Neues Lernmodell entschlüsselt Mehrphasenfluss auf Porenebene aus 4D-Velocimetrie

Mehrphasenströmungen in porösen Medien sind das Herzstück moderner Erdreichtechnologien – von der CO₂‑Speicherung bis zum unterirdischen Wasserstofflager. Trotz ihrer Bedeutung bleiben die dynamischen Prozesse auf Porenebene in realen, dreidimensionalen Materialien schwer zu erfassen und vorherzusagen.

In einer bahnbrechenden Veröffentlichung präsentiert ein internationales Team ein multimodales Lernframework, das Mehrphasenfluss direkt aus zeitlich aufgelösten 4D‑Micro‑Velocimetrie‑Messungen ableitet. Das System kombiniert einen Graph‑Network‑Simulator für die Lagrange‑Verfolgung von Tracer‑Partikeln mit einem 3D‑U‑Net, das die voxelisierte Grenzflächenentwicklung vorhersagt.

Die abgebildete Porenstruktur fungiert dabei als Grenzbedingung für die Fließgeschwindigkeit und die Mehrphasen­Grenzflächen. Beide Komponenten werden in jedem Zeitschritt iterativ gekoppelt und aktualisiert, sodass das Modell die komplexen Wechselwirkungen zwischen Strömung und Grenzflächen dynamisch abbildet.

Durch autoregressive Schulung auf experimentellen Sequenzen in kapillare dominanten Bedingungen (Ca ≈ 10⁻⁶) gelingt es dem Modell, transiente, nichtlokale Störungen und abrupte Grenzflächen‑Umstellungen – sogenannte Haines‑Sprünge – über physikalische Zeiträume von Sekunden zu reproduzieren. Gleichzeitig reduziert es die Rechenzeit von herkömmlichen numerischen Simulationen, die Stunden bis Tage benötigen, auf wenige Sekunden.

Dieses schnelle, experimentell fundierte Vorhersagewerkzeug eröffnet die Möglichkeit, „digitale Experimente“ durchzuführen, die die beobachteten Porenebene‑Phänomene exakt nachbilden. Damit bietet es Forschern eine effiziente Plattform, um Einfügebedingungen und Poren­geometrieeffekte für die Speicherung von CO₂ und Wasserstoff im Untergrund systematisch zu untersuchen.