減緩氣候變化就是減少溫室氣體（ GHG ）排放。全球目標是實現凈零排放，這意味著平衡產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，這意味著通過使用低碳技術和能源效率來減少排放。另一方面，這意味著部署碳儲存等負排放技術，這也是本文的主題。

碳捕獲和儲存（ CCS ）指的是一組有助于在關鍵電力部門（如煤炭和天然氣發電廠和工業工廠）的源頭直接減少排放的技術。對于無法直接減少的排放，無論是因為技術上的困難還是消除成本過高， CCS 都是從大氣中去除碳的重要凈負技術方法的基礎。

如果未在現場使用，請與2可通過管道、船舶、鐵路或卡車進行壓縮和運輸。它可以用于一系列應用，或注入深部地質地層（包括枯竭的油氣藏或鹽層），以捕獲 CO2用于永久儲存。 CCS 獨特的雙重能力使其成為緩解氣候變化的能源轉型技術中的一個重要解決方案。

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

在數量上，目前運行的 CCS 設施可以捕獲并永久儲存約 40 公噸的一氧化碳2每年。據國際能源機構（ IEA ）稱，為了實現符合巴黎協議的氣候結果， 1150 MtCO2必須在 2030 年前儲存。因此，到 2030 年，為了減少電力和工業部門的排放，需要實現 30 倍的存儲容量。

全球宏觀趨勢，例如環境社會治理 （ESG） 標準的興起，正在刺激最廣泛的技術組合的實施，包括 CCS，以盡可能低的風險和成本實現凈零排放。因此，投資激勵措施在 CCS 背后建立了前所未有的勢頭，2021 年已經宣布了 100 多個新設施的計劃。

一氧化碳2注射問題

碳必須儲存在某個地方。它通常存儲在地下的一個叫做 geological sequestration 的過程中。地質構造僅在特定條件下被選為儲存場地，以確保不存在重大泄漏風險和重大環境或健康風險。

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

當公司2在深度注入儲層時，只要溫度超過 31.1 ° C ，壓力超過 73.86 bar ，它就會保持超臨界狀態。無論儲層是鹽層還是枯竭的油氣田，都是如此。

一氧化碳2必須在毛細管屏障下密封，這樣碳才能以安全的方式儲存數百年甚至無限期。否則，如果公司2大量泄漏可能會污染附近的含水層。如果泄漏到地面，可能會對附近的人或動物造成安全隱患。

通過求解多相流問題，可以從數值上預測這種儲能器的整體性能。然而，由于多尺度非均勻性和復雜的熱力學，這需要求解高度非線性的偏微分方程。

實現這一點的數值模擬方法通常包括以下幾個步驟：

收集有關地下地質和屬性的數據和信息。

建立儲層及其周圍環境的地質模型。

建立了水庫的動態模型，用于模擬 CO2注射和公司2水庫內部的演化。這些動態模擬用于評估和優化與儲層條件相關的關鍵性能指標。

傳統的模擬器可以精確地模擬這個復雜的問題，但在足夠精確的網格分辨率下成本很高。使用數值模擬數據訓練的機器學習模型可以提供比傳統模擬器更快的替代方案。

在這篇文章中，我們重點介紹了新開發的 U-FNO 機器學習模型的結果，并展示了它對 CO2– 理解和擴展 CCS 應用所需的水多相流問題。

模擬裝置

我們認為在 30 年內，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層厚度和儲層半徑。

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

使用數值模擬器斯倫貝謝 ECLIPSE （ e300 ）開發了 CO 的多相流數據集2地質存儲。超臨界公司2可以通過垂直注入，將具有各種射孔間隔設計的油井注入徑向對稱系統 x （ r ， z ）。

