[Paper] CO₂ 封存混合求解器，使用等几何交替方向和基于配点的鲁棒变分物理信息神经网络 (IGA-ADS-CRVPINN)
发布: (2026年4月23日 GMT+8 00:16)
7 分钟阅读
原文: arXiv
Source: arXiv - 2604.20731v1
（请提供需要翻译的正文内容，我将为您翻译成简体中文。）
概述
一种新的混合计算框架解决了多孔介质中 CO₂ 封存模拟的高昂成本。通过将经典的等几何交替方向求解器 (IGA‑ADS) 与轻量级物理信息神经网络 (CRVPINN) 相结合，作者实现了相较于传统直接求解器基线的 三倍加速，同时保持了工程决策所需的精度。
关键贡献
- Hybrid Solver Architecture – 将显式 IGA‑ADS 对饱和度场的更新与基于配点的变分 PINN（CRVPINN）对压力场的求解相结合。
- Efficient Neural‑Network Pre‑training – 对压力 PINN 进行初始条件的预训练；后续时间步更新只需约 100 次 Adam 迭代，显著缩短运行时间。
- Performance Benchmarking – 与 IGA‑ADS + MUMPS 直接求解器配置相比，在 ARES 集群单节点上实现了超过 3 倍的速度提升。
- Domain‑Specific Modeling – 实现了针对两相流（CO₂ + 盐水）的 Darcy 定律模型，未考虑化学反应，这是早期封存研究中的常见简化。
- Open Path to Inverse Problems & H₂ Storage – 阐述了相同工作流如何用于参数估计或地下氢气储存模拟的逆问题。
Methodology
Governing Equations
- Darcy’s law 描述流体在多孔岩石中的运动。
- 两个耦合的标量场：饱和度（孔隙空间中被 CO₂ 占据的比例）和压力。
IGA‑ADS for Saturation
- 使用 isogeometric analysis（IGA）用相同的样条基函数同时表示几何形状和求解场，保持 CAD 几何的精确性。
- 交替方向求解器 (ADS) 将多维问题拆分为一系列 1‑D 求解，使得 显式时间积分 既廉价又易于并行化。
CRVPINN for Pressure
- 一种 Physics‑Informed Neural Network (PINN)，通过变分（弱）形式在配点处强制满足压力 PDE。
- 鲁棒，因为损失函数同时包含残差和边界/初始条件的惩罚；基于配点，避免了昂贵的数值积分。
- 网络在初始压力场上 预训练。在每个时间步，仅需几百次 Adam 优化器迭代即可使网络适应更新后的饱和度相关源项。
Coupling Strategy
在每个时间步：
- 使用 IGA‑ADS 显式更新饱和度。
- 将新的饱和度作为源项输入压力 PINN。
- 进行一次短暂的 PINN 微调（≈100 次 Adam 步）。
该循环取代了传统的单块求解方式，后者需要求解大型稀疏线性系统（在基线中由 MUMPS 处理）。
结果与发现
| 指标 | Hybrid IGA‑ADS + CRVPINN | Baseline IGA‑ADS + MUMPS |
|---|---|---|
| 运行时间（单节点） | ~基线的1/3（≈3× 更快） | — |
| 压力误差（L₂ 范数） | < 1 %（相对于基线） | — |
| 饱和度误差 | 相同（显式 IGA‑ADS 未改变） | — |
| 内存占用 | 显著更低（无大型因式分解矩阵） | — |
| 可扩展性 | 随时间步数线性扩展；对 PINN 部分可实现适度的 GPU 加速 | — |
该混合方法保留了 IGA 的高保真空间表示，同时大幅降低了解压场的计算成本，而压场求解通常是两相流模拟的瓶颈。
实际意义
- 更快的可行性研究 – 工程师可以在相同的计算预算下运行更多的“假设”情景（不同的注入速率、渗透率场等），加速场址选择和风险评估工作流程。
- 降低硬件需求 – 轻内存的 PINN 消除了对大型分布式直接求解器的需求，使工作流程可以在工作站或普通云实例上运行。
- 实时监测与决策支持 – 每个时间步仅需几百次神经网络更新，求解器可以集成到近实时监测平台，实时摄取现场数据（如压力传感器）并即时更新预测。
- 可移植到其他地下问题 – 同样的混合模式可用于氢储存、地热储层或二氧化碳增强采油等，以压力‑饱和度耦合为主的场景。
- Hybrid‑AI 采纳路径 – 为希望在不重写整个代码库的情况下，将 AI 组件注入传统 PDE 求解器的开发者提供了具体、低风险的切入点。
限制与未来工作
- 物理简化 – 该模型省略了化学反应、毛细压力滞后以及热效应，这些在长期封存安全性分析中可能非常重要。
- PINN 泛化能力 – CRVPINN 在每个时间步都重新训练；虽然成本低，但仍依赖良好的初始猜测。对高度非线性源项的鲁棒性仍需进一步测试。
- 单节点之外的可扩展性 – 实验仅限于单个计算节点；混合流水线（尤其是 PINN 部分）的分布式内存扩展仍是一个未解之题。
- 逆问题与参数估计 – 作者计划利用可微分的 PINN 解决逆问题（例如，从压力数据估计渗透率），但尚未展示。
总体而言，本文展示了经典数值方法与现代 AI 驱动求解器的有前景的融合，为更快速、更灵活的地下流动模拟提供了实用路径。
作者
- Askold Vilkha
- Tomasz Służalec
- Marcin Łoś
- Maciej Paszyński
论文信息
- arXiv ID: 2604.20731v1
- 分类: math.NA, cs.NE
- 发表时间: 2026年4月22日
- PDF: 下载 PDF