減緩氣候變化就是減少溫室氣體（ GHG ）排放。全球目標(biāo)是實(shí)現(xiàn)凈零排放，這意味著平衡產(chǎn)生的溫室氣體排放量和從大氣中清除的溫室氣體排放量。

一方面，這意味著通過(guò)使用低碳技術(shù)和能源效率來(lái)減少排放。另一方面，這意味著部署碳儲(chǔ)存等負(fù)排放技術(shù)，這也是本文的主題。

碳捕獲和儲(chǔ)存（ CCS ）指的是一組有助于在關(guān)鍵電力部門（如煤炭和天然氣發(fā)電廠和工業(yè)工廠）的源頭直接減少排放的技術(shù)。對(duì)于無(wú)法直接減少的排放，無(wú)論是因?yàn)榧夹g(shù)上的困難還是消除成本過(guò)高， CCS 都是從大氣中去除碳的重要凈負(fù)技術(shù)方法的基礎(chǔ)。

如果未在現(xiàn)場(chǎng)使用，請(qǐng)與2可通過(guò)管道、船舶、鐵路或卡車進(jìn)行壓縮和運(yùn)輸。它可以用于一系列應(yīng)用，或注入深部地質(zhì)地層（包括枯竭的油氣藏或鹽層），以捕獲 CO2用于永久儲(chǔ)存。 CCS 獨(dú)特的雙重能力使其成為緩解氣候變化的能源轉(zhuǎn)型技術(shù)中的一個(gè)重要解決方案。

除了 CCS 在能源轉(zhuǎn)型中發(fā)揮的作用外，它還是一種解決重工業(yè)排放挑戰(zhàn)的解決方案，并解決了鋼鐵、化肥和水泥生產(chǎn)等難以減排的行業(yè)的深度減排問題。它還可以支持低碳藍(lán)色制氫的成本效益途徑。

在數(shù)量上，目前運(yùn)行的 CCS 設(shè)施可以捕獲并永久儲(chǔ)存約 40 公噸的一氧化碳2每年。據(jù)國(guó)際能源機(jī)構(gòu)（ IEA ）稱，為了實(shí)現(xiàn)符合巴黎協(xié)議的氣候結(jié)果， 1150 MtCO2必須在 2030 年前儲(chǔ)存。因此，到 2030 年，為了減少電力和工業(yè)部門的排放，需要實(shí)現(xiàn) 30 倍的存儲(chǔ)容量。

全球宏觀趨勢(shì)，例如環(huán)境社會(huì)治理 （ESG） 標(biāo)準(zhǔn)的興起，正在刺激最廣泛的技術(shù)組合的實(shí)施，包括 CCS，以盡可能低的風(fēng)險(xiǎn)和成本實(shí)現(xiàn)凈零排放。因此，投資激勵(lì)措施在 CCS 背后建立了前所未有的勢(shì)頭，2021 年已經(jīng)宣布了 100 多個(gè)新設(shè)施的計(jì)劃。

一氧化碳2注射問題

碳必須儲(chǔ)存在某個(gè)地方。它通常存儲(chǔ)在地下的一個(gè)叫做 geological sequestration 的過(guò)程中。地質(zhì)構(gòu)造僅在特定條件下被選為儲(chǔ)存場(chǎng)地，以確保不存在重大泄漏風(fēng)險(xiǎn)和重大環(huán)境或健康風(fēng)險(xiǎn)。

這涉及將二氧化碳注入地下巖層。它以 supercritical fluid 的形式存儲(chǔ)，這意味著它的性質(zhì)介于氣體和液體之間。

當(dāng)公司2在深度注入儲(chǔ)層時(shí)，只要溫度超過(guò) 31.1 ° C ，壓力超過(guò) 73.86 bar ，它就會(huì)保持超臨界狀態(tài)。無(wú)論儲(chǔ)層是鹽層還是枯竭的油氣田，都是如此。

