近日,美國斯坦福大學團隊利用深度學習中的計算機視覺技術,打造出一款新型深度學習模型。
從地下地層結構圖像出發,他們成功預測了二氧化碳捕集與封存技術(CCS,Carbon Capture and Sequestration)引起的地表位移。
(來源:arXiv)
相比數值模拟,該方法可以在精度略有損失的情況下,大幅提升預測效率,更加經濟和高效。
此外,所訓練的深度學習模型還可以推廣用于不同的地層條件中,能為相關 CCS 項目提供有力的支援。
本次研究的出發點,正是希望突破目前 CCS 面臨的計算瓶頸,找到一條更加高效、更加實用的路徑,助力 CCS 技術的工程化應用。
通過探索計算機視覺在 CCS 領域的嶄新應用,研究者們期望能夠加速 CCS 的推廣普及,為應對全球氣候變化貢獻力量。
未來幾年内,該成果有望在以下幾個方面得到具體應用:
其一,可直接用于指導 CCS 項目的選址規劃。
通過輸入候選場地的地層結構圖像,可以快速預測不同方案下的地表位移情況,讓 CCS 項目決策者更加高效地篩選最優的注入點位置和注入參數。
在確定安全性的同時最大化碳封存量,進而大大節省選址評估的時間和成本。
其二,本次所開發的深度學習模型可內建到 CCS 風險管理系統中,實作針對注入過程的實時監測和實時預警。
一旦監測資料顯示地層狀态發生異常變化,深度學習模型可以快速預測地表位移的響應,為及時采取應對措施提供依據,進而将 CCS 的環境風險降到最低。
其三,可用于 CCS 項目的公衆溝通。
通過利用直覺的可視化效果,展示 CCS 在不同情景下對于地表的潛在影響,有助于提高公衆對 CCS 的認知和了解,增強人們對 CCS 安全性的信心,促進 CCS 項目的順利實施。
其四,本次成果所采用的方法也可用于其他耦合流固力學問題中,比如頁岩氣開采、地熱開發等。
即通過圖像直接驅動的端到端學習範式,有望為這些領域的高效數值模拟開辟新的途徑。
其五,為跨學科交叉應用提供了新思路。
此次成果展示了如何将計算機視覺這一前沿 IT 技術與傳統的地學工程問題相結合,充分挖掘了不同學科的優勢。
這種範式對于解決地球科學領域中的其他重大挑戰問題具有重要的啟示意義。
總之,本次成果以地表位移預測為切入點,為 CCS 技術的工程化應用提供了新的突破口。
随着研究的不斷深入和完善,它有望在多個方面産生切實的應用價值,助力 CCS 在減緩全球氣候變化中發揮更大的作用。
同時,這項工作也為多學科交叉融合、協同創新樹立了範例。
(來源:arXiv)
日前,相關論文以《碳網:計算機視覺如何在氣候變化中發揮作用?應用:從 CCS 的地下幾何學中學習地質力學,以緩解全球變暖》(CarbonNet:How Computer Vision Plays a Role in Climate Change?Application:Learning Geomechanics from Subsurface Geometry of CCS to Mitigate Global Warming)為題發在 arXiv[1]。
圖 | 相關論文(來源:arXiv)
斯坦福大學博士生陳偉是第一作者兼共同通訊,斯坦福大學博士生李昱男和田園是共同作者。
圖 | 陳偉(來源:陳偉)
據介紹,随着全球氣候變暖問題日益嚴峻,減少二氧化碳等溫室氣體排放、實作碳中和已成為全世界共同的使命。
CCS 被公認為是實作這一目标的關鍵途徑之一。CCS 通過将工業生産過程中産生的二氧化碳捕集,再輸送至地下含鹽水層或廢棄油氣田進行永久封存,進而有效減少大氣中的二氧化碳含量。
