Los científicos usan IA para mejorar el secuestro de carbono bajo tierra

Un equipo de científicos ha creado una nueva herramienta basada en IA para ayudar a bloquear gases de efecto invernadero como el CO ₂ en formaciones rocosas porosas de forma más rápida y precisa que nunca.

La tecnología de captura de carbono, también conocida como secuestro de carbono, es un método de mitigación del cambio climático que redirige el CO ₂ emitido por las centrales eléctricas de vuelta al subsuelo. Mientras lo hacen, los científicos deben evitar la acumulación excesiva de presión causada por la inyección de CO2 _en la roca, que puede fracturar formaciones geológicas y filtrar carbono a los acuíferos por encima del sitio, o incluso a la atmósfera.

Una nueva arquitectura de operador neuronal llamada U-FNO simula los niveles de presión durante el almacenamiento de carbono en una fracción de segundo mientras duplica la precisión en ciertas tareas, lo que ayuda a los científicos a encontrar las tasas y los sitios de inyección óptimos. Se dio a conocer esta semana en un estudio publicado en Advances in Water Resources , con coautores de la Universidad de Stanford, el Instituto de Tecnología de California, la Universidad de Purdue y NVIDIA.

La captura y el almacenamiento de carbono es uno de los pocos métodos que industrias como la refinería, el cemento y el acero podrían usar para descarbonizar y lograr los objetivos de reducción de emisiones. Se están construyendo más de cien instalaciones de captura y almacenamiento de carbono en todo el mundo.

U-FNO se utilizará para acelerar las predicciones de almacenamiento de carbono para ExxonMobil, que financió el estudio.

“Los simuladores de yacimientos son modelos informáticos intensivos que los ingenieros y científicos utilizan para estudiar flujos multifásicos y otros fenómenos físicos complejos en la geología del subsuelo de la tierra”, dijo James V. White, gerente de almacenamiento de carbono en el subsuelo de ExxonMobil. «Las técnicas de aprendizaje automático como las utilizadas en este trabajo proporcionan un camino sólido para cuantificar las incertidumbres en los modelos de flujo subterráneo a gran escala, como la captura y el secuestro de carbono y, en última instancia, facilitan una mejor toma de decisiones».

Cómo los científicos de almacenamiento de carbono utilizan el aprendizaje automático

Los científicos utilizan simulaciones de almacenamiento de carbono para seleccionar los sitios y las tasas de inyección correctos, controlar la acumulación de presión, maximizar la eficiencia del almacenamiento y garantizar que la actividad de inyección no fractura la formación rocosa. Para un proyecto de almacenamiento exitoso, también es importante comprender la pluma de dióxido de carbono: la propagación de CO ₂ a través del suelo.

Los simuladores tradicionales para el secuestro de carbono consumen mucho tiempo y son costosos desde el punto de vista computacional. Los modelos de aprendizaje automático brindan niveles de precisión similares y reducen drásticamente el tiempo y los costos necesarios.

Basado en la red neuronal U-Net y la arquitectura del operador neuronal de Fourier, conocida como FNO, U-FNO proporciona predicciones más precisas de la saturación de gas y la acumulación de presión. En comparación con el uso de una red neuronal convolucional de última generación para la tarea, U-FNO es el doble de preciso y requiere solo un tercio de los datos de entrenamiento.

“Nuestro método de aprendizaje automático para el modelado científico es fundamentalmente diferente de las redes neuronales estándar, donde normalmente trabajamos con imágenes de una resolución fija”, dijo Anima Anandkumar, coautora del artículo, directora de investigación de aprendizaje automático en NVIDIA y profesora de Bren en Computing + Departamento de Ciencias Matemáticas de Caltech. “En el modelado científico, tenemos diferentes resoluciones dependiendo de cómo y dónde tomamos muestras. Nuestro modelo puede generalizarse bien en diferentes resoluciones sin necesidad de volver a entrenar, logrando enormes aceleraciones”.

Los modelos U-FNO entrenados están disponibles en una aplicación web para proporcionar predicciones en tiempo real para proyectos de almacenamiento de carbono.

“Las innovaciones recientes en IA, con técnicas como FNO, pueden acelerar los cálculos en órdenes de magnitud, dando un paso importante para ayudar a escalar las tecnologías de captura y almacenamiento de carbono”, dijo Ranveer Chandra, director gerente de investigación para la industria en Microsoft y colaborador en el Iniciativa Northern Lights , un proyecto de captura y almacenamiento de carbono a gran escala en Noruega. “ Nuestro FNO modelo paralelo puede escalar a tamaños de problemas 3D realistas utilizando la memoria distribuida de muchas GPU NVIDIA Tensor Core”.

Nuevos operadores neuronales aceleran las predicciones de almacenamiento  de CO 2

U-FNO permite a los científicos simular cómo se acumularán los niveles de presión y dónde se propagará el CO ₂ a lo largo de los 30 años de inyección. La aceleración de GPU con U-FNO hace posible ejecutar estas simulaciones de 30 años en una centésima de segundo en una sola GPU NVIDIA A100 Tensor Core , en lugar de 10 minutos con los métodos tradicionales.

Con el aprendizaje automático acelerado por GPU, los investigadores ahora también pueden simular rápidamente muchas ubicaciones de inyección. Sin esta herramienta, elegir sitios es como un tiro en la oscuridad.

El modelo U-FNO se centra en modelar la migración de la pluma y la presión durante el proceso de inyección, cuando existe el mayor riesgo de sobrepasar la cantidad de CO ₂ inyectado. Fue desarrollado utilizando GPU NVIDIA A100 en el clúster de computación Sherlock en Stanford.

“Para que se pueda lograr el cero neto, necesitaremos fuentes de energía de bajas emisiones, así como tecnologías de emisiones negativas, como la captura y el almacenamiento de carbono”, dijo Farah Hariri, colaboradora de U-FNO y líder técnica en proyectos de mitigación del cambio climático. para Earth-2 de NVIDIA , que será la primera supercomputadora gemela digital con IA del mundo. “Al aplicar los operadores neuronales de Fourier al almacenamiento de carbono, mostramos cómo la IA puede ayudar a acelerar el proceso de mitigación del cambio climático. Earth-2 aprovechará esas técnicas”.