碳捕获与封存中正反向建模的函数空间解耦扩散方法

Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage

arXiv: 2602.12274v1

论文信息

标题: Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage

作者: Xin Ju, Jiachen Yao, Anima Anandkumar, et al.

发布日期: 2026-02-12

arXiv ID: 2602.12274v1

PDF 链接: 下载 PDF

3 分钟速览

  • 研究问题： 这篇论文要解决碳捕获与封存（CCS）中，利用极稀疏的监测数据（如仅两口井的观测）进行精确的地下渗流场正演预测和反演推断的难题。
  • 核心方法： 提出了一个名为 Fun-DDPS 的解耦框架，它独立训练一个函数空间扩散模型来学习地质参数的先验分布，再结合一个可微的神经算子代理模型来强制执行物理定律，生成物理一致的样本。
  • 关键结果： 在仅有 25% 地质参数观测的正演任务中，Fun-DDPS 的相对误差仅为 7.7%，而标准代理模型则高达 86.9%，实现了 11 倍的性能提升（见论文第 4.1.2 节，表 2）。
  • 主要局限： 作者承认当前研究将动态状态简化为单一时间快照，而现实中的 CCS 监测是连续的时序数据，框架尚未在完整的时空轨迹上进行验证（见论文第 5 节）。
  • 适合读者： 适合从事科学机器学习、计算地球物理学、油藏工程或生成模型研究，尤其是对扩散模型在物理约束下解决病态逆问题感兴趣的研究者和工程师。

论文背景和研究动机

碳捕获与封存（CCS）被视为缓解人为气候变化的关键技术。确保其安全与效能的可靠性依赖于两个互补的计算任务：正演建模（预测 CO2 羽流迁移和压力积聚）和反演建模（根据稀疏监测数据推断深层地质的非均质性）。然而，这项任务面临一个根本性的瓶颈：地下参数通常是高维度且非高斯的，而控制多相流的物理方程求解计算成本极其高昂。

传统的数据同化方法如集合卡尔曼滤波（EnKF）和集合平滑器（ES-MDA）仍是行业标准，但它们依赖于高斯假设，无法捕捉离散岩相或河道化储层等复杂地质特征。而严谨的贝叶斯采样方法如马尔可夫链蒙特卡洛（MCMC）虽然能避免这些假设，却因需要成千上万次高保真模拟而成本过高，对于大规模三维模型不可行。深度学习代理模型虽然能将正演模拟加速数个数量级，但它们是确定性的，无法直接解决适定性差的反演问题。

近年来，生成式扩散模型已成为科学逆问题领域的强大工具。然而，现有的联合状态架构试图同时学习地质参数与动态状态的联合分布 p(m,s)p(\boldsymbol{m}, \boldsymbol{s})，这往往导致物理不一致性，因为模型学到的只是统计相关性，而非显式的物理定律，尤其在配对训练数据有限时。为此，本文提出了一种全新的解耦框架 Fun-DDPS，以从根本上解决这一挑战。

核心方法和技术细节

Fun-DDPS（Function-space Decoupled Diffusion Posterior Sampling，函数空间解耦扩散后验采样）的核心思想是将地质先验的学习与流动物理的近似完全解耦。该框架主要包含两个组件和一个创新的推断机制：

1. 函数空间扩散先验： 框架首先使用一个单通道、定义在函数空间上的扩散模型来独立学习地质参数（如渗透率场 m\boldsymbol{m}）的先验分布 p(m)p(\boldsymbol{m})。其前向过程通过高斯随机场（GRF）对初始场 m0\boldsymbol{m}_0 添加噪声，而非有限维高斯噪声，这保证了噪声的空间连续性，保留了地质场的离散化不变性。通过训练一个时间相关的去噪神经算子 Dθ\boldsymbol{D}_{\theta}（使用 U-NO 架构）来预测干净样本，完成对地质先验分布的学习。这确保了生成样本本身在地质统计上是真实的。

2. 基于神经算子的物理引导： 框架独立训练一个局部神经算子（Local Neural Operator, LNO）作为代理模型 Lϕ\mathcal{L}_{\phi}，以高效且可微地逼近从静态地质参数到动态状态（如 CO2 饱和度 s\boldsymbol{s}）的正演映射 FF。LNO 整合了全局傅里叶层和局部离散连续（DISCO）卷积，能同时捕获全局压力响应和冲击波式的饱和度前缘。

3. 解耦后验采样： 这是 Fun-DDPS 最关键的技术创新。在推断阶段，扩散模型从先验分布中生成 “干净” 的地质参数估计 m^0\hat{\boldsymbol{m}}_0。然后，通过回传代理模型 Lϕ\mathcal{L}_{\phi} 的梯度，将动态观测与模型预测之间的误差转化为对扩散生成过程的引导信号。具体来说，其梯度引导项为：

∇mlog⁡p(ydyn∣m^0)≈−ζ∇m∥Mdyn⊙(Lϕ(m^0)−ydyn)∥22\nabla_{\boldsymbol{m}} \log p(\boldsymbol{y}_{dyn}|\hat{\boldsymbol{m}}_0) \approx -\zeta \nabla_{\boldsymbol{m}} \| M_{dyn} \odot (\mathcal{L}_{\phi}(\hat{\boldsymbol{m}}_0) - \boldsymbol{y}_{dyn}) \|_2^2

