Gözenek Ölçeğinde CO2-Su Etkileşiminin Makine Öğrenimi Temsilcileri İçin Bir Kıyaslama Veri Kümesi

Karbonun yeraltında depolanması neden daha iyi görüntüler gerektirir

İklim değişimiyle mücadeleden söz ederken, önemli fikirlerden biri karbon dioksiti (CO2) bacalardan yakalamak ve derin yeraltında depolamaktır. Ancak yeraltı kayaları düz tanklar değildir—su ve CO2’nin yer kapmak için çarpıştığı, küçük dönemeçler ve boşluklarla dolu karmaşık süngerler gibidirler. Bu makale, CO2’nin bu ince gözeneklerde suyu nasıl ittiğinin yeni, ayrıntılı dijital "filmini" sunar; bu da araştırmacılara yeraltı depolamanın CO2’yi gerçekten güvenli biçimde hapsedip hapsedemeyeceğini tahmin edecek daha hızlı bilgisayar modelleri oluşturmak için gerekli ham veriyi sağlar.

Kaya süngerinin içine bakmak

Katmanlı kumtaşı veya volkanik kayalar gibi yeraltı rezervuarları, suyla dolu mikroskobik gözeneklerle iç içe geçmiştir. CO2 basıldığında bu labirentin içinden dolanmak zorunda kalır; bazen kanallarda önceden ilerler, bazen de kör uçlarda sıkışır. Bu ince ölçekli desenler, ne kadar CO2 depolanabileceğini ve bu depolamanın on yıllardan yüz yıllara kadar ne kadar güvenli olacağını kontrol eder. Geleneksel laboratuvar deneyleri ve görüntüleme birkaç küçük örnekte neler olduğunu görebilirken, yüksek hassasiyetli bilgisayar simülasyonları her detayı izleyebilir—ancak bunlar zaman ve işlem gücü açısından pahalıdır. Bu yüzden mühendisler sıklıkla küçük ölçekli karmaşıklığı bulanıklaştıran basitleştirilmiş formüllere güvenir; bu da önemli davranışları gözden kaçırabilir.

Akıllı temsilciler için neden zengin eğitim verisi gerekir

Makine öğrenimi modelleri bir kestirme vaat eder: eğitildikten sonra, CO2’nin kayalar içindeki hareketini tam fizik tabanlı simülasyonlara göre çok daha hızlı tahmin edebilirler. Ancak herhangi bir öğrenci gibi, bu modeller de gördükleri örnekler kadar iyidir. Mevcut birçok veri kümesi çok küçük, yalnızca basit kaya desenlerini kapsıyor veya yalnızca enjeksiyonun son sonucunu kaydediyor; sürecin zaman içindeki gelişimini değil. Bu, algoritmaların CO2 bulutlarının değişen şekillerini, basınç birikimini veya kayanın yapısındaki ince değişikliklerin akışı nasıl etkilediğini öğrenmesini zorlaştırır. Daha zengin eğitim malzemesi olmadan, akıllı temsilciler yeni ve daha karmaşık kaya oluşumlarıyla karşılaştıklarında emin ama güvenilmez tahminler yapma riski taşır.

Karmaşık gözeneklerde CO2 ve suyun ayrıntılı filmini oluşturmak

Yazarlar bu boşluğu, CO2–su etkileşimini çok ince ayrıntıda yakalayan bir kıyaslama veri kümesi derleyerek kapatıyor. Öncelikle katı taneler ve açık gözeneklerin farklı desenlerde yer aldığı pikselleştirilmiş haritalar olarak birçok sentetik "kaya" yaratıyorlar. Tane boyutu ve aralığını dikkatle değiştirerek, iyi düzenlenmiş olandan son derece düzensize kadar beş farklı yapısal karmaşıklık seviyesi üretiyorlar. Bu dijital kayaların her biri için, CO2’nin bir tarafından girip gözenek boşluğundaki suyu yerinden ettiği ileri düzey simülasyonlar çalıştırıyorlar. Her çalışma, CO2 ve suyun nerede bulunduğunu, basıncın nasıl değiştiğini ve akış hızlarının labirent boyunca nasıl farklılık gösterdiğini izleyerek, 512 × 512 piksel ızgara üzerinde mikrometre ölçeğinde çözünürlükle zaman içinde eşit aralıklı 100 anlık görüntü üretiyor.

