A Benchmark Dataset for Machine Learning Surrogates of Pore-Scale CO2-Water Interaction

本文介绍了一个包含 624 个高分辨率二维样本的基准数据集，该数据集基于高保真数值模拟生成，旨在捕捉孔隙尺度下 CO₂与水在多孔介质中的复杂相互作用，从而为碳捕获与封存（CCS）领域的机器学习代理模型开发与评估提供关键基准。

要点

这篇论文介绍了一个全新的“超级题库”，专门用来训练人工智能（AI）去预测二氧化碳（CO₂）在地下岩石缝隙中是如何流动的。

想象一下，我们要把大量的二氧化碳“埋”进地底下，让它和地下水共存，从而防止它跑到大气中造成温室效应。但这就像是在玩一个极其复杂的迷宫游戏：地下的岩石不是光滑的管子，而是像海绵一样，充满了大小不一、形状各异的微小孔洞。

1. 为什么要做这个？（背景故事）

• 现实难题：要把 CO₂安全地锁在地下，我们需要知道它在水和岩石的微小缝隙里会怎么跑。是像水流一样顺畅，还是会像迷路一样到处乱窜？
• 传统方法的局限：
  • 做实验：就像在实验室里拿一块真实的岩石做实验，太慢、太贵，而且很难看清里面每一秒发生了什么。
  • 超级计算机模拟：用数学公式在电脑里模拟，虽然准，但算一次要花好几天甚至几周，就像用手算来解一道超级复杂的微积分题，效率太低。
• AI 的潜力：我们想让 AI 当个“速算天才”。只要给它看过足够多的例子，它就能在几秒钟内猜出 CO₂下一秒会跑到哪里。

2. 这个“超级题库”是什么？（核心贡献）

作者们制造了一个包含 624 个不同“迷宫” 的数据集。

• 迷宫的样子：每个迷宫（样本）都是一张 512×512 像素的高清图片。你可以把它想象成一张超级显微镜下的岩石切片，分辨率高到能看清每一粒沙子（35 微米）。
• 迷宫的多样性：
  • 有的迷宫里的沙子排列很整齐（像图书馆的书）；
  • 有的则乱七八糟，大小不一，间距随机（像被踩乱的沙堆）。
  • 这模拟了真实世界中千变万化的地质情况。
• 动态过程：这不仅仅是静态图片。每个迷宫都记录了 100 个时间片段，就像一部延时摄影电影。它展示了 CO₂气体是如何从左边注入，慢慢推开地下水，穿过这些复杂孔洞的全过程。

3. 他们是怎么做的？（方法比喻）

• 造迷宫：作者用电脑程序“捏”出了这些岩石结构。他们故意让沙粒的大小和位置随机变化，就像揉面团一样，有的揉得均匀，有的揉得全是疙瘩，以此模拟真实地下的“不均匀性”。
• 模拟流动：他们使用了一个叫 GeoChemFoam 的超级模拟器，像导演一样，指挥 CO₂和水的“演员”在迷宫里表演。它计算了压力、速度、表面张力等物理规则，确保表演符合物理定律。
• 生成数据：最终，他们得到了 624 部“电影”，每部电影里都有 CO₂（黄色）和水（蓝色）的追逐戏，以及压力、速度等“幕后数据”。

4. 这个数据集有什么用？（实际应用）

这个数据集就像一个驾校的模拟考场：

• 以前的考题：大多只考“最后车停在哪”（最终状态），或者考题太简单（迷宫太小、太规则）。这导致 AI 司机到了真实复杂的路上就晕头转向。
• 现在的考题：这个新数据集考的是全过程（从起步到停车的每一步），而且路况极其复杂（有平整大道，也有坑坑洼洼的土路）。
• 训练成果：作者用这个数据集训练了几个 AI 模型。结果发现，看得越多、路况越杂，AI 的预测就越准。
  • 只见过简单路况的 AI（1 级难度训练），遇到复杂路况就出错。
  • 见过所有难度路况的 AI（5 级难度训练），预测得非常精准，误差极小。

