PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.02405v2cs.LG

이력 기반 강화학습과 잠재 모델 기반 적응을 이용한 폐루프 CO2 저장 제어

Closed-Loop CO2 Storage Control With History-Based Reinforcement Learning and Latent Model-Based Adaptation

지질 CO2 저장의 폐루프 관리는 불확실한 저류층 동작에 적응하면서 운영 중 현실적으로 이용 가능한 관측값에 의존하는 제어 정책을 필요로 한다. 본 연구는 CO2 주입 및 염수(brine) 생산 제어를 부분 관측 순차 의사 결정 문제로 공식화하고, 고정밀 저류층 시뮬레이션으로 학습된 배치 가능한 딥 강화학습 제어기를 연구한다. 우선 특권 상태(privileged-state), 유정만(well-only), 이력 조건화(history-conditioned), 마스킹 커리큘럼(masking-curriculum), 비대칭 교사-학생 무모델(model-free) 정책을 비교하여 시간적 유정 반응 정보와 학습 시 특권 시뮬레이터 상태의 가치를 정량화한다. 이어 명목 잠재 동역학을 재사용하고, 알려진 주입기 고장, 누출 유발 동역학 및 보상 이동, 구획화된 저류층 연결성 하에서 제어기를 재조정하는 잠재 모델 기반 적응 파이프라인을 평가한다. 결과는 이력 조건화 정책이 배치 가능한 유정 수준 정보만으로 특권 상태 성능의 거의 전부를 회복하며, 비정상 운전 사례에서 동일한 시나리오별 실제 시뮬레이터 예산에서 잠재 모델 기반 재조정이 직접 무모델 재조정보다 우수함을 보여준다. 제안 프레임워크는 따라서 폐루프 CO2 저장 제어에서 반복적인 온라인 이력 매칭(history matching) 및 재최적화(re-optimization)에 대한 시뮬레이터 예산을 고려한 대안을 제공한다.

arXiv:2606.17180v1cs.LG

복잡한 지질 구조에서 CO₂ 이전 예측을 위한 빠른 GNN 대리 모델

Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations

이 장에서는 데이터 기반 머신러닝 접근법이 복잡한 지질 구조에서의 다상(multiphase) 유동 물리 거동의 핵심 측면을 어떻게 재현할 수 있는지 논의한다. 우리는 지질 저장소에서 CO₂ plume 이전 예측에 맞춘 end-to-end 그래프 신경 대리 모델을 제안한다. 해당 방법은 CO₂ 저장 시나리오 평가를 위해 설계된 잘 알려진 산업 테스트 케이스인 SPE11A 벤치마크에서 평가되며, 이 벤치마크는 날카로운 기-수 계면, 강한 이류(advective) 수송, fingering 발생과 함께 이르는 급격한 대류(convective) 혼합이 특징이다. 벤치마크는 노드가 계산 셀을 나타내고 간선이 기하학적 속성으로 보강된 투과율(transmissibility) 기반 상호작용을 인코딩하는 그래프로 재구성된다. 격자 기하학, 투과율 대비, 지질 이질성에서 비롯되는 방향성 수송은, 상호작용 가중치가 기하학 조건(edge) 임베딩을 통해 계산되고 메시지 집계를 물리적으로 관련 있는 수송 방향으로 편향시키는 이방성(anisotropic) 메시지 전달(message-passing) 메커니즘을 통해 포착된다. 시간적 진화는 다단계(multi-step) 지도 학습으로 학습된 자기회귀(autoregressive) 잔차(residual) 표현을 사용하여 잠재 공간(latent space)에서 모델링된다. 제안된 모델은 CO₂ 저장 모니터링의 핵심 지표인 기체 포화도(gas saturation)와 액상(liquid-phase) 밀도에 대해 경쟁력 있는 예측을 생성하며, 누적 오차는 장기 예측 구간(extended forecasting horizons)에서도 적당한 수준을 유지한다.