Coupled Flow-Geomechanics Surrogate Model with Flexible Boundary Conditions for Geological CO2 Storage Using Fourier Neural Operator Based Gated Recurrent Network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Geological carbon storage (GCS) is a critical strategy for mitigating climate change, but coupled flow-geomechanics simulations remain computationally prohibitive. This study presents a Fourier Neural Operator-based Gated Recurrent Network (GRU-FNO), a novel surrogate model that achieves high prediction accuracy, efficiency, and scalability compared to existing CNN-based and FNO approaches. Two dynamic surrogate models, predicting CO2 saturation and pressure, were trained on 820 high-resolution samples from coupled flow-geomechanics simulations. The dataset integrates heterogeneous geological properties, boundary conditions, injection rates, and bottomhole pressure constraints for up to three wells. The proposed GRU-FNO model delivers over 100,000x speedup compared to traditional simulators, achieving mean relative errors of 0.610% (saturation) and 0.083% (pressure) for injection-only phases, and 6.588% (saturation) and 0.241% (pressure) for extended post-injection periods. Its superior performance is attributed to the integration of GRUs for sequential temporal modeling and Fourier layers for spatial feature extraction, which decouples spatial-temporal dependencies efficiently. To enhance generalization, Tversky loss and Intersection over Union (IoU) metrics are employed alongside relative L2 loss, ensuring improved accuracy in plume shape prediction. A normalizer stabilizes convergence for pressure data. Extensive evaluations confirm the model's robustness across unseen geological conditions, enabling real-time predictions and uncertainty quantification for diverse GCS scenarios. GRU-FNO offers a powerful, data-driven alternative to traditional simulators, empowering practicing engineers to make rapid and reliable decisions in geological carbon storage projects.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle