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

Dit artikel presenteert een wetenschappelijk machine learning-framework dat een convolutioneel neuraal netwerk-surrogaat combineert met Bayesiaanse inferentie om de meerfasige CO2-pekelstroomdynamiek in poreuze media efficiënt te voorspellen en te kalibreren, waarbij significante verbeteringen in parameteridentificatie en simulatienauwkeurigheid worden aangetoond ten opzichte van traditionele methoden met behulp van hoogwaardige "FluidFlower" experimentele data.

De kern

Stel je voor dat je probeert te voorspellen hoe een druppel inkt zich door een spons verspreidt, maar deze spons is gemaakt van verschillende soorten zand, heeft verborgen barsten (breuken), en de inkt is eigenlijk kooldioxidegas dat ondergronds wordt geïnjecteerd. Dit is de uitdaging van geologische koolstofopslag: uitzoeken precies waar het gas naartoe gaat en hoe het gevangen wordt zodat we het veilig kunnen opslaan.

Het probleem is dat de fysica die hierbij betrokken is ongelooflijk complex is. Om een perfect antwoord te krijgen met traditionele computermodellen, moet je enorme, trage simulaties draaien. Als je wilt weten hoe onzeker je bent over het antwoord (bijv. "Wat als het zand iets poreuzer is?"), zou je die trage simulaties duizenden keren moeten draaien. Dat duurt te lang en kost te veel rekenkracht.

Dit artikel presenteert een slimme oplossing met behulp van Scientific Machine Learning (SciML) om de snelheid te verhogen en betere voorspellingen te doen. Dit is hoe ze het deden, eenvoudig uitgelegd:

1. De "Snelheidsleerling" (Het Surrogaatmodel)

Beschouw de traditionele, hoogwaardige computersimulatie als een meesterkok die een perfect gerecht kan bereiden, maar daar drie dagen over doet. Je kunt de meesterkok niet vragen om 1.000 variaties van het gerecht te koken, alleen maar om te zien welk gerecht het lekkerst smaakt.

De auteurs trainden een Convolutional Neural Network (CNN) — dat ze een "surrogaat" noemen — om als een snelle leerling te fungeren.

• Training: Ze voedden de leerling met 98 voorbeelden van het werk van de meesterkok (simulaties van CO2 die door de "FluidFlower"-tank beweegt).
• Leren: De leerling leerde de patronen: hoe het gas opstijgt, hoe het zijwaarts verspreidt en hoe het vast komt te zitten in verschillende lagen zand.
• Het resultaat: Eenmaal getraind kan de leerling de uitkomst van een nieuw scenario in een fractie van een seconde voorspellen. Het is miljoenen malen sneller dan de meesterkok, terwijl het nog steeds de grote lijn goed krijgt. Het legt de hoofdvorm van de gaswolk (de "pluim") en de beweging ervan vast, ook al mist het enkele kleine, chaotische wervelingen (fingering) die moeilijk te voorspellen zijn.

2. Het "Detectivespel" (Bayesiaanse Inferentie)

Nu ze een snelle leerling hebben, moesten ze een detectiveprobleem oplossen: Wat zijn de verborgen eigenschappen van de ondergrondse rots?

In de echte wereld weten we niet exact de doorlatendheid (hoe gemakkelijk een vloeistof kan stromen) of de druk van elke laag gesteente. We hebben slechts een paar metingen.

• De oude manier: Wetenschappers gebruikten vroeger schattingen van de gesteente-eigenschappen, draaiden de trage simulatie van de meesterkok, vergeleken dit met het experiment en pasten de schatting handmatig aan. Dit deden ze door naar slechts enkele grote getallen te kijken (zoals "hoe groot is de gaswolk na 1 uur?").
• De nieuwe manier: De auteurs gebruikten de snelle leerling binnen een Bayesiaans inferentiekader (een statistische methode). Ze lieten de computer duizenden "wat als"-scenario's direct uitvoeren.
• De twist: In plaats van alleen naar een paar getallen te kijken, voerden ze de computer de volledige video van het experiment. Ze vergeleken het volledige beeld van de bewegende gaswolk over de tijd met de voorspellingen van de leerling.

