一氧化碳捕获和储存技术捕获 CO2从其生产来源，对其进行压缩，通过管道或船舶运输，并将其储存在地下。 CCS 使各行业能够大幅降低 CO2是帮助工业制造商实现净零排放目标的有力工具。在许多重工业过程中，温室气体（ GHG ）排放无法在规定的时间内避免，必须使用 CCS 解决方案，如水泥、化肥和化工行业。
在全球范围内减少温室气体排放的情景突出了 CCS 在能源组合中的作用。为了达到 2 ° C 的目标，根据IEA’s sustainable development scenario，超过 1000 万吨 CO2到 2030 年，每年都必须进行储存，从现在到 2050 年，必须部署大量 CCS 装置。
如今，约有 30 个大型装置投入运行，注入了约 4000 万吨 CO2每年。这项技术的发展将在未来十年迅速增长，但这一有前景的解决方案尚未证明它可以以可接受的成本实现工业化。
保持 CCS 解决方案经济性的关键挑战之一是使用数值建模来证明存储的持续时间和可靠性的成本。
用于碳固存的传统模拟器耗时且计算昂贵。机器学习模型提供了类似的准确性水平，同时大大减少了所需的时间和成本。
在Accelerating Climate Change Mitigation with Machine Learning: The Case of Carbon Storage之后，我们探索了在 2D 均质储层上使用机器学习对 CCS 建模。该模型仅限于 CO 的单个井2注入，并且储层不允许有斜坡。
这篇文章介绍了一种新的碳捕获和储存方法，该方法基本上接近工业环境中所需的方法。它很容易用于现实世界中的应用程序，使用NVIDIA Modulus和NVIDIA Omniverse这种 CCS 方法在大空间域上进行高分辨率的两米数字孪生模拟，处理不同数量的注入井，并考虑倾斜和非均质储层。最重要的是，这种新的 CCS 方法可以处理多个井及其相互作用。
物理 ML 数字孪生的数据源
这篇文章专门探讨 CO2通过多口井在 30 年内注入 3D 盆地规模的倾斜盐水储层。
为了生成这个多井问题的数值模拟数据集，我们使用了局部网格细化（ LGR ）方法来降低计算成本，同时确保高保真度。
图 1 显示了用于模拟近井 CO 的每次注入周围的四个网格细化级别2高分辨率的羽流迁移和压力积聚。在 0 级（全局），使用较粗的网格单元来捕捉远场压力积聚和不同注入井之间的相互作用。从 0 级到 4 级，在 x 、 y 维度上，单元大小减少了 80x ，在 z 维度上减少了 10x 。
这项工作考虑了广泛的实际输入参数，包括：
- 水库条件：深度、温度和倾角
- 注入方案：注入井数、速率和射孔间隔
- 渗透率非均质性：平均值、标准差和相关长度
选择这些参数中的每一个都是为了涵盖现实 CO 的最实际情况2储存地点。
由于储层具有可变倾角， CO2由于浮力的作用，羽状物倾向于向上倾斜迁移。初始静水压力和温度等储层条件决定了 CO2和水流体财产。此外，由于倾角的存在，每个注入井周围的静水压力可能会发生显著变化，即使在同一盆地中也会产生不同的流体财产。
正如这项工作所表明的，由于这些由物理知情机器学习（ physics ML ）控制的数字孪生，工业制造商可以廉价地确定以下内容：
- 储存容量、最大安全压力建立和最大注入容量
- CO 的计算2气体饱和度羽流和足迹
- CO 的计算2倾斜油藏中的运移
- 最佳井位和注入速率
- 广泛的地质统计学变异性，这需要在参数空间的不同点进行大量的评估
- 当传统的数值方法令人望而却步时，减少评估成本和时间的方法
- 使用openly accessible web application提供实时预测
- 使用 Modulus 和 Omniverse 平台的工业规模项目
4D 模拟
最近的一篇论文，Accelerating Carbon Capture and Storage Modeling Using Fourier Neural Operators，提出了一种嵌套傅立叶神经算子（ FNO ）架构，用于通过局部网格细化在域中进行预测。
嵌套 FNO 的计算域是具有时间的 3D 空间：
在该方程式中，
每个模型的输入包括以下变量：
- 渗透率场
- 初始静水压力
