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

技术摘要：CarbonNet —— 用于碳捕集与封存（CCS）的地质力学计算机视觉研究

问题陈述
碳捕集与封存（CCS）是缓解全球变暖的关键技术，涉及将超临界二氧化碳注入深层咸水层或废弃油藏。与该过程相关的一个主要风险是由于流体压力过大导致的地面隆起（地表位移），这可能会损坏基础设施并影响人类安全。预测地表变形的空间分布和时间演化对于规避灾害至关重要。然而，由于 CCS 项目具有巨大的空间和时间尺度，传统的数值模拟（例如有限元法）在计算上极其昂贵。此外，现有的深度学习方法往往难以应对材料的异质性、流体流动与力学之间的耦合问题，或者局限于特定的地质环境。本项目旨在解决利用计算机视觉技术高效预测不同地下几何结构下地表位移的挑战。

方法论
作者将该问题构建为针对静态力学的图像到图像预测任务，以及针对瞬态力学的视频预测任务。输入由代表地下几何结构（具体为一个嵌入在两个渗透层之间的具有不同倾角页岩层的二维图像）的图像组成，输出则是相应的地表位移场。

1. 数据集生成：

   • 静态模型： 使用 FEniCS（基于 FEM 的模拟）生成了 10,000 个样本。输入为倾角在 0° 到 45° 之间的几何图像。标签是在 50×25 网格上的 1,250 个点处的垂直位移（$u_y$）值。
   • 瞬态模型： 使用耦合的水力-机械模拟生成了 3,000 个样本。输入为几何图像，标签为地面 40 个点在 1,000 个时间步内的位移时间序列。使用滑动窗口（用前 5 步预测下一步）创建数据序列，并通过最大最小缩放（min-max scaling）进行归一化。

2. 静态力学模型（图像预测）：

   • 基准模型： 测试了标准的 CNN 和 ResNet (ResNet18) 架构。这些模型通过下采样图像来提取特征，但被发现会丢失关键的空间信息，导致在异质区域出现误差。
   • 提议模型 (ResNetUNet)： 一种结合了 ResNet 和 UNet 的定制架构。编码器利用 ResNet 模块来捕捉复杂的物理定律和异质材料分布，而解码器则采用带有跳跃连接（skip connections）的 UNet 式上采样，以恢复空间细节并防止信息丢失。

3. 瞬态力学模型（视频/时间序列预测）：

   • 特征提取： 两种模型均利用预训练的 ResNetUNet 从输入的几何图像中提取特征。
   • LSTM： 长短期记忆网络（堆叠了 4 个 LSTM 单元）处理位移序列（大小为 40），以预测下一个时间步。
   • Transformer： Transformer 编码器-解码器架构处理序列。它使用自注意力机制来捕捉长期依赖关系，理论上克服了 LSTM 中固有的序列信息丢失问题。编码器和解码器各包含四层，模型维度为 16，注意力头数为 8。

关键结果

• 静态力学： ResNetUNet 模型显著优于 CNN 和 ResNet 基准模型。视觉对比显示，ResNetUNet 的预测结果与基于物理的地面真值几乎完全一致，而 CNN 和 ResNet 则表现出信息丢失和较低的准确度，尤其是在异质区域。从定量上看，ReslementUNet 实现了 $7.33 \times 10^{-8}$ 的验证 MSE 和 $2.00 \times 10^{-4}$ 的 MAE，比基准模型低了数个数量级。
• 瞬态力学： LSTM 和 Transformer 模型均成功预测了地表位移的时间演化。Transformer 模型表现出更优越的性能，其验证 MSE（$3.86 \times 10^{-9}$）和 MAE（$1.50 \times 10^{-6}$）均低于 LSTM。虽然 LSTM 展示了良好的潜力，但 Transformer 的自注意力机制使其能够更好地处理高维序列数据（40 个点），几乎完美地拟合了地面真值。
• 训练动态： 由于合成数据的充足性，所有模型在训练过程中均未进行交叉验证。损失历史记录显示没有出现过拟合或欠拟合的迹象。

意义与主张
本文声称提出了一种利用计算机视觉智能解决复杂耦合地质力学与流体流动问题的尖端方法。其主要意义在于将解决方案推广到任意输入的几何图像，超越了受限于特定地质构造的模型。

• 效率： 该方法提供了一种计算高效的替代方案，可以替代传统的数值模拟，从而实现更快的 CCS 项目规划决策。
• 架构有效性： 研究证明，ResNetUNet 架构通过跳跃连接保留空间信息，对于异质静态力学问题特别有效。
• 时间建模： 本研究验证了 Transformer 模型在地球力学时间序列预测中的适用性，表明其在捕捉物理系统长期依赖关系方面可以超越传统的循环网络（LSTM）。
• 未来影响： 作者认为，这些模型可以为碳存储监测中的决策提供参考，以缓解气候变化。未来的工作包括使用生成对抗网络（GAN）测试更复杂几何结构的鲁棒性，并部署一个用于公众访问的 Alpha 版本 Web 应用程序。