間隙スケールのCO2—水相互作用の機械学習代替モデルのためのベンチマークデータセット

地下に炭素を貯留するにはより良い「絵」が必要な理由

気候変動と闘う話で重要なアイデアの一つは、煙突から出る二酸化炭素（CO2）を回収し、地中深くに貯留することです。しかし地下の岩盤は滑らかなタンクではなく、複雑なスポンジのようで、水とCO2が入り組んだ小さな隙間で場所を取り合います。本論文は、これらの微細な間隙内でCO2が水を押し出して移動する様子を詳細に記録した新しいデジタル“ムービー”を提示し、研究者が地下貯留が実際にCO2を安全に閉じ込められるかを予測する高速な計算モデルを構築するための生データを提供します。

岩のスポンジを覗く

砂岩や火成岩といった地下貯留層は微視的な間隙で満たされた水で網目状になっています。CO2を注入すると、この迷路を縫うように進み、時にはチャネル状に速く進み、時には行き止まりで立ち往生します。こうした微視的なパターンが、どれだけのCO2を貯留できるか、そして数十年から数百年にわたってどれだけ確実に留められるかを支配します。従来の実験や撮像はごく小さなサンプルの一端をうかがい知るにとどまり、高精度の数値シミュレーションは詳細を追跡できますが、時間と計算コストが高くつきます。そのため技術者はしばしば小さなスケールの乱れをぼかした単純化した式に頼り、重要な挙動を見逃すことがあります。

賢い代替モデルには豊富な学習データが必要な理由

機械学習モデルは近道を約束します：一度学習すれば、完全な物理ベースのシミュレーションよりもはるかに速くCO2の挙動を予測できます。しかし学生と同じで、これらのモデルは与えられた例の質と量に依存します。既存のデータセットの多くは小さすぎるか、単純な岩構造しか含まず、注入の最終結果だけを記録して過程の時間発展を捉えていないことが多いです。これではCO2プルームの形状変化、圧力の蓄積、岩石構造の微妙な違いが流れに与える影響を学習するのが難しくなります。より豊かな学習素材がなければ、賢い代替モデルは新しく複雑な岩相に対して自信満々だが信頼できない予測をしてしまうリスクがあります。

複雑な間隙内のCO2と水の詳細なムービーを作る

著者らは、このギャップに対処するため、非常に細かいレベルでCO2—水の相互作用を捉えたベンチマークデータセットを組み立てました。まず多くの合成“岩石”をピクセルベースの地図として作成し、固体粒子と開口間隙をさまざまなパターンで配します。粒径や間隔を慎重に変えることで、整然としたものから極めて不規則なものまで5段階の構造的複雑さを生成します。各デジタル岩石について、CO2が一方から侵入して間隙空間の水を押し出す高度なシミュレーションを実行します。各実行は等間隔の100フレームのスナップショットを生成し、マイクロメートル解像度の512 × 512ピクセル格子上でCO2と水の分布、圧力変化、流速の分布を追跡します。

データセットの内容と利用法

得られたコレクションには624種類の独立した間隙構造が含まれ、各々に流体挙動の完全な時系列が紐づいています。各サンプルごとに、岩の骨格画像、各ピクセルの水での占有割合、さらに水平方向と垂直方向の圧力場および流速場が提供されます。付随する表には空隙率（岩中の空間の割合）や透過率（流体が移動しやすさ）といったバルク特性や、技術者が流れ抵抗を記述するために使う指標が並びます。すべては標準的な科学ファイル形式で保存されており、研究者が自分のコードに組み込みやすくなっています。この構成により、機械学習モデルは最終結果を当てるだけでなく、時刻を進めてCO2プルームが瞬間から次瞬間へどう進化するかを予測するように訓練できます。

多様性が学習を改善するかの検証

この多様性が重要であることを示すために、著者らは画像ベースの代表的なニューラルネットワークの3つのバージョンをデータセットの異なるサブセットで訓練しました。1つは5段階すべての岩の複雑さを見せ、別の1つは4段階のみ、3つ目は最も単純な1段階だけを見せます。これらのモデルに最も複雑な岩石でのCO2パターンを予測させると、最も多様な訓練データを与えられたモデルが平均的に最良の成績を示し、シミュレーションされたプルーム形状を多くの時間ステップにわたってより忠実に再現しました。訓練例が限られていたモデルは誤差が大きくなり、特に予測を未来へ伸ばすほど差が顕著になりました。同時に、著者らは多様性がすべての個別ケースで改善を保証するわけではないと指摘し、学習データ設計における豊かさと過度の複雑化とのバランスが存在することを示唆しています。

将来の炭素貯留にとっての意味

平たく言えば、本研究は将来地下CO2貯留プロジェクトの設計や監視を助けるアルゴリズムのための高品質な“練習場”を提供します。現実的な間隙ネットワークを通じてCO2と水がどのように絡み合うかの多くの詳細な例を示すことで、データセットは機械学習ツールがいくつかの解を丸暗記するのではなく、ルールを学ぶのを助けます。主要な結論は、訓練データに実際の岩の乱雑な変動性を取り入れることで、注入されたCO2がどのように移動し閉じ込められるかの平均的な予測精度が向上する、という点です。それは結果として、地下に安全に炭素を貯留する場所や方法について、より信頼でき効率的な意思決定を支えることにつながります。

引用: 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

キーワード: 炭素貯留, 多孔質岩石, 機械学習, 間隙スケールの流れ, CO2注入