Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage

Deze paper introduceert Fun-DDPS, een generatief raamwerk dat functioneerruimte-diffusiemodellen combineert met differentieerbare neurale operator-surrogaten om zowel voorwaartse als inverse modellering voor koolstofopslag (CCS) te verbeteren, waardoor extreme data-schaarste wordt overwonnen en fysiek consistente resultaten worden geleverd met een aanzienlijk hogere efficiëntie dan bestaande methoden.

De kern

Stel je voor dat je probeert te begrijpen wat er onder de grond gebeurt, duizenden meters diep, waar mensen kooldioxide (CO2) opslaan om de klimaatopwarming te stoppen. Het probleem? Je kunt niet overal kijken. Je hebt slechts een paar kleine gaatjes (boorgaten) waar je metingen doet, terwijl de rest van de ondergrond een groot, onbekend mysterie is.

Dit is als proberen een compleet puzzel te maken terwijl je slechts 25% van de stukjes hebt. De meeste bestaande methoden proberen dit op te lossen door de lege plekken simpelweg met een grijze kleur in te vullen (een "0" te zetten). Maar dat werkt niet goed, want de aarde is complex en niet egaal grijs.

De auteurs van dit paper, Fun-DDPS, hebben een slimme nieuwe manier bedacht om dit mysterie op te lossen. Ze gebruiken een combinatie van twee krachtige hulpmiddelen, die we kunnen vergelijken met een kunstenaar en een fysicus.

De Twee Heldendelen

1. De Kunstenaar (De Diffusiemodel)
Stel je een kunstenaar voor die duizenden keren een landschap heeft geschilderd. Deze kunstenaar weet precies hoe aardlagen eruitzien: waar de zandlagen zitten, waar de klei is, en hoe de patronen eruitzien.

• Wat hij doet: Hij heeft geen meetgegevens nodig om te weten hoe een landschap er kan uitzien. Hij kent de "regels van de natuur" voor aardlagen.
• In de paper: Dit is het diffusiemodel. Het leert de statistische regels van de ondergrond. Als er data ontbreekt, kan deze kunstenaar de ontbrekende stukjes van het landschap "dromen" op een manier die er echt natuurlijk uitziet, in plaats van willekeurige ruis.

2. De Fysicus (De Neuraal Operator)
Nu hebben we een landschap, maar we moeten weten of het ook werkt volgens de wetten van de natuur. Als we CO2 injecteren, hoe stroomt die dan door de grond?

• Wat hij doet: Dit is een super-snel computerprogramma (een "surrogaat") dat de wetten van de stroming simuleert. Het is als een fysicus die in een seconde kan berekenen: "Als de grond hier zo is, dan stroomt het gas daar naartoe."
• In de paper: Dit is de Local Neural Operator (LNO). Het is heel snel en nauwkeurig, maar het kan alleen werken als het een compleet landschap krijgt om op te simuleren.

Het Geniale Idee: Splitsen in plaats van Alles Tegelijk

De oude manier (die ze "Joint-State" noemen) was alsof je één persoon vroeg om tegelijk te tekenen én te rekenen. Het resultaat was vaak rommelig: de tekening zag er goed uit, maar de berekening klopte niet, of andersom. Het werd een "high-frequency ruis" (zoals statisch op een oude TV), wat fysiek onmogelijk is.

Fun-DDPS doet het slim door de taken te ontkoppelen (decoupled):

1. De Kunstenaar maakt eerst een compleet, mooi landschap (de ondergrond).
2. De Fysicus kijkt naar dat landschap en zegt: "Hé, als we hier CO2 injecteren, dan zou het gas hier moeten zijn."
3. Als de metingen uit de boorgaten niet overeenkomen met wat de Fysicus voorspelt, geeft de Fysicus een zachte duw terug naar de Kunstenaar: "Je landschap is mooi, maar het landschap moet hier iets anders zijn om mijn berekening kloppend te maken."

De Kunstenaar past zijn tekening dan aan, maar blijft wel binnen de regels van hoe aardlagen eruitzien. Zo krijgen we een landschap dat er natuurlijk uitziet én dat de metingen verklaart.

Waarom is dit zo geweldig?

De auteurs hebben dit getest met twee grote resultaten:

• Resultaat 1: Het werkt zelfs met heel weinig data.
  Stel je voor dat je slechts 25% van de puzzelstukjes hebt.