这种机制（如图 2a 所示）的巧妙之处在于，它通过代理模型的雅可比矩阵，将动态状态空间中稀疏的、局部的观测约束，精确地翻译为对地质参数空间全局的、稠密的更新引导。这完全避免了联合状态模型中物理仅在训练数据中隐式学习、导致 “引导衰减” 的问题（见论文第 3.3 节理论动机）。

创新点和贡献

本文的主要贡献可归纳为以下三点：

  1. 面向极端数据稀疏的鲁棒正演建模框架： 提出了一种结合生成先验和确定性代理模型的新范式，解决了标准代理模型因输入不完整、超出训练分布而导致性能灾难性崩溃的问题。Fun-DDPS 利用扩散模型在参数空间重构缺失信息，再输入物理代理模型，使得在极度稀疏观测下仍能保持高精度预测。

  2. 生成物理一致的解耦反转（逆向）模型： 论文明确揭示了联合状态扩散模型的失效模式，并验证了通过基于物理的代理模型来引导扩散过程，可以完全消除联合模型生成的样本中常见的高频伪影，产生在地质上和物理上都更为真实的后验实现（见图 7）。

  3. 提供首个严格的扩散反演基准： 本文首次将扩散模型的反演结果与通过拒绝采样（Rejection Sampling, RS）获得的渐近精确后验进行了严格对比验证。结果显示，Fun-DDPS 不仅取得了与联合模型相当的统计精度（Jensen-Shannon 散度均 < 0.06），还将计算成本降低了 4 倍（512,000 次 vs 200 万次函数评估），并且生成的样本质量更高。

实验结果分析

论文通过正演和反演两个任务系统性地验证了 Fun-DDPS 的效能。

1. 正演问题：部分地质模型观测 研究团队测试了在不同比例的随机观测点（100%, 50%, 25%）下预测 CO2 饱和度的能力。

  • 性能对比： 结果如表 2 所示，标准代理模型在 25% 覆盖率时，相对 L2L_2 误差飙升至 86.9%，这是由于简单的 “零填充” 使其输入严重偏离训练分布。Fun-DDPS 则表现出卓越的鲁棒性，误差仅为 7.7%，实现了 11 倍的提升。值得注意的是，联合状态基线 Fun-DPS 的误差（33.6%-41.8%）在所有稀疏度下均远高于 Fun-DDPS，这凸显了在联合分布中隐式学习物理规律的困难。图 4 直观地展示了 Fun-DDPS 预测的饱和度场能保持清晰、连贯的羽流前锋，而代理模型的预测则充满噪声和不相干的结构。

2. 反演问题：部分动态观测 此任务模拟真实 CCS 场景：仅通过两口监测井的饱和度数据（覆盖不到 1% 的空间域）来推断整个渗透率场。

  • 统计准确性与物理真实性： 图 6 的边际后验分布表明，Fun-DDPS 和 Fun-DPS 都能有效地围绕真实值大幅收窄参数的不确定性。然而，图 7 揭示了关键差异：Fun-DPS 产生的渗透率场及其后验均值存在明显的颗粒状高频伪影，而 Fun-DDPS 的实现则更为平滑，与拒绝采样（RS）的参考结果在视觉和物理连续上更为一致。论文指出，尽管 Fun-DDPS 的 JS 散度（0.051）略差于 Fun-DPS（0.047），但其生成的模型在地质上更合理。
  • 计算效率： Fun-DDPS 生成 1024 个后验样本需要约 51.2 万次函数评估，而获得严谨的拒绝采样（RS）参考后验则需要 200 万次，效率提升了约 4 倍。

实践建议

对于希望在 CCS 或类似地下流体系统中部署此类框架的从业者，有以下几点建议：

  1. 解耦优于联合，尤其在小样本场景下： 如果你的任务是处理高维、复杂地质先验的逆问题，且高保真模拟的成本高昂，应优先选择解耦式框架。独立训练一个好的物理代理模型，比依赖生成模型在联合分布中 “记忆” 物理规律更可靠、更高效。这能有效避免训练数据不足导致的 “引导衰减” 和物理不一致性。

  2. 代理模型的选择至关重要： 针对多相流这类具有冲击波（陡峭前缘）特征的物理问题，标准的傅里叶神经算子（FNO）可能会引入振铃伪影。本工作中使用的局部神经算子（LNO），因其结合了全局谱方法和局部核（如 DISCO）的优势，是此类问题更优的候选。在选择代理模型时，务必分析其捕捉局部 “奇异性” 的能力。

  3. 利用 RS 基准进行严格验证： 在开发新的生成式反演模型时，应将其与拒绝采样（RS）获得的近似精确后验进行比较，而不仅仅是比较预测误差。论文展示了 JS 散度等分布度量指标，可以发现统计上近似但存在物理缺陷的模型（如 Fun-DPS 的伪影问题）。这种验证范式对于确保物理安全的应用（如 CCS）至关重要。

  4. 为时序数据做好准备： 当前框架处理的是时间快照。对于实际的连续监测场景，工程落地的一个关键步骤是将神经算子 Lϕ\mathcal{L}_{\phi} 扩展为能够输出完整时序动态的模型，例如 Lϕ:m↦{s(t1),s(t2),...}\mathcal{L}_{\phi}: \boldsymbol{m} \mapsto \{\boldsymbol{s}(t_1), \boldsymbol{s}(t_2), ...\}，从而使解耦框架能利用整个时间序列的信息进行推断，这将是本技术走向实际应用的自然且必要的一步。