- 水库温度
- 注入方案
- 空间/时间编码
在 CO 中2储存时，压力积聚的速度明显快于气体饱和。因此，首先使用 FNO 模型来预测 0 级的压力积聚，并捕捉全局传播和井之间的相互作用。然后， 0 级将每个注入井周围的压力建立预测提供给 1 级上的 FNO 模型。
每个后续模型将域上的输入与较粗级别的预测一起进行，并输出较细级别的预测。通过将较粗级别预测作为输入提供给较细级别模型，为边界提供了较细级别子域的条件。
30 年来的碳捕获和储存结果
如图 2 和图 3 所示，嵌套 FNO 成功地捕捉到了羽流迁移的所有复杂过程。总的来说，嵌套 FNO 表现出很好的泛化能力和很小的过拟合：气态 CO 的平均饱和误差2训练集和测试集的羽流分别为 1.2% 和 1.8% 。这种精度足以用于大多数实际应用，例如估计扫掠效率以及预测用于土地征用或监测程序设计的羽流足迹。
训练和测试装置的相对压力建立误差分别为 0.3% 和 0.5% 。与气体饱和度一样，您可以观察到训练和测试集的小过拟合。考虑到这个高维问题的小训练数据大小，这种泛化是显著的。泛化是通过一种新颖的微调技术实现的。有关更多信息，请参阅原始论文，Accelerating Carbon Capture and Storage Modeling.
此外， Nested FNO 提供实时预测，与最先进的数值求解器相比，推理速度快 700000 倍。快速推理使 CCS 决策的许多关键任务变得非常昂贵。
例如，在论文中，对最大压力建立和 CO 进行了严格的概率评估2给出了羽流足迹。这种类型的评估可以减少容量估计和注入设计中的不确定性。然而，使用数值模拟器需要将近 2 年的时间。使用嵌套 FNO ，此评估仅用了 2.8 秒。
实时数字孪生
经过训练的嵌套 FNO 可以提供实时预测。它是在一个公共GPU-based web application你可以构建储层条件、注入方案和渗透率场特征的任意随机组合，并获得气体饱和度、压力累积和波及效率估计的即时预测。
网络应用程序促进 CO 股权2存储项目开发和知识采用。这尤其有利于中小型开发商以及希望对拟议项目进行独立评估的社区。对于这些重要的参与者来说，高质量的预测以前是无法实现的。
适合行业的 CCS 平台
视频 1 显示了 CO 的存储过程在由含盐含水层组成的地下水库中，从Accelerating Carbon Capture and Storage Modeling Using Fourier Neural Operators.《公司条例》2到达地面设施，从那里被分配到四口井，并被泵送到地下水库。在储层内部，压力的建立和 CO 的演变2饱和度显示为 30 年。视频是在 Omniverse 中制作的，模拟数据是在 ParaView 中准备的，用于可视化。
本文中概述的构建块构成了碳捕获和存储数字孪生的基础，具有尽可能接近现实的设置，以满足行业需求。 NVIDIA 技术被用作实现变革性人工智能驱动的 CCS 数字孪生的基础，具有大规模的交互性。使用 NVIDIA 数字孪生平台，您可以预测、可视化将要发生的事情，并与模型交互，以确保存储的安全性和可靠性。
更准确地说，使用 NVIDIA 数字孪生框架进行科学计算带来了一个由人工智能和加速计算实现的百万倍规模进步的时代。该框架包含两个主要平台： Modulus 和 Omniverse 。
使用 Modulus 构建的物理 ML 框架
NVIDIA Modulus是一个用于开发基于物理的机器学习模型的物理 ML 框架。它以控制微分方程的形式将物理学的力量与数据相结合，建立高保真度、参数化的代理模型，用于为复杂的非线性、多物理系统设计数字孪生模型。
Modulus 将数据和控制物理都考虑在内，训练一个神经网络，为数字孪生创建人工智能代理模型。代理可以实时推断新的系统行为，从而实现迭代工作流。 Modulus 支持使用 FNO 进行数据驱动的训练，而最新发布的 Modulus 包含了嵌套的 FNO 。
嵌套 FNO 可以在 CCS 储层模拟数据上进行训练，以开发参数化代理模型。这意味着一个单一的模型可以潜在地分析不同的储层条件，包括不同数量的井、它们的位置和注入方案。
