CarbonNet: How Computer Vision Plays a Role in Climate Change? Application: Learning Geomechanics from Subsurface Geometry of CCS to Mitigate Global Warming

Resumo Técnico: CarbonNet – Visão Computacional para Geomecânica em CCS

Definição do Problema
A Captura e Armazenamento de Carbono (CCS) é uma tecnologia crítica para mitigar o aquecimento global, envolvendo a injeção de CO₂ supercrítico em aquíferos salinos profundos ou reservatórios de petróleo abandonados. Um risco primário associado a esse processo é o soerguimento da superfície (deslocamento do solo) causado pelo excesso de pressão de fluido, o que pode danificar infraestruturas e afetar a segurança humana. Prever a distribuição espacial e a evolução temporal desse deslocamento superficial é essencial para a prevenção de riscos. No entanto, as simulações numéricas tradicionais (por exemplo, o Método de Elementos Finitos) são computacionalmente proibitivas devido às grandes escalas espaciais e temporais dos projetos de CCS. Além disso, as abordagens existentes de aprendizado profundo frequentemente enfrentam dificuldades com a heterogeneidade de materiais, o acoplamento entre o fluxo de fluidos e a mecânica, ou são limitadas a configurações geológicas específicas. Este projeto aborda o desafio de prever eficientemente o deslocamento da superfície terrestre sob variações de geometrias de subsuperfície utilizando técnicas de visão computacional.

Metodologia
Os autores formulam o problema como uma tarefa de predição imagem-para-imagem para mecânica estática e uma tarefa de predição de vídeo para mecânica transiente. A entrada consiste em imagens 2D que representam a geometria da subsuperfície (especificamente, uma camada de folhelho com ângulos de mergulho variáveis inserida entre duas camadas permeáveis), e a saída é o campo de deslocamento superficial correspondente.

1. Geração de Dataset:

   • Modelo Estático: 10.000 amostras foram geradas usando FEniCS (simulação baseada em FEM). As entradas são imagens de geometria com ângulos de mergulho variando de 0° a 45°. Os rótulos (labels) são valores de deslocamento vertical ($u_y$) em 1.250 pontos em uma grade de 50×25.
   • Modelo Transiente: 3.000 amostras foram geradas usando simulações hidromecânicas acopladas. As entradas são imagens de geometria, e os rótulos são dados de séries temporais de deslocamento vertical em 40 pontos na superfície do solo ao longo de 1.000 passos de tempo. As sequências de dados foram criadas usando janelas deslizantes (5 passos para prever o próximo) e normalizadas via escala min-max.

2. Modelos de Mecânica Estática (Predição de Imagem):

   • Baselines: Arquiteturas padrão de CNN e ResNet (ResNet18) foram testadas. Esses modelos realizam o downsampling das imagens para extrair características, mas foi observado que perdem informações espaciais críticas, levando a imprecisões em regiões heterogêneas.
   • Modelo Proposto (ResNetUNet): Uma arquitetura customizada que combina ResNet e UNet. O encoder utiliza blocos ResNet para capturar leis físicas complexas e distribuições de materiais heterogêneos, enquanto o decoder emprega upsampling no estilo UNet com conexões de salto (skip connections) para recuperar detalhes espaciais e evitar a perda de informação.

3. Modelos de Mecânica Transiente (Predição de Vídeo/Série Temporal):

   • Extração de Características: Ambos os modelos utilizam a ResNetUNet pré-treinada para extrair características da imagem de geometria de entrada.
   • LSTM: Uma rede de Memória de Longo Prazo (Long Short-Term Memory) empilhada (4 células LSTM) processa a sequência de valores de deslocamento (tamanho 40) para prever o próximo passo de tempo.
   • Transformer: Uma arquitetça de encoder-decoder Transformer processa a sequência. Ela utiliza mecanismos de autoatenção para capturar dependências de longo prazo, teoricamente superando a perda de informação sequencial inerente às LSTMs. O encoder e o decoder cada um consistem em quatro camadas com uma dimensão de modelo de 16 e 8 cabeças de atenção.

Resultados Principais

• Mecânica Estática: O modelo ResNetUNet superou significativamente as baselines de CNN e ResNet. Comparações visuais mostraram que as predições da ResNetUNet são quase idênticas à verdade fundamental (ground truth) baseada em física, enquanto CNN e ResNet exibiram perda de informação e menor precisão, particularmente em regiões heterogêneas. Quantitativamente, a ResNetUNet alcançou um MSE de validação de $7,33 \times 10^{-8}$ e um MAE de $2,00 \times 10^{-4}$, ordens de magnitude menores que as baselines.
• Mecânica Transiente: Tanto os modelos LSTM quanto o Transformer previram com sucesso a evolução temporal do deslocamento superficial. O modelo Transformer demonstrou desempenho superior com um MSE de validação inferior ($3,86 \times 10^{-9}$) e MAE ($1,50 \times 10^{-6}$) em comparação com a LSTM. Embora a LSTM tenha mostrado potencial promissor, o mecanismo de autoatenção do Transformer permitiu lidar melhor com os dados de sequência de alta dimensão (40 pontos), ajustando-se quase perfeitamente à verdade fundamental.
• Dinâmica de Treinamento: Todos os modelos foram treinados sem validação cruzada devido à abundância de dados sintéticos. Os históricos de perda indicaram ausência de sinais de overfitting ou underfitting.

Significância e Alegações
O artigo afirma apresentar uma abordagem de estado da arte que aproveita a inteligência de visão computacional para resolver problemas complexos de geomecânica acoplada e fluxo de fluidos. A principal significância reside na generalização da solução para imagens de geometria de entrada arbitrárias, indo além de modelos restritos a formações geológicas específicas.

• Eficiência: A abordagem oferece uma alternativa computacionalmente eficiente às simulações numéricas tradicionais, permitindo uma tomada de decisão mais rápida para o planejamento de projetos de CCS.
• Eficácia da Arquitetura: O estudo demonstra que a arquitetura ResNetUNet é particularmente eficaz para problemas de mecânica estática heterogênea ao preservar a informação espacial por meio de conexões de salto.
• Modelagem Temporal: O trabalho valida a aplicabilidade de modelos Transformer na predição de séries temporais geomecânicas, mostrando que podem superar redes recorrentes tradicionais (LSTM) na captura de dependências de longo prazo em sistemas físicos.
• Impacto Futuro: Os autores postulam que esses modelos podem informar a tomada de decisão na vigilância de armazenamento de carbono para mitigar as mudanças climáticas. Trabalhos futuros incluem testar a robustez com Redes Adversárias Generativas (GANs) para geometrias mais complexas e implantar uma versão alpha de uma aplicação web para acesso público.