Factorized Fourier Improved Neural Operator for Modeling Multiphase Flow in Underground Hydrogen Storage

 

地下储氢（UHS）是当前向低碳经济能源转型的有前景的储能选择。快速模拟氢气羽流运移和压力场演化对于UHS现场管理至关重要。本研究提出了一种新的神经算子架构——分解傅里叶改进神经算子（FFINO），作为UHS多相流问题的快速代理模型。

研究将文献报道的实验相对渗透率曲线参数化为FFINO模型的关键不确定性参数。通过综合指标对比，FFINO模型相比最先进的傅里叶增强多输入神经算子（FMIONet）具有显著优势：可训练参数减少38.1%，训练时间缩短17.6%，GPU内存消耗降低12%。在预测精度方面，FFINO在重点区域氢气羽流预测上准确度提高9.8%，在压力累积预测上准确度提高16.3%。

敏感性分析确定注入速率Q是对模型性能影响最大的输入参数，而其他参数显示中等或较小影响。训练好的FFINO模型推理时间比数值模拟器快7,850倍，保证了其卓越的时间效率。该模型可作为实时UHS应用中估算氢气羽流和压力时空演化的快速、准确且稳定的替代方案。

CMG软件应用情况

本研究使用CMG（Computer Modeling Group）的GEM模拟器（Version 2024.30）生成多相流数据集，具体应用包括：

  1. 模拟器设置：
    • 采用CMG-GEM（广义状态方程组分模拟器）建立地下含水层氢气注入模型
    • 假设氢气相和盐水相不互溶，忽略氢气在盐水中的溶解度
    • 不考虑水蒸气在气相中的存在
  2. 地质模型建立：
    • 建立合成径向对称水平含水层模型，维度为径向30,480m（100,000ft）×垂向97.536m（320ft）
    • 网格划分：径向192个逐渐加粗的网格，垂向64个等距网格
    • 垂直井位于网格(1, 45)，井半径7.62cm（0.25ft）
  3. 模拟方案设计：
    • 注入速率范围：25,500–255,000 m³/day
    • 最大井底压力：248.21 bar（3,600 psi）
    • 注入周期：180天，分为12个报告时间步（第1、4、9、16、25、37、52、70、91、116、145、180天）
    • 边界条件：顶部和底部为不流动边界，外边界封闭（模拟无限大含水层）
    • 储层温度：50°C（122°F），参考深度914.4m（3,000ft），参考压力93.08 bar（1,350 psi）
  4. 数据集生成：
    • 使用拉丁超立方采样（LHS）生成3,200个输入-输出对（前3,000用于训练，后200用于测试）
    • 输出包括氢气饱和度（sg）和压力累积（dP）的时空演化数据
    • 用于验证FFINO神经算子模型的预测精度

主要结论

  1. 模型性能优势： 与FMIONet相比，FFINO模型在保持更高精度的同时显著降低计算成本：
    • 可训练参数减少38.1%（从368万降至228万）
    • 模型存储空间减少43.4%
    • GPU内存消耗降低12%
    • 训练时间缩短17.6%（每轮快约10秒，200轮共节省33.8分钟）
    • 推理速度比数值模拟器快7,850倍（约0.02秒 vs 157秒）
  2. 预测精度提升：
    • 氢气饱和度预测：MRE（平均相对误差）降低9.8%，RMSE降低9.3%
    • 压力累积预测：RMSE降低16.3%，R²评分达到0.9992
    • 在氢气羽流前锋/边缘区域预测稳定性显著优于FMIONet
  3. 敏感性分析结果：
    • 注入速率Q是对模型性能影响最大的参数（加入噪声后MRE增幅最大）
    • 对于氢气饱和度，相对渗透率指数m、n、束缚水饱和度Swi、气相端点相对渗透率krg,max、各向异性和孔隙度具有中等影响
    • 对于压力累积，水相端点相对渗透率krw,max显示中等影响，其他参数影响较小
  4. 相对渗透率不确定性： 模拟研究表明，即使相对渗透率曲线的细微差异也会显著影响UHS模拟结果，强调了准确获取相对渗透率信息对UHS模拟的重要性。
  5. 工程应用价值： FFINO模型可作为实时UHS决策、历史拟合和优化流程中的快速准确替代工具，能够处理包含空间参数（渗透率、孔隙度）和标量参数（注入速率、相对渗透率系数）的复杂输入空间。

中文单位： 美国德克萨斯大学奥斯汀分校（University of Texas at Austin）

ABSTRACT

Underground hydrogen storage (UHS) is a promising energy storage option for the current energy transition to a low-carbon economy. Fast modeling of hydrogen plume migration and pressure field evolution is crucial for UHS field management. In this study, a new neural operator architecture, factorized Fourier improved neural operator or FFINO is proposed as a fast surrogate model for multiphase flow problems in UHS. Experimental relative permeability curves reported in the literature are also parameterized as key uncertainty parameters for the FFINO model. FFINO model performance with the state-of-the-art Fourier-enhanced multiple-input neural operators or FMIONet model are systematically studied through a comprehensive combination of metrics. Our new FFINO model has 38.1% fewer trainable parameters, 17.6% less training time, and 12% less GPU memory cost compared to FMIONet. The FFINO model also achieves a 9.8% accuracy improvement in predicting hydrogen plume in focused areas, and 16.3% higher accuracy in predicting pressure buildup. Sensitivity analysis identifies that the most influential input parameter to models’ performance is the injection rate Q, while other parameters show moderate to minor impacts. The inference time of the trained FFINO model is 7,850 times faster than a numerical simulator, which guarantees its superior time efficiency. The novel FFINO model can serve as a fast, accurate, and stable alternative to estimate the temporal and spatial evolution of hydrogen plumes and pressure distributions for real-time UHS applications.

 

发表评论