Economic and Environmental Geology (자원환경지질)

The Korean Society of Economic and Environmental Geology (대한자원환경지질학회)
권호 표지
DOI QR코드

DOI QR Code

Artificial Neural Network Surrogate Model for Geochemical Calculations in Pore-Scale Reactive Transport Simulations

공극 규모 반응성 운송 모델링의 연산 효율 향상을 위한 지화학 반응 대리 인공신경망 모형 개발

  • Yehoon Kim (Department of Earth, Environmetal & Space Sciences, Chungnam National University) ;
  • Ho-rim Kim (Korea Institute of Geosciences and Mineral Resources) ;
  • Heewon Jung (Department of Earth, Environmetal & Space Sciences, Chungnam National University)
  • 김예훈 (충남대학교 지구환경.우주융합과학과) ;
  • 김호림 (한국지질자원연구원 ) ;
  • 정희원 (충남대학교 지구환경.우주융합과학과)
  • Received : 2024.09.05
  • Accepted : 2024.10.15
  • Published : 2024.10.29
Download PDF
⟨ Previous Next ⟩

Abstract

Pore-scale reactive transport modeling is a powerful tool used to analyze micro-scale processes where fluid flow and geochemical reactions occur. Despite its capability to examine complex hydrological and geochemical system behavior, the high computational demands for these simulations present a significant limitation. To overcome this challenge, this study evaluated artificial neural network (ANN)-based surrogate models to replace geochemical reaction calculations, which consume the majority of computational time in reactive transport simulations. The study considered two ANN models: a combined model (CM) that simultaneously accounts for mineral dissolution/precipitation and solute adsorption reactions, and an independent model (IM) that treats these reactions independently. The performance of these models was compared using metrics, including mean squared error (MSE), coefficient of determination (R2), and mass balance errors. Results indicate that IM demonstrates superior accuracy compared to CM. This finding suggests that instead of constructing a single complex model for the entire geochemical reaction network, pore-scale geochemical reactions can be effectively replaced by combining individual neural network models trained for specific reactions.

공극 규모 반응성 운송 모델링은 유체 유동과 지화학 반응의 결합이 일어나는 마이크로미터 수준의 프로세스 분석을 수행하는 연구 기법이다. 이는 지질매체 내에서 일어나는 복잡한 물질 거동을 정밀하게 고찰할 수 있게 하는 강력한 연구 기법이지만, 매우 높은 연산 자원이 필요하다는 한계가 존재한다. 이러한 한계를 극복하기 위하여, 본 연구에서는 반응성 운송 모델링에서 대부분의 연산 자원을 소모하는 지화학 반응을 대체하는 인공신경망 기반의 대리모형을 개발하였다. 공극 규모에서는 광물의 공간적 분포에 따라 독립적 지화학 반응 연산을 수행한다는 점에 착안하여 본 연구에서는 광물의 용해/침전과 용질의 흡착 반응을 동시에 고려하는 통합모형(CM)과 독립적으로 고려하는 독립모형(IM)의 두 가지 대리모형의 정확성과 효율을 비교하였다. 평균 제곱 오차(MSE), 결정 계수(R2), 질량 균형 오차(mass balance error) 등의 지표를 통해 모형들을 비교한 결과, 통합모형은 공극 규모에서 발생하는 순차적 반응에서 성능이 저하된 반면, 독립모형은 같은 조건에서도 높은 정확도를 유지하며 복잡한 지화학 반응을 효과적으로 처리하였다. 이 결과는 지화학 반응 대리모형 구축에 있어, 복잡한 지화학 반응 네트워크를 포괄하는 단일모형을 매번 새롭게 구축할 필요 없이, 개별 지화학 반응을 학습한 신경망 모형의 합성을 통하여 공극 규모의 지화학 반응을 대체할 수 있을 것으로 기대된다.

Keywords

Acknowledgement

본 논문을 심사 해주신 두 분의 심사위원님들께 감사드린다. 이 논문은 과학기술정보통신부의 재원으로 한국연구재단(No. 2022R1C1C1004512)의 지원과, 2024학년도 충남대학교 4단계 BK21 대학원혁신사업, 그리고 한국지질자원연구원의 주요사업(24-3117)의 지원을 받아 수행되었다.