一氧化碳2必須在毛細(xì)管屏障下密封，這樣碳才能以安全的方式儲(chǔ)存數(shù)百年甚至無(wú)限期。否則，如果公司2大量泄漏可能會(huì)污染附近的含水層。如果泄漏到地面，可能會(huì)對(duì)附近的人或動(dòng)物造成安全隱患。

通過(guò)求解多相流問題，可以從數(shù)值上預(yù)測(cè)這種儲(chǔ)能器的整體性能。然而，由于多尺度非均勻性和復(fù)雜的熱力學(xué)，這需要求解高度非線性的偏微分方程。

實(shí)現(xiàn)這一點(diǎn)的數(shù)值模擬方法通常包括以下幾個(gè)步驟：

收集有關(guān)地下地質(zhì)和屬性的數(shù)據(jù)和信息。

建立儲(chǔ)層及其周圍環(huán)境的地質(zhì)模型。

建立了水庫(kù)的動(dòng)態(tài)模型，用于模擬 CO2注射和公司2水庫(kù)內(nèi)部的演化。這些動(dòng)態(tài)模擬用于評(píng)估和優(yōu)化與儲(chǔ)層條件相關(guān)的關(guān)鍵性能指標(biāo)。

傳統(tǒng)的模擬器可以精確地模擬這個(gè)復(fù)雜的問題，但在足夠精確的網(wǎng)格分辨率下成本很高。使用數(shù)值模擬數(shù)據(jù)訓(xùn)練的機(jī)器學(xué)習(xí)模型可以提供比傳統(tǒng)模擬器更快的替代方案。

在這篇文章中，我們重點(diǎn)介紹了新開發(fā)的 U-FNO 機(jī)器學(xué)習(xí)模型的結(jié)果，并展示了它對(duì) CO2– 理解和擴(kuò)展 CCS 應(yīng)用所需的水多相流問題。

模擬裝置

我們認(rèn)為在 30 年內(nèi)，以 0.2 至 2 Mt /年的恒定速率模擬深部鹽水地層中的氣體飽和度和壓力。 x 軸和 y 軸分別是以米為單位的儲(chǔ)層厚度和儲(chǔ)層半徑。

該裝置是一個(gè)位于地面以下至少 800 m 處的真實(shí)水庫(kù)（圖 2 ）。該裝置可以在不同的實(shí)際深度、溫度、地層厚度、注入模式、巖石性質(zhì)和地層地質(zhì)條件下進(jìn)行儲(chǔ)層模擬。

使用數(shù)值模擬器斯倫貝謝 ECLIPSE （ e300 ）開發(fā)了 CO 的多相流數(shù)據(jù)集2地質(zhì)存儲(chǔ)。超臨界公司2可以通過(guò)垂直注入，將具有各種射孔間隔設(shè)計(jì)的油井注入徑向?qū)ΨQ系統(tǒng) x （ r ， z ）。

圖 2 。典型二氧化碳去除循環(huán)中的步驟，導(dǎo)致建模階段

一種新的傅立葉神經(jīng)算子

在最近發(fā)表在 水資源研究進(jìn)展 ，研究了四種機(jī)器學(xué)習(xí)模型架構(gòu)：

參數(shù)偏微分方程的 Fourier 神經(jīng)算子 中提出的傅立葉神經(jīng)算子（ FNO ）

新提議的 U-FNO

使用 conv3d 而不是 U-Net 的 conv FNO

U-FNO ——一種基于增強(qiáng)傅立葉神經(jīng)算子的多相流深度學(xué)習(xí)模型 中使用的最先進(jìn)的基準(zhǔn) CNN

神經(jīng)算子的目標(biāo)是從有限的輸入輸出觀測(cè)值集合中學(xué)習(xí)無(wú)限維空間映射。與 FNO 中的原始傅立葉層不同，本文提出的 U-FNO 體系結(jié)構(gòu)在每個(gè) U-Fourier 層中附加了一個(gè) U-Net 路徑。 U-Net 處理局部卷積，以豐富 U-FNO 在高頻信息中的表示能力。