然而,大規模實施 CCS 仍面臨諸多挑戰。其中一個主要風險是:注入地層的高壓二氧化碳可能會導緻地表隆起,進而損壞地面建築,影響人們的生活。
準确評估和預測 CCS 過程中地表形變的時空分布特征,對于安全有效地開展 CCS 項目至關重要。
傳統的方法主要依賴直接的數值模拟,但由于 CCS 涉及龐大的空間和時間尺度,詳細模拟往往需要極高的計算資源,代價昂貴且耗時較長,不利于實際 CCS 項目的規劃與決策。
(來源:arXiv)
陳偉、李昱男和田園三位博士生,雖然分屬不同研究領域,但彼此是好朋友。
在日常交流中,他們意識到 CCS 項目正面臨實際落地的挑戰,尤其在選址評估階段需要耗費大量計算資源進行數值模拟。
三人迅速捕捉到這一痛點,決定結合各自所長開展跨學科合作研究。緊接着,他們開始構思整個研究的架構和步驟。
首先,依托李昱男在 CCS 領域的研究積累,明确了待解決的關鍵問題:即如何利用深度學習技術加速 CCS 選址分析。
同時,他們把這一選題與斯坦福大學 CS231N 課程的課題項目結合起來,讓研究過程與日常學習相得益彰。
在确立研究方向後,陳偉和田園分别負責計算力學和地層位移等基礎理論問題,為後續的機器學習模組化奠定堅實基礎。
與此同時,李昱男着手進行資料收集和資料整理工作,為訓練高品質的深度學習模型提供資料支撐。
資料準備就緒後,三人開始投入到模型建構和訓練的階段。期間他們反複進行實驗,對比測試不同的網絡結構和超參數,力求找到最優的模型配置。最終,他們找到了一種适用于該問題的創新性深度學習網絡架構。
研究中,資料擷取問題就成為了擺在他們面前的一道難題。為了擷取足夠真實的地質資料,他們先是分頭出擊,努力從各大能源公司和學術機構尋求資料共享。
然而,幾經周折之後,收獲卻十分有限。許多資料持有者囿于隐私和保密考慮,并不願意完全開放手中的資料。
就在衆人一籌莫展之際,他們想到,這些地質資料本質上不就是計算力學模拟的結果嗎?
與其從别人那裡拿資料,不如發揮自己在計算力學領域的所長,去生成足夠多樣化的模拟資料。
想到這裡,三人立刻行動起來。他們合力編寫程式,模拟各種不同的地層條件,由此生成了海量的地表位移資料。
同時,他們也意識到這項研究雖然已經初見成效,但仍有許多值得深入和拓展的空間。是以,三人商議後制定了一系列後續研究計劃。
接下來的首要任務是進一步完善現有的深度學習模型。雖然目前的模型已經能夠較為準确地預測地表位移,但他們認為還有優化的潛力。
他們計劃在現有架構的基礎上,嘗試引入更先進的網絡結構比如注意力機制等,以期進一步提升模型的性能和泛化能力。
同時,他們還打算拓展模型的輸入次元,納入更多的地質參數和工程參數,進而适用于更加複雜多變的實際場景。
其次,他們還計劃擴大研究的地域範圍。目前的研究主要基于特定區域的地質條件,接下來他們希望将模型推廣應用到其他典型的地質構造區,以便檢驗模型的适用性和魯棒性。
這就需要收集和處理更加多樣化的資料,并針對不同地域的特點對模型進行微調和優化。
再者,其也将拓展研究的深度和廣度。在深度方面,他們計劃探索深度學習技術在其他複雜耦合流固問題中的應用,比如頁岩氣開采、地熱開發等。
在廣度方面,他們希望将目前的二維模型拓展到三維空間,以獲得更加全面和精細的預測結果。
除了技術層面的深化,他們也希望加強與業界和學界的合作交流。比如與能源企業建立更加緊密的合作關系,将研究成果應用到實際的 CCS 項目中,并通過實踐來回報和改進模型。
參考資料:
1.https://.org/pdf/2403.06025.pdf
營運/排版:何晨龍