지질학적 탄소 저장(CCS: Carbon Capture and Storage)은 기후 변화 대응의 핵심 기술로 주목받고 있지만, 복잡한 지질학적 불확실성과 운영 변수로 인해 효율적인 관리가 어렵습니다. 최근 발표된 연구에 따르면, 이러한 문제를 해결하기 위해 '다중 모달 자기회귀 트랜스포머 대체 모델(Multimodal Auto-regressive Transformer Surrogate)'이라는 새로운 AI 모델이 개발되었습니다. 이 모델은 주입정 천공 및 주입 전략의 변화가 탄소 저장 효율에 미치는 영향을 예측하고, 지질학적 불확실성까지 정량화할 수 있어 CCS 운영의 효율성을 크게 향상시킬 잠재력을 가지고 있습니다.
이 AI 모델은 스탠포드 대학교(Stanford University) 연구진이 개발했으며, 수정된 SEAM CO2 지질 모델을 기반으로 합니다. 이 모델은 단층 시스템과 세 개의 대수층(aquifer)이 중첩된 복잡한 지질 환경을 고려합니다. 두 개의 주입정(injection well)은 아래에서 위로 단계별로 천공되며, 각 단계의 지속 시간과 개별 주입정의 주입률이 제어 변수로 사용됩니다. 모델은 3D 지질 모델, 상대 투과율 함수를 특징짓는 스칼라 매개변수, 그리고 제어 변수라는 세 가지 입력 양식(modality)을 각각의 인코더(encoder)를 통해 처리합니다. 이 정보들은 트랜스포머 인코더(transformer encoder) 내에서 자기 주의(self-attention) 메커니즘을 통해 융합되고, 시간 디코더(temporal decoder)가 인코더-디코더 교차 주의(encoder-decoder cross-attention)를 통해 예측값을 자기회귀적으로 생성합니다. 4,000번의 GEOS 유동 시뮬레이션 데이터를 학습하여 모니터링 위치의 포화도(saturation)와 압력, 총 주입 및 이동 CO2 질량, 그리고 포화도 분포를 예측하며, 새로운 테스트 세트에서 포화도 MAE 0.028, 기타 양에 대해 0.2~5%의 상대 오차를 달성했습니다.
이 AI 모델은 복잡한 CCS 운영의 의사결정을 지원하고, 불확실성을 줄여 비용 효율성을 높이는 데 기여할 수 있습니다. 특히, 마르코프 연쇄 몬테카를로(MCMC) 데이터 동화 절차 내에서 활용되어 핵심 메타 매개변수, 특히 단층 투과율(fault permeability)에 대한 불확실성을 크게 줄이는 것으로 나타났습니다. 이는 실제 CCS 현장에서 발생할 수 있는 예측 불가능한 상황에 대한 대응력을 높이고, 최적의 주입 전략을 수립하는 데 필수적인 정보를 제공합니다. 궁극적으로 이 기술은 탄소 저장의 안전성을 확보하고, 장기적인 운영 비용을 절감하여 CCS 기술의 상용화를 가속화하는 데 중요한 역할을 할 것입니다.