新提出的 U-FNO 模型架構(gòu)同時(shí)使用了傅立葉層和 U-Fourier 層（圖 3 ）。

圖 3 。 U-FNO 模型架構(gòu)

在傅里葉層和 U-Fourier 層（ a ）中：

與最初的 FNO 結(jié)構(gòu)和最先進(jìn)的 CNN 基準(zhǔn)進(jìn)行比較表明，新提出的 U-FNO 結(jié)構(gòu)在預(yù)測(cè)含氣飽和度和壓力恢復(fù)方面都具有最佳性能。

合作的結(jié)果2使用 NVIDIA GPU 進(jìn)行的存儲(chǔ)預(yù)測(cè)顯示：

U-FNO 預(yù)測(cè)是準(zhǔn)確的，氣體飽和度的羽流誤差只有 1.6% ，壓力累積的相對(duì)誤差只有 0.68% 。

與 CNN 和原始 FNO 相比， U-FNO 在訓(xùn)練集和測(cè)試集上都具有優(yōu)異的性能。

與最先進(jìn)的 CNN 相比，使用 U-FNO 預(yù)測(cè)天然氣飽和度和壓力恢復(fù)的準(zhǔn)確度分別高出 46% 和 24% 。

U-FNO 只需要 33% 的訓(xùn)練數(shù)據(jù)就可以達(dá)到與 CNN 相同的精度。

使用 U-FNO 在 GPU 上運(yùn)行 30 年的案例需要 0.01 秒，而使用傳統(tǒng)的有限差分方法（ FDM ）需要 600 秒。

U-FNO 為 6 x 104x 比“地面真相”傳統(tǒng) FDM 解算器更快； FNO 是 10 歲5快一點(diǎn)。

培訓(xùn)和測(cè)試時(shí)間均在 NVIDIA A100-SXM GPU 上進(jìn)行評(píng)估，并與英特爾至強(qiáng)處理器 E5-2670 CPU 上的斯倫貝謝 ECLIPSE 模擬進(jìn)行比較。

為了公司2– 在這里描述的水多相流應(yīng)用中，目標(biāo)是優(yōu)化氣體飽和度和壓力場(chǎng)的精度， U-FNO 提供了最高的性能。因此，在概率評(píng)估、反演和 CCS 選址方面，經(jīng)過(guò)訓(xùn)練的 U-FNO 模型可以替代傳統(tǒng)的數(shù)值模擬器。

Web 應(yīng)用程序

經(jīng)過(guò)培訓(xùn)的 U-FNO 模型托管在一個(gè)可公開訪問的 web 應(yīng)用程序 CCSNet ：二氧化碳儲(chǔ)存的深度學(xué)習(xí)建模套件 上。該 web 應(yīng)用程序提供實(shí)時(shí)預(yù)測(cè)，降低了政府、公司和研究人員獲得可靠的 CO 模擬結(jié)果的技術(shù)壁壘2存儲(chǔ)項(xiàng)目。

使用 NVIDIA Tensor Core GPU 將 FNO 擴(kuò)展到 3D 問題大小

由于 CO 中輸入數(shù)據(jù)的高維性2在存儲(chǔ)問題上，機(jī)器學(xué)習(xí)的應(yīng)用已經(jīng)局限于二維或中小型的三維問題。

為了克服這一局限性，最近的一項(xiàng)研究提出了一種基于輸入數(shù)據(jù)和網(wǎng)絡(luò)權(quán)重的區(qū)域分解的 FNOs 模型并行版本。有關(guān)更多信息，請(qǐng)參閱 基于模型并行傅立葉神經(jīng)算子的參數(shù)偏微分方程大規(guī)模學(xué)習(xí)求解器 。

在許多應(yīng)用中，以最小通信量執(zhí)行多維快速傅立葉變換（ FFT ）并行化的區(qū)域分解方法已在文獻(xiàn)中得到廣泛關(guān)注。

眾所周知，可以使用低維 FFT 序列高效地計(jì)算多維 FFT 。其主要思想是使用迭代的重新劃分模式。上述論文提供了分布式 FNO 所需組件的完整數(shù)學(xué)推導(dǎo)及其實(shí)現(xiàn)。