  • De oude methoden (de "Fysicus" alleen) gaven een rampzalig fout resultaat (87% fout). Ze wisten niet wat ze met de lege plekken moesten doen.
  • Fun-DDPS gaf een bijna perfect resultaat (slechts 7,7% fout). De Kunstenaar vulde de gaten in op een manier die logisch was, zodat de Fysicus zijn werk kon doen.

• Resultaat 2: Het is sneller en natuurlijker.
  Ze vergeleken hun methode met de "gouden standaard" (een methode die miljoenen berekeningen doet om de perfecte oplossing te vinden).

  • Fun-DDPS vond een oplossing die statistisch net zo goed was, maar 4 keer sneller.
  • Belangrijker nog: De oude methoden maakten vaak "ruis" in hun tekeningen (zoals korrelig zand dat er niet echt uitziet). Fun-DDPS maakte gladde, realistische landschappen die eruitzagen als echte aardlagen.

Samenvatting in één zin

Fun-DDPS is als het hebben van een kunstenaar die de ondergrond kan dromen en een fysicus die de stroming kan berekenen; ze werken samen om een compleet plaatje te maken, zelfs als je maar heel weinig meetgegevens hebt, zonder dat het resultaat eruitziet als een rommelig schilderij.

Dit maakt het veiliger en goedkoper om CO2 op te slaan, omdat we beter kunnen voorspellen wat er onder de grond gebeurt.

Technische samenvatting

Titel

Function-space Decoupled Diffusion voor Forward en Inverse Modeling in Koolstofopvang en -opslag (CCS).

1. Probleemstelling

De accurate karakterisering van ondergrondse stroming is cruciaal voor Koolstofopvang en -opslag (CCS), maar staat voor twee fundamentele uitdagingen:

• Ill-posed inverse problemen: De ondergrondse parameters (zoals permeabiliteit) zijn hoogdimensionaal en niet-Gaussisch, terwijl de beschikbare monitoringdata (bijv. uit boringen) extreem schaars is (vaak <1% van het domein).
• Berekeningskosten: De beheersende vergelijkingen voor meerfasestroming zijn computatierijk, waardoor traditionele Bayesiaanse methoden (zoals MCMC) onhaalbaar zijn voor grote 3D-modellen.
• Beperkingen van bestaande methoden:
  • Ensemble-methoden (EnKF, ES-MDA): Veronderstellen vaak Gaussische verdelingen en kunnen complexe geologische kenmerken (zoals discrete facies) niet goed vastleggen.
  • Deterministische Deep Learning Surrogates: Versnellen simulaties, maar kunnen geen onzekerheidskwantificering bieden en falen vaak bij schaarse data omdat ze geen prior leren.
  • Joint-State Diffusiemodellen: Bestaande generatieve modellen die zowel geologische parameters ($m$) als dynamische toestanden ($s$) gezamenlijk leren ($p(m, s)$), leiden vaak tot fysieke inconsistenties en hoge-frequentie artefacten, vooral bij beperkte trainingsdata.

2. Methodologie: Fun-DDPS

De auteurs introduceren Fun-DDPS (Function-space Decoupled Diffusion Posterior Sampling), een generatief raamwerk dat het leren van geologische priors ontkoppelt van de benadering van de fysica.

Kerncomponenten:

1. Function-Space Diffusion Prior:
   • Een single-channel diffusiemodel leert de prior-verdeling $p(m)$ van de geologische parameters (geomodel) onafhankelijk.
   • Het gebruikt een Function-Space Diffusion Model waarbij ruis wordt toegevoegd via Gaussische Random Fields (GRF) in plaats van pixel-wise ruis. Dit behoudt de ruimtelijke continuïteit en discretisatie-invariantie van geologische velden.
2. Differentieerbare Neuraal Operator Surrogaat (LNO):
   • Een apart getrainde Local Neural Operator (LNO) leert de forward mapping $L_\phi \approx F$ van het geomodel ($m$) naar de dynamische toestand ($s$, bijv. verzadiging).
   • Deze surrogate is differentieerbaar, waardoor gradiënten van observaties direct kunnen worden teruggepropageerd naar de parameterruimte.
3. Gekoppelde Posterior Sampling:
   • Tijdens inferentie wordt het diffusieproces geleid door de gradiënt van de log-likelihood.
   • Inverse Probleem: Omdat de observaties ($y_{dyn}$) dynamisch zijn, wordt de likelihood-gradiënt berekend door differentiëren via de surrogate $L_\phi$: $\nabla_m \log p(y_{dyn}|m) \approx \nabla_m \|L_\phi(m) - y_{dyn}\|^2$.
   • Dit vertaalt schaarse constraints in de oplossingsruimte naar dichte, fysiek consistente richtingen in de parameter-ruimte.

