مجموعة بيانات مرجعية لنماذج التعلم الآلي المحاكاة لتداخل CO2 والماء على مقياس المسام

لماذا يحتاج تخزين الكربون تحت الأرض إلى صور أفضل

عند الحديث عن مكافحة تغير المناخ، ثمة فكرة كبرى وهي التقاط ثاني أكسيد الكربون (CO2) من مداخن المصانع وتخزينه عميقاً تحت الأرض. لكن الصخور الجوفية ليست خزانات ملساء—هي أقرب إلى إسفنج معقد مليء بالتعرجات الدقيقة حيث يتنافس الماء وCO2 على الحيز. تعرض هذه الورقة "فيديو" رقمي جديد ومفصل لكيف يدفع CO2 الماء عبر هذه المسامات الدقيقة، مما يزود الباحثين بالمواد الخام اللازمة لبناء نماذج حاسوبية أسرع يمكنها التنبؤ بما إذا كان التخزين تحت الأرض سيبقي CO2 محتبساً بأمان.

نظرة داخل إسفنجة الصخر

المخازن الجوفية مثل الرمل الحجري أو الصخور البركانية مشبعة بمسام مجهرية مملوءة بالماء. عند ضخ CO2، عليه أن يشق طريقه عبر هذا المتاهة، أحياناً يندفع في قنوات وأحياناً يعلق في طرق مسدودة. تتحكم هذه الأنماط الدقيقة في كمية CO2 التي يمكن تخزينها ومدى أمان ذلك التخزين عبر عقود إلى قرون. يمكن للتجارب المخبرية التقليدية والتصوير أن تلقي لمحة عما يحدث في عينات صغيرة، بينما تتابع المحاكاة الحاسوبية عالية الدقة كل تفصيلة—ولكن بتكاليف كبيرة من حيث الوقت وقوة الحوسبة. ونتيجة لذلك، كثيراً ما يعتمد المهندسون على صيغ مبسطة تمحو الصورة الدقيقة الفوضوية، ما قد يتجاهل سلوكيات مهمة.

لماذا تحتاج النماذج المستبدلة الذكية إلى بيانات تدريب غنية

تعد نماذج التعلم الآلي بمثابة اختصار: بعد التدريب يمكنها التنبؤ بسرعة بكيفية تحرك CO2 عبر الصخر أسرع بكثير من المحاكاة الفيزيائية الكاملة. لكن مثل أي طالب، هذه النماذج جيدة بقدر الأمثلة التي تراها. العديد من مجموعات البيانات الحالية صغيرة جداً، تغطي أنماط صخرية بسيطة فقط، أو تسجل النتيجة النهائية للحقن دون توثيق كيفية تطور العملية عبر الزمن. هذا يصعب على الخوارزميات تعلم أشكال سحب CO2 المتغيرة، تراكم الضغط، أو كيف تؤثر تغييرات طفيفة في بنية الصخر على التدفق. بدون مواد تدريب أغنى، قد تقدم النماذج المستبدلة الذكية توقعات واثقة لكنها غير موثوقة عند تعرضها لتكوينات صخرية جديدة وأكثر تعقيداً.

بناء فيلم مفصل لـ CO2 والماء في مسامات معقدة

يتصدى المؤلفون لهذه الفجوة بتجميع مجموعة بيانات مرجعية تلتقط تداخل CO2–الماء على مستوى تفصيلي جداً. يبدأون بإنشاء العديد من "الصلصال الرقمي" الاصطناعي كخرائط بكسلية حيث تُعرض الحبيبات الصلبة والمسامات المفتوحة في أنماط مختلفة. عن طريق تغيير حجم الحبيبات وتباعدها بعناية، يولدون خمسة مستويات متميزة من التعقيد البنيوي، من المرتبة جيداً إلى غير المنتظمة للغاية. لكل من هذه الصخور الرقمية، يجريون محاكاة متقدمة يدخل فيها CO2 من جانب واحد ويزيح الماء عبر الفراغ المسامي. تنتج كل محاكاة 100 لقطة زمنية متباعدة بشكل متساوٍ، مسجلة على شبكة بكسل 512 × 512 بدقة على مقياس الميكرومتر، متتبعة مواقع CO2 والماء، كيف يتغير الضغط، وكيف تختلف سرعات السوائل عبر المتاهة.

