그리드 크기 무관 서프레이트 모델로 암석유체 상호작용 혁신

본 논문은 고해상도 유체‑암석 상호작용 시뮬레이션이 요구하는 막대한 계산 비용을 극복하고, 다중 쿼리(불확실성 정량화, 최적화 등) 문제에 적용 가능한 서프레이트 모델을 제시한다. 연구 목표는 두 가지 유형의 모델을 개발·비교하는 것이다. 첫 번째는 전통적인 감소 차원 모델(ROM)로, 입력 데이터를 압축하는 오토인코더와 압축된 잠재벡터를 시간 전진시키는 예측 네트워크를 결합한다. 압축 단계에서는 일반 컨볼루션 오토인코더(CAE)와 적대적 오토인코더(AAE)를 비교해, 잠재공간을 정규분포에 맞추는 것이 장기 예측 안정성에 미치는 영향을 평가한다. 두 번째는 단일 완전 합성곱 신경망을 이용해 훈련 시보다 큰 격자에서도 추론이 가능한 “그리드‑사이즈‑인베리언트” 프레임워크이다. 이 접근법은 모든 레이어가 합성곱으로 구성된 FCN의 지역적 연결 특성을 활용해, 메모리 제한이 큰 고해상도 시뮬레이션에서도 효율적으로 적용할 수 있다. 예측 네트워크는 UNet과 UNet++ 두 아키텍처를 사용한다. UNet++는 스킵 연결을 다중 레벨로 중첩시켜, 인코더와 디코더 사이의 의미적 격차를 줄이고 미세한 흐름 구조를 더 정확히 복원한다는 가설을 검증한다. 입력은 3개의 이전 시간 스텝을 4개의 물리량(압력, 속도 등)과 함께 12채널 텐서로 구성하고, 출력은 다음 시간 스텝의 4채널을 예측한다. 실험 데이터는 2차원 탄소 저장 시뮬레이션(256×256 픽셀, 4 물리량, 3시간 스텝)이며, 훈련은 64×64 패치로 수행했다. 그리드‑인베리언트 모델은 훈련된 패치보다 큰 256×256 영역에서도 동일한 가중치를 사용해 추론했으며, 메모리 사용량을 약 40% 절감하면서도 높은 정확도를 유지했다. 평가 지표는 MAE, MSE, R²이며, 특히 10시간 롤아웃(장기 예측)에서의 성능을 중점적으로 분석했다. 결과는 UNet++ 기반 그리드‑인베리언트 모델이 R² ≈ 0.92, MAE ≈ 0.018(정규화)로 가장 우수했으며, 모든 ROM을 능가했다. 전통적인 ROM은 잠재공간 정규화가 부족해 5시간 이후 오차가 급격히 증가했다. 또한, 연구는 암석 용해에 의해 고정되지 않은 고체 필드가 존재하는 상황에서도 모델이 안정적으로 작동함을 보여준다. 이는 고체 필드가 마스크 역할을 하지 못하는 경우에도 서프레이트가 물리적 변화를 학습할 수 있음을 의미한다. 결론적으로, (1) 적대적 오토인코더를 통한 잠재공간 정규화가 장기 예측 안정성을 향상시키고, (2) UNet++가 UNet보다 미세한 흐름 구조를 더 정확히 복원하며, (3) 완전 합성곱 기반 그리드‑사이즈‑인베리언트 설계가 메모리 효율성을 크게 개선하면서도 높은 예측 정확도를 제공한다는 점을 실증하였다. 향후 연구에서는 3D 고해상도 시뮬레이션, 물리‑인포메드 손실 함수, 그리고 신경 연산자와의 비교를 통해 모델의 일반화 능력을 더욱 확장할 계획이다.