一氧化碳捕獲和儲存技術捕獲 CO2從其生產來源，對其進行壓縮，通過管道或船舶運輸，并將其儲存在地下。 CCS 使各行業能夠大幅降低 CO2是幫助工業制造商實現凈零排放目標的有力工具。在許多重工業過程中，溫室氣體（ GHG ）排放無法在規定的時間內避免，必須使用 CCS 解決方案，如水泥、化肥和化工行業。
在全球范圍內減少溫室氣體排放的情景突出了 CCS 在能源組合中的作用。為了達到 2 ° C 的目標，根據IEA’s sustainable development scenario，超過 1000 萬噸 CO2到 2030 年，每年都必須進行儲存，從現在到 2050 年，必須部署大量 CCS 裝置。
如今，約有 30 個大型裝置投入運行，注入了約 4000 萬噸 CO2每年。這項技術的發展將在未來十年迅速增長，但這一有前景的解決方案尚未證明它可以以可接受的成本實現工業化。
保持 CCS 解決方案經濟性的關鍵挑戰之一是使用數值建模來證明存儲的持續時間和可靠性的成本。
用于碳固存的傳統模擬器耗時且計算昂貴。機器學習模型提供了類似的準確性水平，同時大大減少了所需的時間和成本。
在Accelerating Climate Change Mitigation with Machine Learning: The Case of Carbon Storage之后，我們探索了在 2D 均質儲層上使用機器學習對 CCS 建模。該模型僅限于 CO 的單個井2注入，并且儲層不允許有斜坡。
這篇文章介紹了一種新的碳捕獲和儲存方法，該方法基本上接近工業環境中所需的方法。它很容易用于現實世界中的應用程序，使用NVIDIA PhysicsNeMo和NVIDIA Omniverse這種 CCS 方法在大空間域上進行高分辨率的兩米數字孿生模擬，處理不同數量的注入井，并考慮傾斜和非均質儲層。最重要的是，這種新的 CCS 方法可以處理多個井及其相互作用。
物理 ML 數字孿生的數據源
這篇文章專門探討 CO2通過多口井在 30 年內注入 3D 盆地規模的傾斜鹽水儲層。
為了生成這個多井問題的數值模擬數據集，我們使用了局部網格細化（ LGR ）方法來降低計算成本，同時確保高保真度。
圖 1 顯示了用于模擬近井 CO 的每次注入周圍的四個網格細化級別2高分辨率的羽流遷移和壓力積聚。在 0 級（全局），使用較粗的網格單元來捕捉遠場壓力積聚和不同注入井之間的相互作用。從 0 級到 4 級，在 x 、 y 維度上，單元大小減少了 80x ，在 z 維度上減少了 10x 。
這項工作考慮了廣泛的實際輸入參數，包括：
- 水庫條件：深度、溫度和傾角
- 注入方案：注入井數、速率和射孔間隔
- 滲透率非均質性：平均值、標準差和相關長度
選擇這些參數中的每一個都是為了涵蓋現實 CO 的最實際情況2儲存地點。
由于儲層具有可變傾角， CO2由于浮力的作用，羽狀物傾向于向上傾斜遷移。初始靜水壓力和溫度等儲層條件決定了 CO2和水流體財產。此外，由于傾角的存在，每個注入井周圍的靜水壓力可能會發生顯著變化，即使在同一盆地中也會產生不同的流體財產。
正如這項工作所表明的，由于這些由物理知情機器學習（ physics ML ）控制的數字孿生，工業制造商可以廉價地確定以下內容：
- 儲存容量、最大安全壓力建立和最大注入容量
- CO 的計算2氣體飽和度羽流和足跡
- CO 的計算2傾斜油藏中的運移
- 最佳井位和注入速率
- 廣泛的地質統計學變異性，這需要在參數空間的不同點進行大量的評估
- 當傳統的數值方法令人望而卻步時，減少評估成本和時間的方法
- 使用openly accessible web application提供實時預測
- 使用 PhysicsNeMo 和 Omniverse 平臺的工業規模項目
4D 模擬
最近的一篇論文，Accelerating Carbon Capture and Storage Modeling Using Fourier Neural Operators，提出了一種嵌套傅立葉神經算子（ FNO ）架構，用于通過局部網格細化在域中進行預測。
嵌套 FNO 的計算域是具有時間的 3D 空間：
在該方程式中，
每個模型的輸入包括以下變量：
- 滲透率場
- 初始靜水壓力
- 水庫溫度
- 注入方案
