본 연구는 탄소 포집 및 저장(CCS) 기술과 관련된 의사결정 과정을 가속화하기 위한 대리 모델을 개발하는 것을 목표로 합니다. 지하 CO₂ 저장 부지 선정에는 CO₂ 유동장에 대한 비용이 많이 들고 복잡한 시뮬레이션이 필요합니다. 이 연구에서는 CO₂ 플룸 이동을 실시간으로 고해상도로 시뮬레이션하기 위한 푸리에 신경 연산자(FNO) 기반 모델을 개발합니다. 이 모델은 현실적인 지하 매개변수로 생성된 포괄적인 데이터 세트로 훈련되며, 예측 정확도를 최소한으로 희생하면서 O(10⁵)의 계산 속도 향상을 제공합니다. 또한 FNO 기반 모델의 훈련 계산 비용을 개선하기 위해 초고해상도 실험을 탐구합니다. 추가적으로, 실제 지질 부지를 평가할 때 중요한 모델의 예측 신뢰성을 향상시키기 위한 다양한 전략을 제시합니다. NVIDIA의 Modulus 라이브러리를 기반으로 하는 이 새로운 프레임워크는 CCS 부지의 신속한 선별을 가능하게 합니다. 논의된 워크플로우와 전략은 지열 저류층 모델링 및 수소 저장과 같은 다른 에너지 솔루션에도 적용될 수 있습니다. 본 연구는 실제 지하 대수층/저류층과 더 일치하는 현실적인 3D 시스템으로 과학적 기계 학습 모델을 확장하여 차세대 지하 CCS 애플리케이션용 디지털 트윈을 위한 길을 열어줍니다.
시사점, 한계점
•
시사점:
◦
CCS 부지 선정을 위한 실시간 고해상도 CO₂ 플룸 이동 시뮬레이션을 가능하게 하는 FNO 기반 모델 개발.
◦
기존 시뮬레이션 대비 O(10⁵)의 계산 속도 향상 달성.
◦
초고해상도 실험을 통한 모델 훈련 비용 개선.
◦
모델 예측 신뢰성 향상 전략 제시.
◦
지열 저류층 모델링 및 수소 저장 등 다른 에너지 솔루션에도 적용 가능성 제시.
◦
현실적인 3D 지하 시스템에 적용 가능한 과학적 기계 학습 모델 확장.
◦
차세대 지하 CCS 애플리케이션을 위한 디지털 트윈 개발에 기여.
•
한계점:
◦
본 논문에서는 구체적인 한계점이 명시적으로 제시되지 않음. 추가적인 검증 및 실제 현장 데이터 적용을 통한 추가적인 연구가 필요할 것으로 예상됨.
◦
모델의 일반화 성능 및 다양한 지질 조건에 대한 적용 가능성에 대한 추가적인 연구가 필요할 수 있음.
