본 연구는 탄소 포집 및 저장(CCS) 기술과 관련된 의사결정 과정을 가속화하기 위한 대리 모델을 개발하는 것을 목표로 합니다. 지하 $CO_2$ 저장소 부지 선정에는 $CO_2$ 유동장에 대한 비용이 많이 들고 복잡한 시뮬레이션이 필요합니다. 본 연구에서는 실시간, 고해상도 $CO_2$ 플룸 이동 시뮬레이션을 위한 푸리에 신경 연산자(FNO) 기반 모델을 개발합니다. 이 모델은 현실적인 지하 매개변수로 생성된 종합적인 데이터 세트를 사용하여 훈련되며, 예측 정확도를 최소한으로 희생하면서 $O(10^5)$의 계산 속도 향상을 제공합니다. 또한 FNO 기반 모델의 훈련 계산 비용을 개선하기 위해 초고해상도 실험을 탐구합니다. 추가적으로, 실제 지질학적 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 선정 과정의 속도 향상 및 비용 절감: FNO 기반 모델을 통해 $CO_2$ 플룸 이동 시뮬레이션의 계산 속도를 $O(10^5)$ 향상시킴.
◦
고해상도 시뮬레이션 가능: 실시간 고해상도 시뮬레이션을 제공하여 정확도 향상.
◦
다양한 에너지 솔루션 적용 가능성: 지열 저류층 모델링 및 수소 저장 등 다른 분야에도 적용 가능.
◦
차세대 디지털 트윈 기술 발전에 기여: 실제 지하 환경에 더욱 부합하는 3D 시뮬레이션 모델 개발.
◦
예측 신뢰성 향상 전략 제시: 실제 지질학적 부지 평가의 정확성 향상.
•
한계점:
◦
모델의 일반화 성능에 대한 추가적인 검증 필요: 다양한 지질학적 조건에 대한 모델의 성능 평가가 더 필요함.
◦
실제 현장 데이터와의 비교 분석 필요: 모델의 예측 결과를 실제 측정 데이터와 비교하여 정확성 검증 필요.
◦
초고해상도 실험의 효율성 및 한계에 대한 추가 연구 필요.
◦
모델 훈련에 필요한 데이터의 양 및 질에 대한 제한: 데이터의 대표성 및 충분성이 모델 성능에 영향을 미칠 수 있음.