- 空間/時間編碼
在 CO 中2儲存時，壓力積聚的速度明顯快于氣體飽和。因此，首先使用 FNO 模型來預測 0 級的壓力積聚，并捕捉全局傳播和井之間的相互作用。然后， 0 級將每個注入井周圍的壓力建立預測提供給 1 級上的 FNO 模型。
每個后續模型將域上的輸入與較粗級別的預測一起進行，并輸出較細級別的預測。通過將較粗級別預測作為輸入提供給較細級別模型，為邊界提供了較細級別子域的條件。
30 年來的碳捕獲和儲存結果
如圖 2 和圖 3 所示，嵌套 FNO 成功地捕捉到了羽流遷移的所有復雜過程。總的來說，嵌套 FNO 表現出很好的泛化能力和很小的過擬合：氣態 CO 的平均飽和誤差2訓練集和測試集的羽流分別為 1.2% 和 1.8% 。這種精度足以用于大多數實際應用，例如估計掃掠效率以及預測用于土地征用或監測程序設計的羽流足跡。
訓練和測試裝置的相對壓力建立誤差分別為 0.3% 和 0.5% 。與氣體飽和度一樣，您可以觀察到訓練和測試集的小過擬合。考慮到這個高維問題的小訓練數據大小，這種泛化是顯著的。泛化是通過一種新穎的微調技術實現的。有關更多信息，請參閱原始論文，Accelerating Carbon Capture and Storage Modeling.
此外， Nested FNO 提供實時預測，與最先進的數值求解器相比，推理速度快 700000 倍。快速推理使 CCS 決策的許多關鍵任務變得非常昂貴。
例如，在論文中，對最大壓力建立和 CO 進行了嚴格的概率評估2給出了羽流足跡。這種類型的評估可以減少容量估計和注入設計中的不確定性。然而，使用數值模擬器需要將近 2 年的時間。使用嵌套 FNO ，此評估僅用了 2.8 秒。
實時數字孿生
經過訓練的嵌套 FNO 可以提供實時預測。它是在一個公共GPU-based web application你可以構建儲層條件、注入方案和滲透率場特征的任意隨機組合，并獲得氣體飽和度、壓力累積和波及效率估計的即時預測。
網絡應用程序促進 CO 股權2存儲項目開發和知識采用。這尤其有利于中小型開發商以及希望對擬議項目進行獨立評估的社區。對于這些重要的參與者來說，高質量的預測以前是無法實現的。
適合行業的 CCS 平臺
?
視頻 1 顯示了 CO 的存儲過程在由含鹽含水層組成的地下水庫中，從Accelerating Carbon Capture and Storage Modeling Using Fourier Neural Operators.《公司條例》2到達地面設施，從那里被分配到四口井，并被泵送到地下水庫。在儲層內部，壓力的建立和 CO 的演變2飽和度顯示為 30 年。視頻是在 Omniverse 中制作的，模擬數據是在 ParaView 中準備的，用于可視化。
本文中概述的構建塊構成了碳捕獲和存儲數字孿生的基礎，具有盡可能接近現實的設置，以滿足行業需求。 NVIDIA 技術被用作實現變革性人工智能驅動的 CCS 數字孿生的基礎，具有大規模的交互性。使用 NVIDIA 數字孿生平臺，您可以預測、可視化將要發生的事情，并與模型交互，以確保存儲的安全性和可靠性。
更準確地說，使用 NVIDIA 數字孿生框架進行科學計算帶來了一個由人工智能和加速計算實現的百萬倍規模進步的時代。該框架包含兩個主要平臺： PhysicsNeMo 和 Omniverse 。
使用 PhysicsNeMo 構建的物理 ML 框架
NVIDIA PhysicsNeMo是一個用于開發基于物理的機器學習模型的物理 ML 框架。它以控制微分方程的形式將物理學的力量與數據相結合，建立高保真度、參數化的代理模型，用于為復雜的非線性、多物理系統設計數字孿生模型。
PhysicsNeMo 將數據和控制物理都考慮在內，訓練一個神經網絡，為數字孿生創建人工智能代理模型。代理可以實時推斷新的系統行為，從而實現迭代工作流。 PhysicsNeMo 支持使用 FNO 進行數據驅動的訓練，而最新發布的 PhysicsNeMo 包含了嵌套的 FNO 。
嵌套 FNO 可以在 CCS 儲層模擬數據上進行訓練，以開發參數化代理模型。這意味著一個單一的模型可以潛在地分析不同的儲層條件，包括不同數量的井、它們的位置和注入方案。
