מערכת נתונים תקנית למודלים ממוכנת של אינטראקציה בין CO2 למים בקנה מידה נקבי

מדוע אחסון פחמן תת-קרקעי צריך תמונות טובות יותר

כשמדברים על מאבק בשינויי אקלים, רעיון מרכזי הוא ללכוד פחמן דו-חמצני (CO2) מאזורי פליטה ולאחסן אותו לעומק מתחת לפני הקרקע. אבל סלעים תחתיים אינם מיכלים חלקים — הם דומים לספוג מסובך מלא בעקמומיות זעירות שבהן מים ו-CO2 מתחרים על המקום. המאמר הזה מציג "סרט" דיגיטלי מפורט חדש שמתעד כיצד CO2 דוחק מים דרך הנקבוביות הקטנות האלה, ומספק לחוקרים את החומר הגולמי הדרוש כדי לבנות מודלים חישוביים מהירים יותר המסוגלים לחזות האם האחסון התת-קרקעי ישמור באמת את ה-CO2 נעול ובטוח.

מציצים לתוך ספוג הסלע

מאגרי מים תת-קרקעיים כגון אבן חול או סלעים וולקניים מחולקים במיקרוסקופ על ידי נקבוביות מלאות מים. כאשר מזרימים CO2, הוא צריך להתפתל במבוך הזה, לפעמים נוסק בערוצים ולפעמים נתקע בסיומות חסומות. התבניות הקטנות האלה קובעות כמה CO2 ניתן לאחסן וכמה בטוח האחסון לאורך עשורים עד מאות שנים. ניסויי מעבדה ותמונות מסורתיות יכולים להושיט מבט למה שקורה בכמה דגימות קטנות, בעוד סימולציות מדויקות יכולות לעקוב אחרי כל פרט — אך במחיר זמן חישוב גבוה ומשאבים. כתוצאה מכך, מהנדסים לעתים מסתמכים על נוסחאות מפושטות המטשטשות את התמונה הקטנה והמסובכת, מה שעלול להחמיץ התנהגויות חשובות.

מדוע מחליפים חכמים צריכים נתוני אימון עשירים

מודלים של למידת מכונה מציעים קיצורי דרך: לאחר אימון הם יכולים לחזות כיצד CO2 ינוע בסלע הרבה יותר מהר מסימולציות מבוססות פיזיקה מלאות. אבל כמו כל תלמיד, המודלים טובים רק לפי הדוגמאות שהם רואים. הרבה מערכי נתונים קיימים קטנים מדי, מכסים דפוסי סלע פשוטים בלבד, או מתעדים רק את התוצאה הסופית של הזרקה ולא את התהליך בזמן. זה מקשה על האלגוריתמים ללמוד את צורות הנקודות המשתנות של הענן CO2, הצטברות הלחץ, או כיצד שינויים עדינים במבנה הסלע משפיעים על הזרימה. ללא חומרי אימון עשירים יותר, ממירים חכמים עלולים להנפיק תחזיות בטוחות אך לא מהימנות כשהם נחשפים להרכבות סלע חדשות ומורכבות יותר.

בניית "סרט" מפורט של CO2 ומים בנקבוביות מורכבות

המחברים מתמודדים עם הפער הזה על ידי הרכבת מערכת נתונים תקנית שתופסת אינטראקציה בין CO2 לים ברזולוציה מאוד עדינה. הם מתחילים ביצירת "סלעים" רבים סינתטיים כמפות מבוססות פיקסלים שבהן גרגירי סלע וחללי נקבוביות מסודרים בדפוסים שונים. על ידי שינוי זהיר של גודל ומרחקי הגרעינים, הם מייצרים חמישה רמות שונות של מורכבות מבנית, מסדיר ועד בלתי סדיר מאוד. עבור כל אחד מהסלעים הדיגיטליים האלו הם מפעילים סימולציות מתקדמות שבהן CO2 נכנס מצד אחד ודוחק את המים דרך מרחב הנקבוביות. כל ריצה מייצרת 100 תמונות רגע זמן בגילוי אחיד, מוקלטות ברשת של 512 × 512 פיקסלים ברזולוציה במיקרומטרים, העוקבות היכן ה-CO2 והמים נמצאים, כיצד משתנה הלחץ וכיצד משתנות מהירויות הזורם במרחב המבוך.

