저투과성 유전에서 CO₂ 비혼합 추동 기술은 원유 회수율 향상과 탄소 중립 실현에 중요한 의미를 가진다. 이 과정은 강한 비선형 방정식의 해를 포함하며, 전통적인 수치 시뮬레이션 방법은 수치 안정성과 수렴성에 도전 과제를 안고 있어 시간 및 공간 스텝크의 정밀 조절이 필요하다. 따라서 저투과성 유전 CO₂ 비혼합 추동을 위한 물리정보 신경망(Physics-Informed Neural Networks, PINNs) 기반의 수치 시뮬레이션 방법이 제안되었다. 본 방법은 고전적인 Buckley-Leverett (BL) 유량 방정식을 기반으로 개시 압력 구배와 CO₂ 용해도 파라미터를 도입하여, 추동 전선 전파 및 포화도 진화에 미치는 상호 영향을 규명하였다. BL 방정식과 초기 경계 조건을 PINNs의 손실 함수에 포함시켜, 신경망이 학습 과정에서 제어 방정식 제약 조건을 자동으로 만족시키며, 무형상 연속 공간에서 복잡한 비선형 유동 과정을 모델링할 수 있어 모델의 수치 안정성과 예측 능력을 향상시켰다. 모델 정확도 검증을 위해 수치 해를 해석 해와 비교하였다. 결과는 구축된 PINNs 모델이 추동 전선 위치와 유체 포화도 분포를 포착하는 데 높은 정확도를 보이며, 해석 해와의 차이가 적고 결정 계수(R²)가 93%를 초과하며 평균 절대 오차는 0.19×10^-2임을 나타냈다. 전통적 명시적 차분법과 비교했을 때, PINNs 수치 시뮬레이션 방법은 더 강한 수치 안정성과 확장성을 지닌다. 본 연구는 저투과성 유전 CO₂ 비혼합 추동 수치 시뮬레이션을 위한 딥러닝 신기술을 제공하여 다중 물리장 결합 하의 유동 거동 메커니즘을 심도 있게 이해하는 데 기여하며, CO₂ 지질 저장과 원유 회수율 향상의 효율적 협력을 위한 이론적 지원과 방법적 참고자료를 제공한다.

물리정보 신경망;저투과성 유전;CO₂ 비혼합 추동;개시 압력 구배;CO₂ 용해도;Buckley-Leverett 방정식