基于傅里叶神经算子的碳封存场地快速筛选：面向CO2运移模拟的代理模型框架

《International Journal of Greenhouse Gas Control》：Accelerated CCS site screening using Fourier Neural Operator based surrogates for flow simulations

本文创新性地提出基于傅里叶神经算子（FNO）的代理模型框架，实现了碳捕集与封存（CCS）场地筛选的加速评估。该模型通过有限体积法生成涵盖全球典型CCS场地参数的训练数据集，可精准预测CO2聚集量和饱和度的时空演化（最长至注入后1000年）。相较于传统数值模拟，在保持精度的同时获得103-104倍加速，为CCS场地长期风险评估提供了高效计算工具。

　　

章节精选

控制方程

CO₂-水多相流问题的质量积累方程通式可表述为：?M^k/?t = -?·F^k+ q^k，其中q为源汇项。针对各组份k（CO₂或水），质量积累项M^k按相态p加和计算：M^k= φ∑_pS_pρ_pX_p^k，φ为孔隙度，S_p为相饱和度，ρ_p为相密度，X_p^k为组份k在相p中的质量分数。

神经算子

作为新兴范式，神经算子擅长学习函数空间之间的映射关系（例如从参数化输入函数到PDE解的映射）。其输入函数可包含初始条件u₀(x)、边界条件u_b(x,t)、激励项f(x,t)等。

傅里叶神经算子

FNO通过傅里叶空间的卷积运算构建迭代架构，利用提升层将输入映射至高维表示，再通过傅里叶层进行频域特征提取，最终通过投影层输出物理场预测。

数据增强方法

本节详述了提升代理模型泛化能力的数据扩增策略。

结果与讨论

通过与高保真模拟器MoReS的对比验证，代理模型在盲测数据集上展现出卓越性能。不仅单场景预测误差可控，在概率评估框架下对羽流迁移距离、归一化累积CO₂聚集量等物理指标的统计分布也实现高精度复现。

结论与未来工作

本研究成功构建了适用于CCS流场模拟的代理模型，可精准预测从注入结束到长期迁移期（1000年）内CO₂聚集量与气体饱和度的空间分布。该框架为CCS场地快速筛查提供了突破性的计算效率支撑。