5. 总结

简单来说，这篇论文就是为 AI 准备了一本“地下 CO₂流动百科全书”。

以前，AI 只能猜个大概；现在，有了这本包含 624 种不同地质情况、记录了 100 个时间步骤的“高清百科全书”，AI 就能学会如何精准预测二氧化碳在地下深处的行为。这对于我们安全、高效地储存二氧化碳，应对气候变化，具有非常重要的意义。

一句话概括：作者们用电脑造了 624 个微缩版的“地下岩石迷宫”，并拍下了 CO₂在其中流动的 100 帧高清电影，以此训练 AI 成为预测地下气体流动的“预言家”。

技术摘要

这是一份关于《机器学习孔隙尺度 CO2-水相互作用代理模型的基准数据集》（A Benchmark Dataset for Machine Learning Surrogates of Pore-Scale CO2-Water Interaction）的论文详细技术总结。

1. 研究背景与问题 (Problem)

• 核心挑战：准确捕捉多孔介质中 CO2 与水在孔隙尺度（Pore-scale）的复杂相互作用，对于碳捕获与封存（CCS）、提高采收率（EOR）等地球科学应用至关重要。
• 现有局限性：
  • 实验与成像：实验室岩心驱替实验只能提供宏观有效属性；X 射线显微断层扫描等成像技术难以捕捉动态过程。
  • 数值模拟：格子玻尔兹曼（LBM）、孔隙网络模型和直接数值模拟（DNS）虽然精度高，但计算成本极其高昂，难以大规模应用。
  • 机器学习（ML）的瓶颈：
    1. 数据规模与分辨率不足：现有数据集通常限制在较小的网格尺寸（如 256×256），难以捕捉复杂地层所需的精细模式。
    2. 缺乏时间动态性：大多数数据集仅关注注入结束后的最终状态，缺乏中间时间步的演化数据，导致模型难以捕捉 CO2 运移的瞬态行为。
    3. 泛化能力弱：缺乏涵盖不同非均质性（Heterogeneity）水平的多样化数据，限制了模型在不同地质场景下的泛化能力。

2. 方法论 (Methodology)

该研究构建了一个高分辨率、包含时间序列的基准数据集，并验证了其在 ML 代理模型训练中的有效性。

A. 几何结构生成 (Geometry Preprocessing)

• 生成工具：使用开源工具 DrawMicromodels.ipynb 生成孔隙结构。
• 非均质性控制：通过扰动规则三角晶格来模拟地质变异。引入三个非均质性幅度参数：$\{raddev_{max}, xdev_{max}, ydev_{max}\}$。
  • 定义了5 个非均质等级（Level 1 至 Level 5），从分选良好的介质到高度非均质介质。
  • 半径变化模拟沉积分选，位置抖动模拟局部压实和堆积不规则性。
• 参数扫描与增强：
  • 对基准半径 $R_0$ 和目标孔隙度 $\phi$ 进行确定性扫描。
  • 生成 90 个基础图像，剔除 12 个存在渗流短路的图像，保留 78 个。
  • 将每个 1024×1024 图像裁剪为 4 个 512×512 象限，并进行垂直镜像。
  • 最终数据集：$78 \times 4 \times 2 = 624$ 个几何样本。

B. 物理模拟 (Multi-phase flow Simulation)

• 求解器：使用 Heriot-Watt 大学开发的开源求解器 GeoChemFoam（基于 OpenFOAM）。
• 物理模型：
  • 采用代数体积流体（VoF）方法求解多相流。
  • 求解单场 Navier-Stokes 方程（NSE），包含连续性方程、动量方程（含粘性应力和表面张力）。
  • 使用连续表面力（CSF）模型近似表面张力。
  • 引入人工压缩项以减少界面模糊。
• 模拟设置：
  • 域尺寸：512 × 512 体素，物理分辨率 35 µm/像素。
  • 边界条件：左侧注入 CO2，初始状态为水饱和。
  • 流体参数：CO2 粘度 $7.37 \times 10^{-8} m^2/s$，水粘度 $1 \times 10^{-6} m^2/s$，界面张力 0.03 N/m，接触角 45°。
  • 时间序列：模拟总时长 1 秒，写入间隔 0.01 秒，共 100 个时间步。
  • 注入条件：恒定注入率，毛细管数约为 $5 \times 10^{-6}$。

