《 TINNs神經網路與碳封存 》

時間誘導神經網路（Time-Induced Neural Networks, 簡稱 TINNs）是一種先進的 AI 架構，專為解決隨時間變化的偏微分方程（Time-dependent PDEs）而設計。

在碳封存（Carbon Capture and Storage, CCS）領域，TINNs 可大幅加速地下多孔岩層中超臨界 CO₂ 封存動態的模擬預測。

🚀 TINNs 如何應用於碳封存？

傳統的物理資訊神經網路（PINNs）在處理隨時間演進的複雜流體力學問題時，常因各時間點的空間特徵不同，而導致訓練不穩定或精度下降。

TINNs 的運作與優勢如下：

權重的時間參數化：

TINNs 將神經網路的權重參數化為時間的函數，使空間特徵能隨時間平滑演化。

• 優化效率：

利用最佳化方法（如 Levenberg-Marquardt 法），TINNs 在求解複雜時間序列物理模型時，相較於 PINNs 提高了約 4× 的準確度，並加快了 10× 的收斂速度。

• 流體模擬：

能高精度模擬 CO₂ 在地下深層鹽水層或多孔岩石介質中的滲流與相變（氣態、液態、超臨界態）物理機制。

🌍 碳封存技術的挑戰與前景

在淨零排放的目標下，各國正積極推動將工業捕捉的 CO₂ 壓縮並封存至地下數百公尺的封閉地層（如:枯竭油氣層、深層含水層）。

• 關鍵技術：

利用先進的神經算子和 AI 工具，可更精準評估封存場址的容量、長期安全性以及監測潛在的壓力變化。

• 面臨挑戰：

若地層壓力過高或接近斷層，仍有引發微震或洩漏的風險。因此精準的數值模擬與 AI 預測至關重要。

📊傳統 PINNs vs. TINNs 架構對比

時間誘導神經網路（Time-Induced Neural Networks, 簡稱 TINNs）的核心數學理念，是為了解決傳統神經網路在計算隨時間變化的物理問題時發生的「時間糾纏」現象。

想像傳統方法是用同一張網去硬套不同時間的變化；

而 TINNs 則是讓神經網路的「大腦結構（權重）」跟著時間一起平滑演化，

從而在數學上徹底解放了時間與空間的動態耦合。

比較維度	傳統時空 PINNs	TINNs (時間誘導神經網路)
神經網路輸入	空間與時間 (x, t)	僅空間坐標 x
網路權重 θ	固定不變（不隨時間改變）	隨時間變化的函數 W(t)
時空關係	時間與空間高度糾纏在一起	時間與空間完全解耦
優化演算法	通常使用 Adam / L-BFGS	優化非線性最小平方的 LM 法
複雜動態表現	長時間預測易發散、不穩定	收斂極快且精確度高

🏗️ TINNs 的雙層架構設計

TINNs 在架構上可以看成一個「母網路」去控制「子網路」的動態雙層構造：

 [ 時間輸入 t ] 

       │

       ▼

 ┌──────────────┐

 │  時間控制器  │ ──( 透過矩陣運算 C_k * φ_k(t) )──> 

                                                                         即時生成目前時間的權重 W(t)

 └──────────────┘                                         │

                                                          ▼

                                                   ┌──────────────┐

                                    [ 空間輸入 x ] ─>│ 空間物理子網路 │ ─> 

                                                                                      輸出預測物理量 u(x,t)

                                                   └──────────────┘

• 時間控制器（Time-Induced Module）：

輸入目前的時間 t，根據學習到的物理係數 Ck，瞬間計算出該時間點專屬的權重 W(t)。

• 空間物理子網路（Spatial Network）：

輸入空間位置 x，套用剛剛生成的動態權重 W(t)，立刻吐出精準的物理預測值（例如該位置的 CO₂ 濃度或壓力）。

💡CO₂ 在多孔介質中的微觀流體物理機制

CO₂（二氧化碳）被注入地下岩層時，就像是跑進一塊巨大的超硬石頭海綿裡。

這塊「海綿」裡面有無數個肉眼看不見的小洞，我們稱為多孔介質（Porous Media）。

為了把 CO₂ 牢牢鎖住，科學家必須研究它在這些微小孔隙裡的流動方式。

以下是 CO₂ 在微觀世界裡的四大流體物理機制：

💧1. 兩相流體與潤濕性 (Wetting)

地下岩層的小洞裡通常原本就充滿了水。

當超臨界 CO₂ 被硬擠進去時，就會開始搶地盤。

• 不潤濕流體：

在多數岩石（如：砂岩）中，水比較喜歡貼著岩石表面（稱為潤濕相）。

• 水包油（CO₂）：

CO₂ 則不喜歡碰岩石，它會聚集在孔隙的最中間（稱為不潤濕相）。
• 毛細管壓力：

因為兩者不合，水和 CO₂ 的接觸面會彎曲，產生一種阻止 CO₂ 移動的抵抗力，稱為毛細管壓力。

⏳ 2. 毛細管捕捉 (Capillary Trapping)

這是最快把 CO₂ 鎖住的微觀機制，就像「交通堵塞」一樣。

• 水流截斷：

當注氣停止、地下水回流時，水會沿著孔隙壁面重新包抄。
• 受困水泡：

回流的水會把長條狀的 CO₂ 沖刷、切斷，變成一顆顆孤立的小氣泡。
• 動彈不得：

這些小氣泡卡在狹窄的孔隙通道（喉道）裡，因為擠不過去，就被永久困在岩石裡了。

🧪 3. 溶解與擴散 (Dissolution & Diffusion)

CO₂ 不只是卡著，還會慢慢「融化」在周圍的水裡。

• 汽水效應：

接觸面上的 CO₂ 會溶解到地下水裡，就像製造天然汽水。
• 擴散變重：

溶了 CO₂ 的水會變得比較重（密度變大），開始往地層下方沉降。
• 空出位置：

上方變重的汽水沉下去後，新的、沒溶氣的水又會浮上來碰觸 CO₂，讓溶解持續進行。

🗿 4. 礦物反應與沉澱 (Mineralization)

最慢但最安全的終極鎖碳步驟，通常要花上幾十到幾百年。

• 酸性腐蝕：

CO₂ 溶在水裡會變成碳酸，這種弱酸會微微溶解岩石中的某些成分（例如鈣、鎂、鐵）。
• 化學變身：

溶解出來的離子會跟碳酸根結合，進行化學反應。
變• 成石頭：

最後，它們會變成固體碳酸鹽礦物（就像太空中掉下來的碳酸鈣石頭），把 CO₂ 變成岩石的一部分，再也出不來。

---

 

🧠 AI 與神經網路（如 TINNs）（如 TINNs）在碳封存能做什麼？

上述這些微觀機制（尤其是毛細管捕捉和溶解）的速度與方向，都是由極其複雜的物理方程式（偏微分方程）控制。

傳統電腦要模擬每一顆小氣泡在微米（微米是百萬分之一公尺）等級的岩石孔隙裡怎麼動，需要算好幾個月。

而 TINNs（時間誘導神經網路） 厲害的地方，就在於能學會這些微觀的流體物理規律，把幾個月的計算縮短到幾天甚至幾小時，幫助科學家精準預測 CO₂ 會不會漏出來。