斯坦福团队研发新型深度学习模型，能预测碳捕集引起的地表位移

近日，美国斯坦福大学团队利用深度学习中的计算机视觉技术，打造出一款新型深度学习模型。

从地下地层结构图像出发，他们成功预测了二氧化碳捕集与封存技术（CCS，Carbon Capture and Sequestration）引起的地表位移。

（来源：arXiv）

相比数值模拟，该方法可以在精度略有损失的情况下，大幅提升预测效率，更加经济和高效。

此外，所训练的深度学习模型还可以推广用于不同的地层条件中，能为相关 CCS 项目提供有力的支持。

本次研究的出发点，正是希望突破当前 CCS 面临的计算瓶颈，找到一条更加高效、更加实用的路径，助力 CCS 技术的工程化应用。

通过探索计算机视觉在 CCS 领域的崭新应用，研究者们期望能够加速 CCS 的推广普及，为应对全球气候变化贡献力量。

未来几年内，该成果有望在以下几个方面得到具体应用：

其一，可直接用于指导 CCS 项目的选址规划。

通过输入候选场地的地层结构图像，可以快速预测不同方案下的地表位移情况，让 CCS 项目决策者更加高效地筛选最优的注入点位置和注入参数。

在确保安全性的同时最大化碳封存量，从而大大节省选址评估的时间和成本。

其二，本次所开发的深度学习模型可集成到 CCS 风险管理系统中，实现针对注入过程的实时监测和实时预警。

一旦监测数据显示地层状态发生异常变化，深度学习模型可以快速预测地表位移的响应，为及时采取应对措施提供依据，从而将 CCS 的环境风险降到最低。

其三，可用于 CCS 项目的公众沟通。

通过利用直观的可视化效果，展示 CCS 在不同情景下对于地表的潜在影响，有助于提高公众对 CCS 的认知和理解，增强人们对 CCS 安全性的信心，促进 CCS 项目的顺利实施。

其四，本次成果所采用的方法也可用于其他耦合流固力学问题中，比如页岩气开采、地热开发等。

即通过图像直接驱动的端到端学习范式，有望为这些领域的高效数值模拟开辟新的途径。

其五，为跨学科交叉应用提供了新思路。

此次成果展示了如何将计算机视觉这一前沿 IT 技术与传统的地学工程问题相结合，充分挖掘了不同学科的优势。

这种范式对于解决地球科学领域中的其他重大挑战问题具有重要的启示意义。

总之，本次成果以地表位移预测为切入点，为 CCS 技术的工程化应用提供了新的突破口。

随着研究的不断深入和完善，它有望在多个方面产生切实的应用价值，助力 CCS 在减缓全球气候变化中发挥更大的作用。

同时，这项工作也为多学科交叉融合、协同创新树立了范例。

（来源：arXiv）

日前，相关论文以《碳网：计算机视觉如何在气候变化中发挥作用？应用：从 CCS 的地下几何学中学习地质力学，以缓解全球变暖》（CarbonNet：How Computer Vision Plays a Role in Climate Change？Application：Learning Geomechanics from Subsurface Geometry of CCS to Mitigate Global Warming）为题发在 arXiv[1]。

图 | 相关论文（来源：arXiv）

斯坦福大学博士生陈伟是第一作者兼共同通讯，斯坦福大学博士生李昱男和田园是共同作者。

图 | 陈伟（来源：陈伟）

据介绍，随着全球气候变暖问题日益严峻，减少二氧化碳等温室气体排放、实现碳中和已成为全世界共同的使命。

CCS 被公认为是实现这一目标的关键途径之一。CCS 通过将工业生产过程中产生的二氧化碳捕集，再输送至地下含盐水层或废弃油气田进行永久封存，从而有效减少大气中的二氧化碳含量。

然而，大规模实施 CCS 仍面临诸多挑战。其中一个主要风险是：注入地层的高压二氧化碳可能会导致地表隆起，进而损坏地面建筑，影响人们的生活。

准确评估和预测 CCS 过程中地表形变的时空分布特征，对于安全有效地开展 CCS 项目至关重要。

传统的方法主要依赖直接的数值模拟，但由于 CCS 涉及庞大的空间和时间尺度，详细模拟往往需要极高的计算资源，代价昂贵且耗时较长，不利于实际 CCS 项目的规划与决策。

（来源：arXiv）

陈伟、李昱男和田园三位博士生，虽然分属不同研究领域，但彼此是好朋友。

在日常交流中，他们意识到 CCS 项目正面临实际落地的挑战，尤其在选址评估阶段需要耗费大量计算资源进行数值模拟。

三人迅速捕捉到这一痛点，决定结合各自所长开展跨学科合作研究。紧接着，他们开始构思整个研究的框架和步骤。

首先，依托李昱男在 CCS 领域的研究积累，明确了待解决的关键问题：即如何利用深度学习技术加速 CCS 选址分析。

同时，他们把这一选题与斯坦福大学 CS231N 课程的课题项目结合起来，让研究过程与日常学习相得益彰。

在确立研究方向后，陈伟和田园分别负责计算力学和地层位移等基础理论问题，为后续的机器学习建模奠定坚实基础。

与此同时，李昱男着手进行数据收集和数据整理工作，为训练高质量的深度学习模型提供数据支撑。

数据准备就绪后，三人开始投入到模型构建和训练的阶段。期间他们反复进行实验，对比测试不同的网络结构和超参数，力求找到最优的模型配置。最终，他们找到了一种适用于该问题的创新性深度学习网络架构。

研究中，数据获取问题就成为了摆在他们面前的一道难题。为了获取足够真实的地质数据，他们先是分头出击，努力从各大能源公司和学术机构寻求数据共享。

然而，几经周折之后，收获却十分有限。许多数据持有者囿于隐私和保密考虑，并不愿意完全开放手中的资料。

就在众人一筹莫展之际，他们想到，这些地质数据本质上不就是计算力学模拟的结果吗？

与其从别人那里拿数据，不如发挥自己在计算力学领域的所长，去生成足够多样化的模拟数据。

想到这里，三人立刻行动起来。他们合力编写程序，模拟各种不同的地层条件，由此生成了海量的地表位移数据。

同时，他们也意识到这项研究虽然已经初见成效，但仍有许多值得深入和拓展的空间。因此，三人商议后制定了一系列后续研究计划。

接下来的首要任务是进一步完善现有的深度学习模型。虽然目前的模型已经能够较为准确地预测地表位移，但他们认为还有优化的潜力。

他们计划在现有框架的基础上，尝试引入更先进的网络结构比如注意力机制等，以期进一步提升模型的性能和泛化能力。

同时，他们还打算拓展模型的输入维度，纳入更多的地质参数和工程参数，从而适用于更加复杂多变的实际场景。

其次，他们还计划扩大研究的地域范围。目前的研究主要基于特定区域的地质条件，接下来他们希望将模型推广应用到其他典型的地质构造区，以便检验模型的适用性和鲁棒性。

这就需要收集和处理更加多样化的数据，并针对不同地域的特点对模型进行微调和优化。

再者，其也将拓展研究的深度和广度。在深度方面，他们计划探索深度学习技术在其他复杂耦合流固问题中的应用，比如页岩气开采、地热开发等。

在广度方面，他们希望将当前的二维模型拓展到三维空间，以获得更加全面和精细的预测结果。

除了技术层面的深化，他们也希望加强与业界和学界的合作交流。比如与能源企业建立更加紧密的合作关系，将研究成果应用到实际的 CCS 项目中，并通过实践来反馈和改进模型。

参考资料：

1.https://.org/pdf/2403.06025.pdf

运营/排版：何晨龙