下圖顯示了這個(gè)概念，顯示了使用鉛筆分解作用于最初分布在 2 × 2 分區(qū)上的輸入的分布式 FFT 。重劃分運(yùn)算符用于確保每個(gè)工作人員擁有計(jì)算每個(gè)維度中的順序 FFT 所需的完整數(shù)據(jù)。

圖 4 。使用鉛筆分解作用于最初分布在 2 × 2 分區(qū)上的輸入的分布式 FFT

作者證明，在求解三維時(shí)變兩相流方程時(shí)，這種實(shí)現(xiàn)提供了一組不同的特性。在這種情況下，模型并行 FNO 可以在 Summit 上使用多達(dá) 768 GPU （ 128 個(gè)節(jié)點(diǎn)）預(yù)測(cè)超過(guò) 32 億個(gè)變量的時(shí)變 PDE 解。

展望下一步，我們可以按照基于區(qū)域分解的 Grady 方法訓(xùn)練更大的 3D 模型，并大幅提高數(shù)據(jù)大小的能力。通過(guò)這種技術(shù)，我們可以放大 FNO 類型的模型，以解決三維盆地/儲(chǔ)層模型2存儲(chǔ)問題。

總結(jié)

需要模擬來(lái)優(yōu)化 CO2確定注射位置并驗(yàn)證 CO2不會(huì)從存儲(chǔ)場(chǎng)所泄漏。我們已經(jīng)證明， U-FNO 是一種增強(qiáng)的深傅立葉神經(jīng)算子，比最先進(jìn)的 CNN 精確 2 倍，數(shù)據(jù)效率 3 倍，比數(shù)值模擬器快四個(gè)數(shù)量級(jí)。

使用 NVIDIA GPU ，經(jīng)過(guò)訓(xùn)練的 U-FNO 模型生成 6 × 10 的天然氣飽和度和壓力恢復(fù)預(yù)測(cè)4比傳統(tǒng)的數(shù)值解算器更快。分布式算子學(xué)習(xí)以及通過(guò)區(qū)域分解將 FNO 擴(kuò)展到大問題規(guī)模的能力，為將我們的研究擴(kuò)展到實(shí)際規(guī)模的數(shù)據(jù)提供了新的可能性。

為了避免氣候變化帶來(lái)最糟糕的后果，第三工作組在其對(duì)政府間氣候變化專門委員會(huì)（ IPCC ）的 第六次評(píng)估報(bào)告（ AR6 ） 的貢獻(xiàn)中公布了 2022 年緩解途徑。專家們強(qiáng)調(diào)了碳捕獲和儲(chǔ)存（ CCS ）的必要性和潛力，以將全球變暖限制在 1.5 ° C 或 2 ° C 。

誠(chéng)然，這套技術(shù)目前存在局限性，特別是與經(jīng)濟(jì)和社會(huì)文化障礙有關(guān)。但是，如果二氧化碳凈排放量為零，那么將其用于抵消難以減少的殘余排放被認(rèn)為是不可避免的2或者實(shí)現(xiàn)溫室氣體排放。

我們相信，為氣候行動(dòng)和恢復(fù)力構(gòu)建強(qiáng)大的人工智能工具可以大規(guī)模地遏制排放。在這項(xiàng)工作中，我們采用了新的人工智能技術(shù)來(lái)加速合作2多孔介質(zhì)中的流動(dòng)，對(duì) CCS 應(yīng)用和減緩氣候變化的道路起著重要作用。

