NO-CO2 : Opérateurs neuronaux pour la méta-modélisation du stockage du CO2 dans les milieux poreux

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. Depuis les concepts scientifiques en recherche fondamentale jusqu’aux solutions technologiques en recherche appliquée, l’innovation est au cœur de son action, articulée autour de quatre orientations stratégiques : climat, environnement et économie circulaire ; énergies renouvelables ; mobilité durable ; hydrocarbures responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur l’apport de solutions aux défis sociétaux et industriels de l’énergie et du climat, au service de la transition écologique. Partie intégrante d’IFPEN, IFP School, son école d’ingénieurs, prépare les générations futures à relever ces défis.

NO-CO2 : Opérateurs neuronaux pour la méta-modélisation du stockage du CO2 dans les milieux poreux

L'établissement de sites de stockage souterrain de CO2 nécessite des études préliminaires de faisabilité et d'évaluation des risques. Ces études s'appuient généralement sur des modèles numériques du sous-sol, comprenant une grille 3D qui représente la structure géométrique du stockage et qui est remplie de propriétés pétrophysiques (telles que la porosité et la perméabilité). Ensuite, une simulation de la dynamique des fluides injectés et en place, ainsi que diverses interactions dans le modèle, fournit une représentation spatio-temporelle de l'évolution du réservoir (y compris la pression, la température, la fraction de CO2, etc.)

Ces informations sont essentielles pour estimer la capacité de stockage, effectuer des analyses de risque et tester différents scénarios d'injection.

Cependant, les caractéristiques physiques du sous-sol sont généralement mal connues, en particulier les propriétés pétrophysiques qui influencent considérablement l'évolution dynamique. L'intégration de cette incertitude dans la quantification des risques nécessite de nombreuses simulations d'écoulement coûteuses en termes de calcul.

Pour réduire les coûts de calcul, une approche consiste à mettre en œuvre des méta-modèles qui reproduisent le comportement du simulateur, offrant des estimations fiables des résultats simulés avec des temps de calcul plus courts. La difficulté de mise en œuvre de ces approches réside dans le grand nombre de variables à prendre en compte en entrée (plusieurs milliers correspondant aux propriétés pétrophysiques dans chaque cellule de la grille du modèle) et en sortie, en particulier lorsqu'il s'agit de prédire la distribution spatiale de l'état dynamique du réservoir au fil du temps (pression, température, quantité de CO2 dans chaque cellule). Il est essentiel d'explorer les techniques de méta-modélisation appropriées.

Dans ce stage, nous visons à explorer les avantages des modèles d'apprentissage par opérateurs neuronaux. Ces algorithmes récents, spécifiquement conçus pour la méta-modélisation des équations différentielles partielles (EDP), démontrent de fortes propriétés de généralisation pour des entrées de haute dimension, telles que les champs de vecteurs des propriétés pétrophysiques (y compris la perméabilité et la porosité).

Le stage vise également à mettre en œuvre des garanties de conservation physique pour certaines propriétés (telles que la masse et le flux) par le biais d'une approche « informée par la physique », en pénalisant l'écart de conservation directement dans la fonction de coût au cours de l'apprentissage.

L'approche proposée sera testée sur un cas synthétique inspiré d'un scénario réel d'injection de CO2 dans un aquifère salin, en considérant à la fois le transport du CO2 seul et les interactions avec le milieu carbonaté (transport réactif).