3. Wat ze ontdekten

• Betere nauwkeurigheid: Door de volledige video en de snelle leerling te gebruiken, kwam hun model veel beter overeen met het werkelijke experiment dan de eerdere handmatige pogingen. Het voorspelde correct hoe de gaswolk een "breuk" (een barst in de rots) raakte en hoe het zich verspreidde onder een "afdichting" (een laag die het gas tegenhoudt).
• Het "vingerafdrukprobleem": Ze ontdekten dat verschillende combinaties van gesteente-eigenschappen soms een vergelijkbaar uitziende gaswolk kunnen produceren. Het is alsof twee verschillende vingerafdrukken dezelfde veeg op een raam achterlaten. Dit betekent dat er niet slechts één "perfect" antwoord is voor de gesteente-eigenschappen; er zijn er meerdere die aannemelijk zijn. Het machine learning-framework hielp hen om al deze mogelijkheden in kaart te brengen, in plaats van er slechts één te kiezen.
• Timing is cruciaal: Ze testten hoeveel data ze nodig hadden. Ze ontdekten dat zodra de gaswolk interactie had met de belangrijkste geologische kenmerken (zoals de breuken en afdichtingen), de data zeer informatief werd. Het toevoegen van meer data na dat punt leverde niet veel meer op. Het is als het oplossen van een puzzel: zodra je de hoekstukken en de hoofdafbeelding hebt gevonden, verandert het toevoegen van een paar randstukjes het beeld niet veel meer.

Het "FluidFlower"-experiment

De hele studie werd getest op een echt experiment genaand "FluidFlower". Stel je een grote, transparante tank voor gevuld met verschillende lagen zand. Wetenschappers injecteren CO2 (dat door een pH-indicator blauw kleurt in het water) en kijken hoe het beweegt. Omdat de tank helder is, kunnen ze foto's maken van de volledige gaswolk terwijl deze evolueert. Dit bood de "ground truth" om te testen of hun AI-leerling daadwerkelijk de juiste fysica leerde.

De kern van het verhaal

Dit artikel laat zien dat door een snelle AI-"leerling" te combineren met een statistisch detectivespel, wetenschappers kunnen:

1. Voorspellen hoe kooldioxide ondergronds beweegt, veel sneller dan voorheen.
2. Werkelijke experimentele data gebruiken om de verborgen eigenschappen van de rots te achterhalen.
3. Begrijpen wat de grenzen zijn van wat we kunnen weten (door te identificeren welke gesteente-eigenschappen makkelijk te raden zijn en welke ambigu zijn).

Dit is een belangrijke stap naar het creëren van "digitale tweelingen" van ondergrondse opslaglocaties—virtuele modellen die nauwkeurig genoeg zijn om ons te helpen veilige beslissingen te nemen over de opslag van kooldioxide om klimaatverandering te bestrijden.

Technische samenvatting

Technische Samenvatting: Leren en Infereren van Multifasische Stromingsdynamica in Poreuze Media met behulp van Scientific Machine Learning

Probleemstelling
Nauwkeurige voorspelling en parameteridentificatie voor multifasische stroming in poreuze media zijn cruciaal voor geologische koolstofdioxideopslag (GCS), maar blijven uitdagend vanwege sterke nietlineariteiten, hoogdimensionele parameterruimten en schaarse observationele gegevens. Traditionele high-fidelity numerieke simulaties zijn weliswaar geavanceerd, maar computationeel kostbaar, waardoor ze onpraktisch zijn voor onzekerheidskwantificering, inverse modellering of real-time besluitvorming. Bovages, de schaarste aan data op veldschaal creëert een mismatch tussen modelvalidatie en bruikbare inzichten. Hoewel gecontroleerde laboratoriumexperimenten zoals de "FluidFlower"-benchmark hoogwaardige data bieden, is history matching tegen dergelijke data vaak slecht gesteld (ill-posed), wat iteratieve, door experts gestuurde kalibraties vereist die de spatiotemporele informatie mogelijk niet volledig benutten.

Methodologie
De auteurs stellen een Scientific Machine Learning (SciML) raamwerk voor dat surrogate modeling integreert met Bayesiaanse inferentie om zowel forward voorspelling als inverse parameterschatting voor CO2-zoutwaterstromingen aan te pakken.

1. Forward Surrogate Modeling:

   • Datageneratie: High-fidelity numerieke simulaties van het "FluidFlower"-experiment werden gegenereerd met behulp van de MATLAB Reservoir Simulation Toolbox (MRST). Deze simulaties losten massa-balansvergelijkingen op voor twee-fasen, twee-componenten stroming met hysteretische capillaire druk en relatieve permeabiliteitsfuncties.
   • Architectuur: Een Convolutional Neural Network (CNN) gebaseerd op de UNet-architectuur werd getraind om de mapping te leren van geologische parameterrealisaties naar de evolutie van CO2-verzadigings- en opgeloste CO2-concentratieveelden.
   • Input/Output: Het model neemt ruimtelijk gestructureerde parametervelden (permeabiliteit, capillaire entree-druk, connate waterverzadiging en relatieve permeabiliteitsexponenten voor drie geologische regio's: opslagzand, breukzand en bovenliggende afsluitende laag) en tijd als input. Het genereert de bijbehorende opgeloste CO2-concentratie en gasverzadigingsvelden op een uniform 64 × 128 rooster.
   • Training: De surrogate werd getraind op 98 simulatieruns (45.668 input-output paren) en getest op ongeziene gevallen, waarbij een versnelling van meerdere grootheden werd bereikt ten opzichte van de originele full-physics simulaties.

