딥러닝 기반 이산화탄소 저장 기술의 혁신: 현실적인 지질 조건을 고려한 초고속 시뮬레이션

본 연구는 Fourier Neural Operator(FNO) 기반 머신러닝 모델을 이용하여 이산화탄소 저장 부지 선정에 필요한 시뮬레이션 속도를 10만 배 향상시킨 획기적인 연구입니다. 실제 지질 조건을 반영한 고해상도 시뮬레이션과 높은 예측 신뢰도를 확보하여 CCS 기술 개발에 혁신을 가져올 것으로 기대됩니다.

지구 온난화의 심각성이 날로 커짐에 따라 이산화탄소 포집 및 저장(CCS) 기술의 중요성이 더욱 강조되고 있습니다. 하지만, 지하 이산화탄소 저장 부지 선정은 복잡하고 비용이 많이 드는 지하 이산화탄소 흐름장 시뮬레이션을 필요로 합니다. 이러한 어려움을 극복하기 위해 Anirban Chandra를 비롯한 12명의 연구진은 획기적인 연구 결과를 발표했습니다. 그들은 Fourier Neural Operator(FNO) 기반 머신러닝 모델을 개발하여 실시간 고해상도 이산화탄소 플룸 이동 시뮬레이션을 가능하게 했습니다.

이 모델은 실제 지하 매개변수를 기반으로 생성된 방대한 데이터셋으로 훈련되었으며, 놀랍게도 기존 방식에 비해 연산 속도를 무려 10만 배나 향상시켰습니다. 정확도 저하도 거의 없이 말이죠. 뿐만 아니라, 연구진은 FNO 모델 훈련의 계산 비용을 줄이기 위한 초고해상도 실험도 진행했습니다. 나아가, 실제 지질 부지를 평가할 때 매우 중요한 모델 예측 신뢰도 향상 전략도 제시했습니다.

이 연구는 NVIDIA의 Modulus 라이브러리를 기반으로 하며, CCS 부지의 신속한 선별을 가능하게 합니다. 더 나아가, 이 연구에서 제시된 워크플로우와 전략은 지열 저류층 모델링 및 수소 저장과 같은 다른 에너지 솔루션에도 적용될 수 있습니다.

본 연구는 실제 지하 대수층/저류층과 더욱 일치하는 현실적인 3D 시스템으로 과학적 머신러닝 모델의 규모를 확장하여, 차세대 지하 CCS 애플리케이션을 위한 디지털 트윈을 위한 길을 열었습니다. 이는 단순한 기술적 진보를 넘어, 기후변화 대응에 있어 혁신적인 전환점을 제시하는 중요한 성과입니다. 이 연구를 통해 더욱 효율적이고 신속한 CCS 기술 개발이 가능해지고, 지구 온난화 문제 해결에 한 걸음 더 다가갈 수 있을 것으로 기대됩니다.