Физически информированное глубокое обучение для оценки мест хранения диоксида углерода

Исследователи из Университета штата Пенсильвания разработали эффективный и экономичный подход к прогнозному моделированию, объединив методы искусственного интеллекта с физическими принципами для оценки подземных резервуаров для хранения CO₂. Результаты опубликованы в Journal of Contaminant Hydrology.

Подземное хранение CO₂ — один из экологичных способов сокращения его содержания в атмосфере, однако геологическая структура может быть неблагоприятной для инъекции газа. Превышение давления может привести к трещинам, утечкам газа и землетрясениям. Традиционные численные симуляции для прогнозирования реакции пласта на закачку CO₂ требуют много времени и средств, и их необходимо запускать заново для каждого нового потенциального объекта.

Чтобы избежать этих затрат, команда обучила алгоритмы глубокого обучения на данных, смоделированных для резервуара на глубине 7500 футов (~2286 м), чтобы предсказывать поведение насыщения CO₂ и давления в новых системах. Для повышения точности и предотвращения переобучения исследователи добавили в модель ограничения, основанные на фундаментальных физических принципах, таких как закон сохранения массы. При возникновении расхождений с физикой алгоритм получал «штраф», что помогало ему корректировать ошибки.

«Использование физически информированного подхода делает модель более универсальной», — отметила руководитель исследования, доцент Пэриса Шокухи. По её словам, этот метод позволяет получать точные результаты даже для объектов, на которых модель не обучалась, и работает значительно быстрее традиционных симуляций. В будущем такие модели могут быть использованы операторами для принятия быстрых решений в реальном времени при закачке CO₂ под землю.