数据中心/云端

聚焦:Shell 使用 NVIDIA Modulus 将 CO2 存储建模速度提高 100000 倍

随着世界在应对气候变化方面的迫切需求,碳捕获和存储(CCS)已成为实现净零排放的关键技术。CCS 技术包括从工业排放或通过直接空气捕获(DAC)捕获二氧化碳(CO2),并将其安全地存储在地下,可以推动需的脱碳策略,并帮助实现全球气候目标。

CCS 技术的成功取决于对存储点和注入方案的仔细选择。准确预测长期(通常跨越数百年)的 CO2 plume 迁移和压力累积对于确保存储点的安全性和有效性至关重要。找到最佳设置需要在不同的地下条件、井位和注入速率下评估数万种配置。但是,通常用于这些预测的传统流量模拟器需要大量计算,因此限制了对潜在地点和注入方案的高吞吐量筛选。

为应对这些挑战,Shell 正与 NVIDIA 合作,通过 NVIDIA Modulus 利用尖端技术来提高 CCS 站点筛选流程的效率和准确性。

构建碳捕获和储存快速筛选工具的策略。

该项目利用机器学习(ML)模型实现了地下 CO2 存储的快速高分辨率建模。这一种创新方法不仅可以加速 CCS 技术的部署,还可以就在何处以及如何最好地存储 CO2 做出更明智的决策,最终为全球缓解气候变化的努力做出贡献。壳牌在能源行业的专业知识与 NVIDIA 在 AI 和计算建模领域的领导地位相结合,可实现技术进步和突破,以经济高效且及时的方式快速筛选 CO2 存储的潜在地点。

A flow chart showing various functionality centered around the CCS screening tool, including AI-based surrogate models, spatiotemporal prediction, improvised uncertainty assessment, and prior geology model operating conditions.
图 1. CCS 筛选工具支持对地下油藏中的 CO₂2 进行时空建模,以反映逼真的地质情况。基于 AI 的代理可实现前所未有的加速,从而改进不确定性评估。

要确定最适合的存储地点,我们面临的一项主要挑战是评估油藏中 CO2 的注入后封闭情况。这是因为 CO2 会随着时间的推移迁移,并可能从油藏中逸出,从而对环境构成风险。此外,我们需要仔细管理 CO2 注入引起的油藏压力累积,以避免封闭油藏顶部的地质层出现裂缝,并防止出现地表地震危险。

斯坦福大学、加州理工学院和普渡大学的研究人员已经表明,与传统数值模型相比,基于 AI 的地下 CO2 行为代理模型可显著降低计算成本,同时保持较高的准确性。如需了解详情,请参阅 U-FNO — 一种基于增强 Fourier Neural Operator 的深度学习模型用于使用嵌套 Fourier Neural Operators 进行多相流和实时高分辨率 CO2 地质存储预测

因此,这些模型能够检查数万种注入配置,从而更全面、更快速地筛选潜在的存储点。为了将这项研究扩展到工业环境,Shell 和 NVIDIA 联合开发了一个基于 Fourier 神经运算符(FNOs)的 AI 框架,以模拟油藏中 CO21 的行为该软件工具大量利用 NVIDIA Modulus,这是一个开源框架,可通过简单的 Python 接口构建、训练和微调 Physics-ML 模型。

NVIDIA Modulus 提供了一系列广泛的神经网络和神经运算符架构,以及用于设置和扩展训练和推理管道的便捷函数。借助 ML 方面的繁重工作,Modulus 使领域科学家和工程师能够将最新的 ML 技术应用于他们的问题,并将其扩展到生产中的大规模并行设置和部署。

结果和应用

该模型基于从真实的地下参数生成的全面数据集进行训练,这些参数在注入后模拟了1,000年。经过充分训练的模型可实现O(10^5)计算加速,并将牺牲预测准确性的损失降至最低。结果表明,只需进行一次现场评估即可训练此类模型。经过充分训练的模型可应用于众多筛选任务,从而放大这种方法的优势。

为了分析模型的准确性,我们重点研究了 CO2 (m_{CO_2})、气体饱和度 S_g 和压力累积 \delta p 的时空分布。如图 2 所示,模型的预测在定性上与所有三个变量的真值都有很强的一致性。

Figures depicting the simulation domain overlayed with pseudocolor plots of gas saturation, pressure buildup, and mass accumulation.
图 2. 模型预测的 S_gm_{CO_2}\delta p(AC2)的字段与各自真值的直观比较。

图 3a 显示了两个感兴趣的解变量的平均绝对误差(MAE);MAE 是评估整个域中变量准确性的良好指标。此外,p_{90}m_{CO_2} 是用于监测 CO2 烟柱从喷射位置迁移距离的指标。图 3b 提供了R^2 随时间变化的 p_{90} 相关图。对于压力累积,全局指标并不提供信息,而是探索用于评估压力预测准确性的局部逐点指标。图 3c 显示了样本中(MAE)最大逐点误差的直方图。

在监控 CCS 站点时,我们特别关注最大压力发生的位置 —— 通常是在注入井附近。因此,我们会评估真实压力最大位置的模型预测(图 3d 中的红色圆圈)。为了避免位置偏差,我们从测试集中随机选择其他位置,并评估同一位置的模型预测(图 3d 中的蓝色圆圈)。在这两个指标中,我们都观察到 R^2 分数大于 0.97,这表明模型在大多数情况下都能提供可靠的预测。

有关更多详细信息,请参阅 Fourier Neural Operator Based Surrogates for Storage in Realistic Geologies。论文还提供了超分辨率实验和策略,以进一步提高模型预测的可靠性,这在评估实际地质地点时至关重要。

Error metrics a) MAE for mCO2 and Sg, with MAE representing average in time b) R2 correlation plots of 90% plume mass migration distance p90. c) Maximum pointwise error in δp d) R2 correlation plots of δp at maximum pressure location corresponding to the test sample shown with red circles. Correlation plots δp for randomly selected locations within the active domain of the test sample shown with blue circles.
图 3. 气体饱和度、压力累积和烟柱质量迁移的定量误差指标。

结束语

壳牌与 NVIDIA 合作开发了一种基于 Fourier 神经运算符的机器学习模型,用于对 CO22 卷流迁移进行实时、高分辨率的模拟。该模型基于从真实地下参数衍生的大量数据集进行训练。在推理过程中,我们观察到,与传统的 CO22 流场数值模拟器相比,我们的速度加快了 O(10^5),且准确度降低幅度极小。除了快速代理模型外,我们还展示和评估了一些基于物理性质的准确性指标,这些指标与评估和监控 CCS 站点相关。

此外,我们还提出了一些策略——异常检测、执行质量守恒——以提高模型预测的可靠性,这在评估实际地质地点时至关重要。我们的工作将科学机器学习模型扩展到与真实地下油藏更一致的真实系统,并为地下 CCS 应用的先进高级筛选工具奠定了基础。

 

标签