Veri kümesinin içeriği ve kullanımı

Ortaya çıkan koleksiyon, her biri tam zaman serisi akış davranışıyla eşleştirilmiş 624 benzersiz gözenek yapısı içerir. Her örnek için veri kümesi kaya iskeletinin görüntülerini, her pikselin ne kadarının suyla dolu olduğunu, ayrıca yatay ve dikey yönlerde basınç ve akış alanlarını sağlar. Ek tablolar porozite (kaydaki boşluk oranı) ve geçirgenlik (sıvıların ne kadar kolay hareket edebildiği) gibi toplu özellikleri ve mühendislerin akış direncini tanımlamak için kullandığı ölçümleri listeler. Her şey standart bilimsel dosya formatlarında saklanır, bu da araştırmacıların kendi kodlarına kolayca entegre etmesini sağlar. Bu yapı, makine öğrenimi modellerinin yalnızca nihai sonuçları tahmin etmeyi değil, aynı zamanda zaman içinde adım adım ilerleyerek bir CO2 bulutunun bir andan diğerine nasıl evrildiğini öğrenmesini mümkün kılar.

Çeşitliliğin öğrenmeyi iyileştirip iyileştirmediğini test etmek

Çeşitliliğin neden önemli olduğunu göstermek için yazarlar popüler, görüntü tabanlı bir sinir ağının üç versiyonunu veri kümesinin farklı dilimlerinde eğitiyor. Bir versiyon beş karmaşıklık seviyesinin tamamını görüyor, diğer bir versiyon yalnızca dördünü, üçüncü ise tek ve en basit seviyeyi görüyor. Bu modeller en karmaşık kayalardaki CO2 desenlerini tahmin etmeye çalıştıklarında, en zengin çeşitliliğe maruz kalan model ortalama olarak en iyi performansı gösteriyor ve simüle edilmiş bulut şekillerini birçok zaman adımı boyunca daha doğru yeniden üretiyor. Daha dar eğitim örneklerine maruz kalan modeller ise özellikle geleceğe yönelik tahminler uzadıkça daha büyük hatalar yapıyor. Aynı zamanda yazarlar, daha fazla çeşitliliğin her bir vaka için mutlaka iyileşme sağlamadığını; eğitim veri tasarımında zenginlik ile aşırı karmaşıklık arasında bir denge olabileceğini de buluyorlar.

Gelecekteki karbon depolama için bunun anlamı

Basitçe söylemek gerekirse, bu çalışma bir gün yeraltı CO2 depolama projelerini tasarlamaya ve izlemeye yardımcı olacak algoritmalar için yüksek kaliteli bir "antrenman sahası" sağlar. CO2 ve suyun gerçekçi gözenek ağları içinde nasıl iç içe geçtiğine dair birçok ayrıntılı örnek sunarak, veri kümesi makine öğrenimi araçlarının birkaç oyunu ezberlemek yerine oyunun kurallarını öğrenmesine yardımcı olur. Temel çıkarım, eğitim verilerinde gerçek kayaların dağınık değişkenliğini benimsemenin, enjekte edilen CO2’nin nasıl hareket edeceği ve hapsolacağı konusunda daha iyi ortalama tahminlere yol açtığıdır. Bu da hangi yerlerin ve nasıl karbon güvenli bir şekilde depolanacağına ilişkin daha güvenilir ve verimli kararlara katkı sağlayabilir.

Atıf: 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

Anahtar kelimeler: karbon depolama, gözenekli kayalar, makine öğrenimi, gözenek ölçeğinde akış, CO2 enjeksiyonu