關(guān)于作者

Farah Hariri是NVIDIA 的高級(jí)物理學(xué)家和技術(shù)專家。她是 NVIDIA Earth-2 氣候變化和能源轉(zhuǎn)型團(tuán)隊(duì)的技術(shù)負(fù)責(zé)人。她的活動(dòng)包括為緩解和適應(yīng)氣候變化構(gòu)建地球的數(shù)字雙胞胎， E-2 將是世界上第一臺(tái)人工智能數(shù)字雙胞胎超級(jí)計(jì)算機(jī)。法拉在理論和核物理、氣候和能量轉(zhuǎn)換技術(shù)、數(shù)值模擬和人工智能方面擁有廣泛的技術(shù)背景。在加入 NVIDIA 之前，她從事氣候和能源政策框架方面的工作，并曾在歐洲核子研究中心、瑞士聯(lián)邦理工學(xué)院（ EPFL ）和法國(guó)替代能源和原子能委員會(huì)（ CEA ）領(lǐng)導(dǎo)各種研究項(xiàng)目。

Gege Wen是斯坦福大學(xué)地球、能源和環(huán)境科學(xué)學(xué)院能源工程系的博士候選人。她在斯坦福大學(xué)土木與環(huán)境工程系獲得了流體力學(xué)和水文學(xué)碩士學(xué)位，自 2016 年以來(lái)一直與 Sally Benson 教授合作進(jìn)行碳捕獲和儲(chǔ)存的數(shù)值模擬。她的研究專注于碳存儲(chǔ)問題的機(jī)器學(xué)習(xí)方法。她是埃克森美孚新興能源公司的研究員。在就讀斯坦福大學(xué)之前，她獲得了多倫多大學(xué) LasunDE 礦物工程榮譽(yù)學(xué)士學(xué)位。

Zongyi Li是加州理工學(xué)院計(jì)算+數(shù)學(xué)科學(xué)（ CMS ）系阿尼瑪·阿南德庫(kù)馬爾（ Anima Anandkumar ）推薦的博士生。他對(duì)機(jī)器學(xué)習(xí)和應(yīng)用數(shù)學(xué)有廣泛的興趣。他正在開發(fā)偏微分方程的深度學(xué)習(xí)方法。 Zongyi 得到了 Kortschak 學(xué)者和 PIMCO 研究員項(xiàng)目的支持。

Kamyar Azizzadenesheli 自 2020 年秋季起擔(dān)任普渡大學(xué)計(jì)算機(jī)科學(xué)系助理教授。在擔(dān)任教員之前，他曾在加州理工學(xué)院（ Caltech ）擔(dān)任計(jì)算+數(shù)學(xué)科學(xué)系的博士后學(xué)者。在博士后職位之前，他被任命為加州理工學(xué)院的特殊學(xué)生研究員，與 CMS 部門和自主系統(tǒng)與技術(shù)中心的 ML 和控制研究人員合作。他也是加州理工學(xué)院前訪問學(xué)生研究員。 Kamyar Azizzadenesheli 曾是斯坦福大學(xué)的訪問學(xué)生研究員，也是加州大學(xué)西蒙斯研究所的研究員。伯克利。此外，他曾是 INRIA France （ SequeL 團(tuán)隊(duì)）的客座研究員，也是微軟研究實(shí)驗(yàn)室、新英格蘭和紐約的訪客。他在爾灣加利福尼亞大學(xué)獲得博士學(xué)位。

Anima Anandkumar 在學(xué)術(shù)界和工業(yè)界擁有雙重地位。她是加州理工學(xué)院 CMS 系的布倫教授和 NVIDIA 的機(jī)器學(xué)習(xí)研究主任。在 NVIDIA ，她領(lǐng)導(dǎo)著開發(fā)下一代人工智能算法的研究小組。

Sally M.Benson 教授于 2007 年加入斯坦福大學(xué)，是地球、能源與環(huán)境科學(xué)學(xué)院能源工程系 Precourt 家族教授；她研究減少溫室氣體排放的技術(shù)和途徑，包括在地下深處地質(zhì)封存二氧化碳，以及為低碳未來(lái)進(jìn)行能源系統(tǒng)分析。她是斯坦福碳儲(chǔ)存中心和斯坦福碳去除倡議的聯(lián)合主任。

審核編輯：郭婷