Naukowcy opracowali sztuczną sieć neuronową opartą na grafach, która może szybko prognozować, jak ditlenek węgla będzie rozprzestrzeniać się w podziemnych magazynach geologicznych. Zamiast uruchamiać złożone i czasochłonne symulacje fizyczne, model uczy się z danych i może przewidywać kluczowe parametry, takie jak nasycenie gazu czy gęstość cieczy — informacje niezbędne do monitorowania bezpieczeństwa magazynów CO2.
Architektura sieci jest dostosowana do specyfiki problemu. Każda formacja geologiczna reprezentowana jest jako graf: komórki gruntu to węzły, a połączenia między nimi (transmisyjność) to krawędzie wzbogacone o atrybuty geometryczne. Kluczowa innowacja to anizotropowy mechanizm przesyłania wiadomości, który automatycznie uczy się, w jakich kierunkach najlepiej modelować transport substancji — biorąc pod uwagę przepuszczalność skał, kontrasty geologiczne i kierunkowość przepływu. Model trenowany jest na benchmarku SPE11A, przemysłowym standardzie testującym scenariusze magazynowania, znany z trudnych warunków: ostrych granic między fazami, silnego transportu adwekcyjnego i szybkich zmieszań konwekcyjnych.
Proponowana metoda utrzymuje umiarkowane błędy kumulacyjne nawet dla długich horyzontów prognozowania, co stanowi praktyczną alternatywę dla symulacji pełnofizycznych. Takie surrogate'y mogą przyspieszyć optymalizację projektów magazynowania, ocenę ryzyka lub scenariusze hybrydowe łączące dane rzeczywiste z przewidywaniami modelu.