圖 2 。典型二氧化碳去除循環中的步驟，導致建模階段

一種新的傅立葉神經算子

在最近發表在 水資源研究進展 ，研究了四種機器學習模型架構：

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

新提議的 U-FNO

使用 conv3d 而不是 U-Net 的 conv FNO

U-FNO ——一種基于增強傅立葉神經算子的多相流深度學習模型 中使用的最先進的基準 CNN

神經算子的目標是從有限的輸入輸出觀測值集合中學習無限維空間映射。與 FNO 中的原始傅立葉層不同，本文提出的 U-FNO 體系結構在每個 U-Fourier 層中附加了一個 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 模型架構同時使用了傅立葉層和 U-Fourier 層（圖 3 ）。

圖 3 。 U-FNO 模型架構

在傅里葉層和 U-Fourier 層（ a ）中：

與最初的 FNO 結構和最先進的 CNN 基準進行比較表明，新提出的 U-FNO 結構在預測含氣飽和度和壓力恢復方面都具有最佳性能。

合作的結果2使用 NVIDIA GPU 進行的存儲預測顯示：

U-FNO 預測是準確的，氣體飽和度的羽流誤差只有 1.6% ，壓力累積的相對誤差只有 0.68% 。

與 CNN 和原始 FNO 相比， U-FNO 在訓練集和測試集上都具有優異的性能。

與最先進的 CNN 相比，使用 U-FNO 預測天然氣飽和度和壓力恢復的準確度分別高出 46% 和 24% 。

U-FNO 只需要 33% 的訓練數據就可以達到與 CNN 相同的精度。

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

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

培訓和測試時間均在 NVIDIA A100-SXM GPU 上進行評估，并與英特爾至強處理器 E5-2670 CPU 上的斯倫貝謝 ECLIPSE 模擬進行比較。

為了公司2– 在這里描述的水多相流應用中，目標是優化氣體飽和度和壓力場的精度， U-FNO 提供了最高的性能。因此，在概率評估、反演和 CCS 選址方面，經過訓練的 U-FNO 模型可以替代傳統的數值模擬器。

Web 應用程序

經過培訓的 U-FNO 模型托管在一個可公開訪問的 web 應用程序 CCSNet ：二氧化碳儲存的深度學習建模套件 上。該 web 應用程序提供實時預測，降低了政府、公司和研究人員獲得可靠的 CO 模擬結果的技術壁壘2存儲項目。

使用 NVIDIA Tensor Core GPU 將 FNO 擴展到 3D 問題大小

由于 CO 中輸入數據的高維性2在存儲問題上，機器學習的應用已經局限于二維或中小型的三維問題。

為了克服這一局限性，最近的一項研究提出了一種基于輸入數據和網絡權重的區域分解的 FNOs 模型并行版本。有關更多信息，請參閱 基于模型并行傅立葉神經算子的參數偏微分方程大規模學習求解器 。

在許多應用中，以最小通信量執行多維快速傅立葉變換（ FFT ）并行化的區域分解方法已在文獻中得到廣泛關注。

眾所周知，可以使用低維 FFT 序列高效地計算多維 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 所需組件的完整數學推導及其實現。

下圖顯示了這個概念，顯示了使用鉛筆分解作用于最初分布在 2 × 2 分區上的輸入的分布式 FFT 。重劃分運算符用于確保每個工作人員擁有計算每個維度中的順序 FFT 所需的完整數據。

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

作者證明，在求解三維時變兩相流方程時，這種實現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 768 GPU （ 128 個節點）預測超過 32 億個變量的時變 PDE 解。

展望下一步，我們可以按照基于區域分解的 Grady 方法訓練更大的 3D 模型，并大幅提高數據大小的能力。通過這種技術，我們可以放大 FNO 類型的模型，以解決三維盆地/儲層模型2存儲問題。

總結

需要模擬來優化 CO2確定注射位置并驗證 CO2不會從存儲場所泄漏。我們已經證明， U-FNO 是一種增強的深傅立葉神經算子，比最先進的 CNN 精確 2 倍，數據效率 3 倍，比數值模擬器快四個數量級。