ما تحتويه مجموعة البيانات وكيف يمكن استخدامها

تتضمن المجموعة الناتجة 624 بنية مسامية فريدة، كل منها مرتبطة بسلسلة زمنية كاملة لسلوك السوائل. لكل عينة، توفر مجموعة البيانات صوراً لهكيل الصخر، ونسبة كل بكسل المملوءة بالماء، بالإضافة إلى حقول الضغط والتدفق في كلا الاتجاهين الأفقي والعمودي. تدرج جداول إضافية خصائص كلية مثل النفاذية المكانية (كمية الفراغ في الصخر) ومعدل النفاذية (سهولة تحرك السوائل)، إلى جانب مقاييس يستخدمها المهندسون لوصف مقاومة التدفق. يُخزن كل شيء بصيغ ملفات علمية قياسية، مما يسهل على الباحثين ربطها بشيفراتهم الخاصة. تتيح هذه البنية تدريب نماذج التعلم الآلي ليس فقط لتخمين النتائج النهائية، بل أيضاً للتقدم خطوة بخطوة عبر الزمن—التنبؤ بكيفية تطور سحابة CO2 من لحظة إلى التالية.

اختبار ما إذا كانت التنوع يحسن التعلم

لإظهار لماذا تهم هذه التنوعات، يدرب المؤلفون ثلاث نسخ من شبكة عصبية صورية شائعة على مقاطع مختلفة من مجموعة البيانات. ترى نسخة كل المستويات الخمسة من تعقيد الصخر، ونسخة أخرى ترى أربعة مستويات فقط، والثالثة ترى مستوى واحداً أبسط. عندما طُلب من هذه النماذج توقع أنماط CO2 في أكثر الصخور تعقيداً، كانت النسخة المدربة على أغنى مجموعة متنوعة هي الأفضل في المتوسط، مكررة أشكال السحب المحاكاة بوفاء أكبر عبر العديد من الخطوات الزمنية. النماذج المعرضة لأمثلة تدريب أضيق ترتكب أخطاء أكبر، خاصة مع دفع التنبؤات أبعد في المستقبل. في الوقت نفسه، يجد المؤلفون أن المزيد من التنوع لا يضمن تحسناً لكل حالة فردية، مشيراً إلى وجود توازن بين الغنى والإفراط في التعقيد عند تصميم بيانات التدريب.

ماذا يعني هذا لمستقبل تخزين الكربون

بعبارة بسيطة، توفر هذه الدراسة "ملعب تدريب" عالي الجودة للخوارزميات التي ستساعد يوماً في تصميم ومراقبة مشاريع تخزين CO2 الجوفية. من خلال تقديم العديد من الأمثلة المفصلة على كيفية نسج CO2 والماء عبر شبكات مسامية واقعية، تساعد مجموعة البيانات أدوات التعلم الآلي على فهم قواعد اللعبة بدلاً من حفظ بعض السيناريوهات القليلة. الخلاصة الرئيسية هي أن احتضان التباين الفوضوي للصخور الحقيقية في بيانات التدريب يؤدي إلى توقعات أفضل في المتوسط لكيفية تحرك CO2 المحقون واحتجازه. وهذا بدوره يمكن أن يدعم قرارات أكثر موثوقية وكفاءة حول أين وكيف نخزن الكربون بأمان تحت أقدامنا.

الاستشهاد: Abdellatif, A., Menke, H.P., Maes, J. et al. A Benchmark Dataset for Machine Learning Surrogates of Pore-Scale CO₂-Water Interaction. Sci Data 13, 621 (2026). https://doi.org/10.1038/s41597-025-05794-z

الكلمات المفتاحية: تخزين الكربون, صخور مسامية, التعلم الآلي, تدفق على مقياس المسام, حقن CO2