3. 关键贡献 (Key Contributions)

1. 高分辨率时空数据集：

   • 包含 624 个 2D 样本，每个样本尺寸为 512×512（分辨率 35µm）。
   • 覆盖 100 个时间步，提供了从注入开始到结束的完整动态演化过程（不仅仅是最终状态）。
   • 数据格式为 HDF5，包含水饱和度、压力、毛细管压力、水平/垂直速度场及物理域二值图。

2. 多样化的非均质性设计：

   • 数据集涵盖了从 Level 1（低非均质）到 Level 5（高非均质）的 5 个等级，模拟了真实的地质变异（如砂岩中的孔隙喉道分布和毛细管对比度变化）。
   • 这种设计旨在训练 ML 模型具备尺度不变性和局部异常处理能力，从而更好地泛化到未见过的地质环境。

3. 基准测试与验证：

   • 提供了详细的元数据（孔隙度、渗透率、相对渗透率等 CSV 文件）。
   • 公开了代码和模拟数据，促进了该领域的可复现性。

4. 实验结果 (Results)

研究团队使用 U-Net 架构训练了三个代理模型，以验证数据集对模型泛化能力的影响：

• 模型设置：
  • Model A (5-Levels)：在全部 5 个非均质等级的数据上训练。
  • Model B (4-Levels)：在除 Level 5 外的 4 个等级上训练。
  • Model C (1-Level)：仅在 Level 1（低非均质）上训练。
• 评估任务：输入连续 4 个时间步的饱和度图，预测后续 4 个时间步，并采用自回归方式生成最长 60 步的预测。
• 测试集：所有模型均在未见过的 Level 5 样本上进行测试。
• 性能指标 (MSE - 均方误差)：
  • 5-Levels 模型：平均 MSE 0.0145（表现最佳，作为基准）。
  • 4-Levels 模型：平均 MSE 0.0254。
  • 1-Level 模型：平均 MSE 0.0320（表现最差）。
• 发现：
  • 在更多样化的数据上训练显著提高了模型的平均泛化能力。
  • 然而，性能提升并非在所有单个样本上都是均匀的（某些特定样本上，4-Level 模型可能略差于 1-Level 模型），表明增加数据多样性虽然优化了整体规则学习，但也可能引入对特定分布外样本的偏差。

5. 意义与影响 (Significance)

• 推动 ML 在地球物理中的应用：该数据集解决了当前 ML 代理模型缺乏高质量、高分辨率、动态时间序列训练数据的问题，为开发高效的 CO2 运移预测模型提供了坚实基础。
• 加速碳封存评估：通过训练出的 ML 代理模型，可以以极低的计算成本替代昂贵的直接数值模拟（DNS），快速预测不同地质条件下的 CO2 存储效率和迁移路径。
• 方法论启示：证明了在训练数据中引入广泛的非均质性（Heterogeneity）对于构建鲁棒的地质 ML 模型至关重要，模型需要学会适应从均匀到高度复杂的各种地质结构。
• 开源生态：数据集和代码的公开（Dryad 和 GitHub）将促进全球研究人员在孔隙尺度多相流模拟和机器学习交叉领域的合作与创新。

总结：这项工作不仅提供了一个高质量的数据集，还通过系统的对比实验证明了数据多样性对于提升 ML 模型在复杂地质场景下泛化能力的关键作用，为下一代碳捕获与存储技术的数字化评估提供了重要工具。