ tot $10^{-7}$).
  • Massabehoud wordt behouden; de fouten in de niet-benatte fase-massa zijn verwaarloosbaar.
• Vergelijking met FD:
  • De geoptimaliseerde hybride simulatie is niet alleen sneller dan de ongeoptimaliseerde hybride versie, maar sneller dan de volledige FD-simulatie (bijvoorbeeld 1894s vs 1976s in het adaptieve geval), terwijl het fysiek nauwkeuriger blijft dan een puur VE-model.
• Solver-gedrag:
  • Het gebruik van surrogaten voor mobiliteiten werkt als een "smoothing filter", wat de convergentie van de lineaire oplosers verbetert en vaak leidt tot minder tijdstappen.

Betekenis en Conclusie

Dit onderzoek demonstreert dat data-gedreven methoden een krachtig hulpmiddel zijn om gevestigde fysieke modellen te versnellen zonder de fysieke consistentie te verliezen. Door slimme selectie van de te vervangen componenten (zoals mobiliteiten en koppelingsfluxen) en het gebruik van eenvoudige, snelle surrogaten (lineaire regressie en splines), kunnen simulaties van ondergrondse gasopslag aanzienlijk efficiënter worden.

De studie bevestigt dat hybride modellen, wanneer versterkt met data-gedreven surrogaten, een competitief alternatief zijn voor traditionele full-dimensional simulaties. Ze bieden de snelheid van gereduceerde orde-modellen met de nauwkeurigheid van volledige modellen, wat essentieel is voor praktische toepassingen zoals CO2-opslag en waterstofopslag waar duizenden simulaties nodig zijn voor optimalisatie en risicobeheer. De methode is robuust en behoudt zijn geldigheid bij verschillende randvoorwaarden, zolang de onderliggende fysica (zoals de gebruikte vloeistoffen en permeabiliteitsverdeling) binnen het trainingsdomein blijft.