PhysicsNeMo 包括一系列功能，如各種新穎的體系結構、訓練管道、數據加載器和用于訓練和推理的優化器。該物理 ML 平臺還包括多 GPU 和多節點縮放。有了所有這些功能， PhysicsNeMo 可以讓您構建高性能的深度學習軟件，以較少的成本和時間對 CCS 水庫進行建模。
帶有 Omniverse 的虛擬現實
NVIDIA Omniverse是一個用于構建虛擬世界的開源平臺。它提供了一個互動環境，利益相關者可以在這里詢問關于未來的假設問題，并可以可視化他們的行動的后果。
Omniverse 的互操作性和可定制的用戶體驗，再加上生成高質量結果可視化表示的能力，使其成為構建數字孿生的理想工具。簡而言之， Omniverse 在跟蹤數據集的狀態時扮演著數據目錄的角色。它還是處理管道（計算資源管理和進度監控）的驅動程序、協調器和可視化引擎。
NVIDIA 提供了一系列基于 Omniverse 構建數字孿生的技術：
- Omniverse 用于模型和數據交換的 Nucleus
- Omniverse 用于實時反饋和交互的用戶界面
- 人工智能和 PhysicsNeMo 用于構建強大的、以物理為指導的人工智能系統
- 用于人工智能訓練和推理的令人難以置信的 CPU 、 GPU 和 DPU 芯片
使用 Omniverse 提供了一個用戶界面，可以將數據轉換為有意義的信息。數據可以來自磁盤或 ParaView ，但也可以來自任何直接連接到 Omniverse 的軟件。
您可以編寫擴展，以實現 Omniverse 和任何軟件之間的交互。接下來，為手頭的問題構建一個自定義用戶界面，并實現對參數空間的直觀探索。如果連接的軟件足夠快地交付結果，則可以進行實時交互。有一個connector到 PhysicsNeMo ，這樣，在訓練物理 ML 模型后，您只需要執行推理，然后享受實時體驗。
Omniverse 用于對視頻 1 中展示的 4D 碳儲存模擬的輸出進行有影響力的實時可視化。具體來說，這段視頻瀏覽了一個儲存地點，并顯示了壓力積聚和氣體飽和度的結果。
使用 Omniverse 可以在一個階段中耦合多個系統。例如，您可以將一個儲層孿生連接到壓縮和注入 CO 的地面設施的數字孿生2然后觀察它們的相互作用。
人工智能驅動的實時 4D 數字孿生已經到來
模擬 CCS 的儲存部分，包括將二氧化碳注入地下水庫，需要解決一個詳細的、高分辨率的問題。數值方法求解這個問題的控制方程非常緩慢。
用于四維時空建模的嵌套 FNO 將預測速度提高了近 700000 倍。該模型的速度和準確性使不確定性量化和風險評估能夠在幾分鐘內完成，而不是幾十年。
您可以在/NVIDIA/physicsnemo-launchGitHub repo可以在您自己的數據集上進行訓練，并創建您的蓄水池的數字孿生。基于最近在Accelerating Carbon Capture and Storage Modeling Using Fourier Neural Operators這項工作是與幾個行業合作伙伴共同構建大規模 CCS 數字孿生系統以緩解氣候變化的基礎。
用于科學數字孿生的 NVIDIA 平臺加速了基于物理的機器學習模型，以比以前可能的速度快數千倍的速度解決百萬 x 級的科學和工程問題：
- PhysicsNeMo 將數據和控制物理都考慮在內，訓練一個神經網絡，為數字孿生創建人工智能代理模型。
- Omniverse 使用 PhysicsNeMo 的輸出代理模型實現了數字孿生的可視化和交互式探索。
該平臺可以實時創建人工智能模擬，以物理為基礎，準確反映碳存儲等實際應用，并為其數字孿生開發提供動力。
有關 Earth-2 的數字孿生平臺如何使用 PhysicsNeMo 和 Omniverse 來加速緩解氣候變化及其影響的技術的更多信息，請觀看AI Technology to Enable Net ZeroGTC 會話。有關 PhysicsNeMo 與 Omniverse 集成的更多信息，請參閱Visualizing Interactive Simulations with Omniverse Extension for NVIDIA PhysicsNeMo以及自定進度的在線課程，Introduction to Physics-informed Machine Learning with PhysicsNeMo.