Modulus 包括一系列功能，如各种新颖的体系结构、训练管道、数据加载器和用于训练和推理的优化器。该物理 ML 平台还包括多 GPU 和多节点缩放。有了所有这些功能， Modulus 可以让您构建高性能的深度学习软件，以较少的成本和时间对 CCS 水库进行建模。
带有 Omniverse 的虚拟现实
NVIDIA Omniverse是一个用于构建虚拟世界的开源平台。它提供了一个互动环境，利益相关者可以在这里询问关于未来的假设问题，并可以可视化他们的行动的后果。
Omniverse 的互操作性和可定制的用户体验，再加上生成高质量结果可视化表示的能力，使其成为构建数字孪生的理想工具。简而言之， Omniverse 在跟踪数据集的状态时扮演着数据目录的角色。它还是处理管道（计算资源管理和进度监控）的驱动程序、协调器和可视化引擎。
NVIDIA 提供了一系列基于 Omniverse 构建数字孪生的技术：
- Omniverse 用于模型和数据交换的 Nucleus
- Omniverse 用于实时反馈和交互的用户界面
- 人工智能和 Modulus 用于构建强大的、以物理为指导的人工智能系统
- 用于人工智能训练和推理的令人难以置信的 CPU 、 GPU 和 DPU 芯片
使用 Omniverse 提供了一个用户界面，可以将数据转换为有意义的信息。数据可以来自磁盘或 ParaView ，但也可以来自任何直接连接到 Omniverse 的软件。
您可以编写扩展，以实现 Omniverse 和任何软件之间的交互。接下来，为手头的问题构建一个自定义用户界面，并实现对参数空间的直观探索。如果连接的软件足够快地交付结果，则可以进行实时交互。有一个connector到 Modulus ，这样，在训练物理 ML 模型后，您只需要执行推理，然后享受实时体验。
Omniverse 用于对视频 1 中展示的 4D 碳储存模拟的输出进行有影响力的实时可视化。具体来说，这段视频浏览了一个储存地点，并显示了压力积聚和气体饱和度的结果。
使用 Omniverse 可以在一个阶段中耦合多个系统。例如，您可以将一个储层孪生连接到压缩和注入 CO 的地面设施的数字孪生2然后观察它们的相互作用。
人工智能驱动的实时 4D 数字孪生已经到来
模拟 CCS 的储存部分，包括将二氧化碳注入地下水库，需要解决一个详细的、高分辨率的问题。数值方法求解这个问题的控制方程非常缓慢。
用于四维时空建模的嵌套 FNO 将预测速度提高了近 700000 倍。该模型的速度和准确性使不确定性量化和风险评估能够在几分钟内完成，而不是几十年。
您可以在/NVIDIA/modulus-launchGitHub repo可以在您自己的数据集上进行训练，并创建您的蓄水池的数字孪生。基于最近在Accelerating Carbon Capture and Storage Modeling Using Fourier Neural Operators这项工作是与几个行业合作伙伴共同构建大规模 CCS 数字孪生系统以缓解气候变化的基础。
用于科学数字孪生的 NVIDIA 平台加速了基于物理的机器学习模型，以比以前可能的速度快数千倍的速度解决百万 x 级的科学和工程问题：
- Modulus 将数据和控制物理都考虑在内，训练一个神经网络，为数字孪生创建人工智能代理模型。
- Omniverse 使用 Modulus 的输出代理模型实现了数字孪生的可视化和交互式探索。
该平台可以实时创建人工智能模拟，以物理为基础，准确反映碳存储等实际应用，并为其数字孪生开发提供动力。
有关 Earth-2 的数字孪生平台如何使用 Modulus 和 Omniverse 来加速缓解气候变化及其影响的技术的更多信息，请观看AI Technology to Enable Net ZeroGTC 会话。有关 Modulus 与 Omniverse 集成的更多信息，请参阅Visualizing Interactive Simulations with Omniverse Extension for NVIDIA Modulus以及自定进度的在线课程，Introduction to Physics-informed Machine Learning with Modulus.