使用 NVIDIA GPU ，經過訓練的 U-FNO 模型生成 6 × 10 的天然氣飽和度和壓力恢復預測4比傳統的數值解算器更快。分布式算子學習以及通過區域分解將 FNO 擴展到大問題規模的能力，為將我們的研究擴展到實際規模的數據提供了新的可能性。

為了避免氣候變化帶來最糟糕的后果，第三工作組在其對政府間氣候變化專門委員會（ IPCC ）的 第六次評估報告（ AR6 ） 的貢獻中公布了 2022 年緩解途徑。專家們強調了碳捕獲和儲存（ CCS ）的必要性和潛力，以將全球變暖限制在 1.5 ° C 或 2 ° C 。

誠然，這套技術目前存在局限性，特別是與經濟和社會文化障礙有關。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為是不可避免的2或者實現溫室氣體排放。

我們相信，為氣候行動和恢復力構建強大的人工智能工具可以大規模地遏制排放。在這項工作中，我們采用了新的人工智能技術來加速合作2多孔介質中的流動，對 CCS 應用和減緩氣候變化的道路起著重要作用。

關于作者

Farah Hariri是NVIDIA 的高級物理學家和技術專家。她是 NVIDIA Earth-2 氣候變化和能源轉型團隊的技術負責人。她的活動包括為緩解和適應氣候變化構建地球的數字雙胞胎， E-2 將是世界上第一臺人工智能數字雙胞胎超級計算機。法拉在理論和核物理、氣候和能量轉換技術、數值模擬和人工智能方面擁有廣泛的技術背景。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、瑞士聯邦理工學院（ EPFL ）和法國替代能源和原子能委員會（ CEA ）領導各種研究項目。

Gege Wen是斯坦福大學地球、能源和環境科學學院能源工程系的博士候選人。她在斯坦福大學土木與環境工程系獲得了流體力學和水文學碩士學位，自 2016 年以來一直與 Sally Benson 教授合作進行碳捕獲和儲存的數值模擬。她的研究專注于碳存儲問題的機器學習方法。她是埃克森美孚新興能源公司的研究員。在就讀斯坦福大學之前，她獲得了多倫多大學 LasunDE 礦物工程榮譽學士學位。

Zongyi Li是加州理工學院計算+數學科學（ CMS ）系阿尼瑪·阿南德庫馬爾（ Anima Anandkumar ）推薦的博士生。他對機器學習和應用數學有廣泛的興趣。他正在開發偏微分方程的深度學習方法。 Zongyi 得到了 Kortschak 學者和 PIMCO 研究員項目的支持。

Kamyar Azizzadenesheli 自 2020 年秋季起擔任普渡大學計算機科學系助理教授。在擔任教員之前，他曾在加州理工學院（ Caltech ）擔任計算+數學科學系的博士后學者。在博士后職位之前，他被任命為加州理工學院的特殊學生研究員，與 CMS 部門和自主系統與技術中心的 ML 和控制研究人員合作。他也是加州理工學院前訪問學生研究員。 Kamyar Azizzadenesheli 曾是斯坦福大學的訪問學生研究員，也是加州大學西蒙斯研究所的研究員。伯克利。此外，他曾是 INRIA France （ SequeL 團隊）的客座研究員，也是微軟研究實驗室、新英格蘭和紐約的訪客。他在爾灣加利福尼亞大學獲得博士學位。

Anima Anandkumar 在學術界和工業界擁有雙重地位。她是加州理工學院 CMS 系的布倫教授和 NVIDIA 的機器學習研究主任。在 NVIDIA ，她領導著開發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，是地球、能源與環境科學學院能源工程系 Precourt 家族教授；她研究減少溫室氣體排放的技術和途徑，包括在地下深處地質封存二氧化碳，以及為低碳未來進行能源系統分析。她是斯坦福碳儲存中心和斯坦福碳去除倡議的聯合主任。

審核編輯：郭婷