References

  1. Chen, J., Dai, Z., Yang, Z., Pan, Y., Zhang, X., Wu, J., and Reza Soltanian, M. (2021) An improved tandem neural network architecture for inverse modeling of multicomponent reactive transport in porous media. Water Resources Research, v.57(12), e2021WR030595. doi: 10.1029/2021WR030595
  2. Deng, H., Navarre-Sitchler, A., Heil, E., and Peters, C. (2021) Addressing water and energy challenges with reactive transport modeling. Environmental Engineering Science, v.38(3), p.109-114. doi: 10.1089/ees.2021.0009
  3. De Lucia, M., and Kuhn, M. (2021) DecTree v1. 0-chemistry speedup in reactive transport simulations: purely data-driven and physics-based surrogates. Geoscientific Model Development, v.14(7), p.4713-4730. doi: 10.5194/gmd-14-4713-2021
  4. Demirer, E., Coene, E., Iraola, A., Nardi, A., Abarca, E., Idiart, A., ... and Rodriguez-Morillas, N. (2023) Improving the performance of reactive transport simulations using artificial neural networks. Transport in Porous Media, v.149(1), p.271-297. doi: 10.1007/s11242-022-01856-7
  5. Gabellone, T., and Whitaker, F. (2016) Secular variations in seawater chemistry controlling dolomitization in shallow reflux systems: insights from reactive transport modelling. Sedimentology, v.63(5), p.1233-1259. doi: 10.1111/sed.12259
  6. Gabellone, T., Whitaker, F., Katz, D., Griffiths, G., and Sonnenfeld, M. (2016) Controls on reflux dolomitisation of epeiric-scale ramps: Insights from reactive transport simulations of the Mississippian Madison Formation (Montana and Wyoming). Sedimentary Geology, v.345, p.85-102. doi: 10.1016/j.sedgeo.2016.09.003
  7. Gharasoo, M., Centler, F., Regnier, P., Harms, H., and Thullner, M. (2012) A reactive transport modeling approach to simulate biogeochemical processes in pore structures with pore-scale heterogeneities. Environmental Modelling & Software, v.30, p.102-114. doi: 10.1016/j.envsoft.2011.10.010
  8. Jatnieks, J., De Lucia, M., Dransch, D., and Sips, M. (2016) Data-driven surrogate model approach for improving the performance of reactive transport simulations. Energy Procedia, v.97, p.447-453. doi: 10.1016/j.egypro.2016.10.047
  9. Jung, H., Song, H.S., and Meile, C. (2022) CompLaB v1. 0: a scalable pore-scale model for flow, biogeochemistry, microbial metabolism, and biofilm dynamics. EGUsphere, 2022, 1-21. doi: 10.5194/egusphere-2022-1016
  10. Laloy, E., and Jacques, D. (2022) Speeding up reactive transport simulations in cement systems by surrogate geochemical modeling: deep neural networks and k-nearest neighbors. Transport in Porous Media, v.143(2), p.433-462. doi: 10.1007/s11242-022-01779-3
  11. MacQuarrie, K.T., and Mayer, K.U. (2005) Reactive transport modeling in fractured rock: A state-of-the-science review. Earth-Science Reviews, v.72(3-4), p.189-227. doi: 10.1016/j.earscirev.2005.07.003
  12. Molins, S., and Knabner, P. (2019) Multiscale approaches in reactive transport modeling. Reviews in Mineralogy and Geochemistry, v.85(1), p.27-48. doi: 10.2138/rmg.2019.85.2
  13. Molins, S., Trebotich, D., Steefel, C.I., and Shen, C. (2012) An investigation of the effect of pore scale flow on average geochemical reaction rates using direct numerical simulation. Water Resources Research, v.48(3). doi: 10.1029/2011WR011404
  14. Pabalan, R.T., and Turner, D.R. (1996) Uranium (6+) sorption on montmorillonite: Experimental and surface complexation modeling study. Aquatic Geochemistry, v.2(3), p.203-226. doi: 10.1007/BF01160043
  15. Parkhurst, D.L., and Appelo, C.A.J. (2013) Description of input and examples for PHREEQC version 3-a computer program for speciation, batch-reaction, one-dimensional transport, and inverse geochemical calculations. US Geological Survey Techniques and Methods, v.6(A43), 497.
  16. Steefel, C.I., DePaolo, D.J., and Lichtner, P.C. (2005) Reactive transport modeling: An essential tool and a new research approach for the Earth sciences. Earth and Planetary Science Letters, v.240(3-4), p.539-558. doi: 10.1016/j.epsl.2005.09.017
  17. Steefel, C.I., and McQuarrie, K.T.B. (1996) Approaches to modeling of reactive transport in porous media. Reviews in Mineralogy, v.34, p.83-130. doi: 10.1515/9781501509797-005
  18. Zhou, J., Su, X., and Cui, G. (2018) An adaptive Kriging surrogate method for efficient joint estimation of hydraulic and biochemical parameters in reactive transport modeling. Journal of Contaminant Hydrology, v.216, p.50-57. doi: 10.1016/j.jconhyd.2018.08.005