מה מכיל מערכת הנתונים וכיצד ניתן להשתמש בה

המאגר הנוצר כולל 624 מבני נקבוביות ייחודיים, כל אחד מזוהה עם סדרת זמן מלאה של התנהגות הזורמים. עבור כל דגימה המסד הנתונים מספק תמונות של שלד הסלע, השבר של כל פיקסל הממולא במים, וכן שדות לחץ וזרימה בכיוונים אופקיים ואנכיים. טבלאות נוספות מפרטות תכונות מרוכבות כגון נקבוביות (כמה שטח ריק יש בסלע) וחדירות (כמה בקלות נוזלים יכולים לנוע), יחד עם מדדים שמהנדסים משתמשים בהם לתאר את התנגדות הזרימה. הכל מאוחסן בפורמטים מדעיים סטנדרטיים, מה שמקל על חוקרים לשלבם בקודים שלהם. מבנה זה מאפשר לאלגוריתמים של למידת מכונה להתאמן לא רק כדי לנחש תוצאות סופיות, אלא גם כדי להתקדם בזמן — לחזות כיצד נבנית עננת CO2 מרגע אחד לשני.

בחינה האם מגוון משפר למידה

כדי להראות מדוע גיוון זה חשוב, המחברים מאמנים שלוש גרסאות של רשת עצבית מבוססת-תמונה פופולרית על חתכים שונים של מערכת הנתונים. גרסה אחת ראתה את כל חמש רמות המורכבות, גרסה שנייה ראתה רק ארבע, וגרסה שלישית ראתה רק רמת הפשטות הפשוטה ביותר. כשהמודלים הללו מתבקשים לחזות דפוסי CO2 בסלעים המורכבים ביותר, זה שאומן על המגוון העשיר מצליח בממוצע הטוב ביותר, ומשחזר את צורות העננה המדומות בצורה נאמנה יותר לאורך רבות שלבי זמן. המודלים שנחשפו לדוגמאות צרות יותר עושים טעויות גדולות יותר, במיוחד ככל שהתחזיות נדחפות רחוק יותר לעתיד. יחד עם זאת, המחברים מגלים שיותר גיוון אינו מבטיח שיפור בכל מקרה יחיד, מה שמרמז שיש איזון בין עשירות לאובר-קומפליקציה בעיצוב נתוני האימון.

מה משמעות הדבר עבור אחסון פחמן בעתיד

באופן פשוט, עבודה זו מספקת "מגרש אימונים" איכותי לאלגוריתמים שיום אחד יעזרו לתכנן ולנטר פרויקטים של אחסון CO2 תת-קרקעי. על ידי הצעת דוגמאות רבות ומפורטות של איך CO2 ומים שזורים דרך רשתות נקבוביות ריאליסטיות, המאגר מסייע לכלים של למידת מכונה ללמוד את כללי המשחק במקום לשנן מספר מהלכים מועט. המסקנה העיקרית היא שאימוץ השונות המלוכלכת של סלעים אמיתיים בנתוני האימון מוביל לתחזיות ממוצעות טובות יותר לגבי כיצד CO2 מוזרק ינוע ויתפס. זה, בתורו, יכול לתמוך בהחלטות אמינות ויעילות יותר על היכן וכיצד לאחסן פחמן בבטחה מתחת לרגלינו.

ציטוט: 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

מילות מפתח: אחסון פחמן, סלעים נקבוביים, למידת מכונה, זרימה בקנה מידה נקבי, הזרקת CO2