2. Inverse Parameter Inferentie:

   • Raamwerk: De getrainde surrogate werd ingebed in een Markov chain Monte Carlo (MCMC) raamwerk (met behulp van de emcee ensemble sampler) om Bayesiaanse inferentie uit te voeren.
   • Likelihood: De likelihood-functie werd geconstrueerd door experimenteel geobserveerde binaire kaarten van opgeloste en gasvormige CO2-pluimen (afgeleid van beeldverwerking van "FluidFlower"-foto's) te vergelijken met gedrempelde (thresholded) surrogate-voorspellingen.
   • Doel: Deze aanpak maakt een efficiënte exploratie van de 15-dimensionale parameterruimte mogelijk om de posterior distributies van cruciale petrofysische eigenschappen te identificeren, waardoor de prohibitieve kosten van herhaalde full-physics simulaties worden vermeden.

Belangrijkste Resultaten

• Forward Voorspellingsnauwkeurigheid: Het surrogate model legt accuraat grootschalige CO2-pluimmigratie vast, inclusief drijvingsgestuurde opwaartse beweging, laterale verspreiding en interacties met heterogene geologische structuren (breuken en afsluitende lagen). Hoewel er kleine discrepanties bestaan in fijnmazige vingervorming (fingering) structuren door hydrodynamische instabiliteiten, behoudt het model een hoge getrouwheid in macroscopisch transportgedrag. Kwantitatieve analyse met de Optimal Transport Wasserstein Distance (OTWD) laat zien dat de surrogate-voorspellingen consistent dichter bij de referentiewaardes liggen dan typische trainingsrealisaties, zelfs naarmate de complexiteit van de oplossing in de loop van de tijd toeneemt.
• Inverse Inferentie Prestaties: De surrogate-ondersteunde Bayesiaanse inversie verbetert de concordantie tussen simulaties en experimentele observaties aanzienlijk vergeleken met handmatig gekalibreerde resultaten. De geïnferreerde Maximum A Posteriori (MAP) oplossing reproduceert de grootschalige pluimgeometrie, verticale omvang en migratiepaden beter, met name in regio's die beïnvloed worden door breuken en afsluitende lagen.
• Parameter Identificeerbaarheid: De analyse onthult dat hoewel sommige parameters (bijv. permeabiliteitsmultipliers in specifieke regio's) goed worden vastgesteld door observaties, andere breed verdeeld blijven of meerdere modi vertonen. Dit onderstreept de niet-uniciteit van het inverse probleem, waarbij verschillende parametercombinaties vergelijkbaar macroscopisch pluimgedrag kunnen produceren.
• Impact van het Observatiehorizon: De studie demonstreert dat observationele data substantieel informatiever worden zodra de pluim interacteert met belangrijke geologische kenmerken (breuken en afsluitende lagen). Het verlengen van de observatiehorizon voorbij het punt waar de pluim primaire migratiepaden vestigt, levert afnemende rendementen op voor het vaststellen van grootschalig transportgedrag, aangezien resterende discrepanties worden gedomineerd door gevoelige, fijnmazige vingervorming-dynamica.

Betekenis en Claims
Het artikel claimt dat dit raamwerk een cruciale stap vormt richting data-gedreven digitale tweelingen voor ondergrondse systemen. Door gebruik te maken van ruimtelijk en temporeel opgeloste full-field experimentele observaties, verbetert de aanpak de macroscopische concordantie tussen simulaties en experimenten aanzienlijk vergeleken met eerdere handmatige kalibraties gebaseerd op beperkte scalaire grootheden.

De auteurs benadrukken dat het surrogate model fysiek betekenisvol transportgedrag leert in plaats van eenvoudige interpolatie, en daarmee robuuste prestaties behoudt, zelfs in complexe, nietlineaire stromingsregimes. De integratie van SciML met Bayesiaanse inferentie maakt de exploratie van hoogdimensionele parameterruimten computationeel hanteerbaar, wat zowel identificeerbare als niet-identificeerbare parametercombinaties blootlegt. Deze capaciteit ondersteunt onzekerheid-bewuste voorspelling en besluitvorming, waarmee de kloof tussen high-fidelity simulaties en bruikbare inzichten wordt overbrugd. Het werk onderstreept ook het belang van de "FluidFlower"-benchmark voor het valideren van deze benaderingen tegen de fysieke realiteit, verdergaand van louter synthetische datasets.