Verschil met Joint-State (Fun-DPS):
In tegenstelling tot joint-state modellen die $p(m, s)$ gezamenlijk leren (wat leidt tot statistische correlaties in plaats van fysieke wetten), leert Fun-DDPS $p(m)$ en $L_\phi$ onafhankelijk. Dit voorkomt dat het model "leert" om fysiek onmogelijke combinaties te genereren om de data te passen.

3. Belangrijkste Bijdragen

1. Robuuste Forward Modeling: Fun-DDPS kan missing data in het geomodel probabilistisch reconstrueren, waardoor het extreem schaarse input (25% dekking) aankan zonder catastrofale fouten.
2. Fysiek Consistente Inversie: Door gebruik te maken van een gespecialiseerde surrogate voor gradiëntgeleiding, worden de hoge-frequentie artefacten die typisch zijn voor joint-state modellen geëlimineerd.
3. Rigoureuze Validatie: Dit is de eerste studie die diffusie-gebaseerde inversie strikt valideert tegen een "ground truth" posterior verkregen via Rejection Sampling (RS), een asymptotisch exacte methode.

4. Resultaten

De methode werd getest op synthetische CCS-datasets (injectie van CO2 in een zoutaquifer).

Forward Modeling (Schaarse Geomodel Observaties):

• Situatie: Voorspellen van de dynamische verzadiging met slechts 25% van de geomodel-data bekend.
• Resultaat: Fun-DDPS behaalde een relatieve $L_2$-fout van 7,7%.
• Vergelijking: Standaard deterministische surrogates faalden hier volledig met een fout van 86,9% (een verbetering van 11x). Fun-DDPS reconstrueerde een fysiek plausibel volledig veld via de generatieve prior.

Inverse Modeling (Schaarse Dynamische Observaties):

• Situatie: Afleiden van het volledige geomodel op basis van data van slechts twee monitoringputten (<1% domein dekking).
• Statistische Nauwkeurigheid: Zowel Fun-DDPS als de joint-state baseline (Fun-DPS) bereikten een Jensen-Shannon-divergentie (JS-divergentie) van < 0,06 ten opzichte van de RS-referentie, wat aantoont dat ze de juiste posterior-verdeling benaderen.
• Kwaliteit van Realisaties:
  • Fun-DPS (Joint-state): Produceerde statistisch nauwkeurige maar fysiek onrealistische monsters met zichtbare hoge-frequentie ruis/artefacten.
  • Fun-DDPS (Decoupled): Produceerde geologisch coherente realisaties met gladde, fysiek consistente ruimtelijke structuren, vrij van de artefacten.
• Efficiëntie: Fun-DDPS vereiste 4x minder computatiekracht (functionele evaluaties) dan Rejection Sampling om een vergelijkbare posterior te genereren.

5. Betekenis en Conclusie

Dit paper presenteert een doorbraak in de toepassing van generatieve AI voor wetenschappelijke inverse problemen in de geologie.

• Overcoming Data Sparsity: Fun-DDPS lost het probleem op dat deterministische methoden en traditionele ensemble-methoden niet kunnen aanpakken: het werken met extreem schaarse data in hoogdimensionale, niet-Gaussische ruimten.
• Fysieke Betrouwbaarheid: De "decoupled" architectuur garandeert dat de gegenereerde oplossingen niet alleen statistisch waarschijnlijk zijn, maar ook voldoen aan de onderliggende fysieke wetten (via de gescheiden surrogate), wat essentieel is voor veiligheidskritieke toepassingen zoals CCS.
• Schaalbaarheid: De methode biedt een praktische, schaalbare oplossing voor onzekerheidskwantificering in 3D-ondergrondse modellen, waarbij de hoge kosten van traditionele Bayesiaanse sampling worden omzeild zonder in te leveren op nauwkeurigheid.

De auteurs merken op dat de huidige studie zich beperkt tot een enkel tijdstip (30 jaar na injectie), maar dat het raamwerk uitstekend geschikt is voor uitbreiding naar volledige spatiotemporale trajecten (bijv. 4D-seismiek), aangezien de neurale operator dynamische toestanden kan afbeelden zonder de dure diffusie-prior opnieuw te hoeven trainen.