刘益民;孙文岳;路易斯·杜洛夫斯基。 基于深度学习的地质参数化，用于历史匹配复杂模型。 （英语） Zbl 1421.86004号 数学。地质科学。 51，第6号，725-766（2019）; 更正同上，51，第6841-842号（2019）。 摘要：提出了一种基于主成分分析（PCA）和卷积神经网络（CNN）的低维参数化方法来表示复杂地质模型。CNN-PCA方法受到使用深度学习的计算机视觉最新发展的启发。CNN-PCA可以看作是现有基于优化的PCA（O-PCA）方法的推广。CNN-PCA和O-PCA都需要对PCA模型进行后处理，以更好地尊重复杂的地质特征。在CNN-PCA中，不像在O-PCA中那样使用基于直方图的正则化，而是引入了一种新的正则化方法，其中涉及多点统计的一组度量。这些度量基于地质模型对预处理深度CNN的非线性滤波器响应的汇总统计。此外，在本文提出的CNN-PCA公式中，卷积神经网络被训练为显式变换函数，可以快速对PCA模型进行后处理。CNN-PCA可以提供无条件和有条件实现这体现了二进制信道化系统参考SGeMS地质统计实现中的地质特征。在O-PCA模型导致显著差异的苛刻情况下，通过模拟随机CNN-PCA模型获得的流量统计数据与随机SGeMS模型的结果密切匹配。给出了历史匹配的结果。在该评估中，CNN-PCA应用无导数优化，并使用子空间随机最大似然方法提供多个后验模型。现有井实现了数据同化，显著降低了不确定性，新井也获得了物理上合理的预测。最后，将CNN-PCA方法扩展到更复杂的非平稳双峰三角扇系统，并证明可以为这个具有挑战性的示例提供高质量的实现。 引用于1审查引用于11文件 MSC公司： 86A04型 地球物理学中的一般问题 86A22型 地球物理学中的反问题 68T05型 人工智能中的学习和自适应系统 关键词：地质参数化;历史匹配;深度学习;主成分分析 软件：PyTorch公司;ImageNet公司;亚当;github;SGeMS公司;Wasserstein甘 PDF格式BibTeX公司 XML格式引用 \textit{Y.Liu}等人，数学。Geosci公司。51，No.6，725--766（2019；Zbl 1421.86004） 全文： 内政部 arXiv公司 参考文献： [1] Arjovsky M、Chintala S、Bottou L（2017），瓦瑟斯坦生成性对抗网络。8月6日至11日在澳大利亚悉尼举行的第34届机器学习国际会议上提交的论文，第214-223页 [2] Astrakova A，Oliver DS（2015）在基于集合Kalman的数据同化中，将多元高斯模型截断为岩相观测。数学地质47（47）：345-367·兹比尔1323.86039 [3] Canchumuni SA、Emerick AA、Pacheco MA（2017），集成集成数据同化和深度学习，用于历史匹配相模型。论文OTC-28015-MS，于10月24日至26日在巴西里约热内卢举行的OTC巴西 [4] Canchumuni SA、Emerick AA、Pacheco M（2018）使用集成平滑器与深度学习参数化进行河道化相模型历史匹配。9月3日至6日在西班牙巴塞罗那举行的第15届欧洲石油开采数学会议上提交的论文 [5] Chan S，Elsheikh AH（2017）利用生成性对抗网络参数化和生成地质模型。arXiv预印本arXiv：1708.01810 [6] Chan S，Elsheikh AH（2018）使用生成神经网络的条件地质实现的参数生成。arXiv预打印arXiv:1807.05207·Zbl 1425.86018号 [7] Chang H，Zhang D，Lu Z（2010）使用EnKF和水平集参数化进行岩相分布的历史匹配。计算机物理杂志229（20）：8011-8030·Zbl 1425.86017号 [8] Chen C，Gao G，Ramirez BA，Vink JC，Girardi AM（2016）利用多元主成分分析辅助渠道化模型的历史匹配。石油工程师协会J 21（05）：1793-1812 [9] Deng J，Dong W，Socher R，Li LJ，Li K，Li FF（2009）ImageNet:大型分层图像数据库。2009年IEEE计算机视觉和模式识别会议，IEEE，第248-255页 [10] Dimitrakopoulos R，Mustapha H，Gloaguen E（2010）《空间随机场的高阶统计：探索空间累积量以建模复杂的非高斯和非线性现象》。数学地质42（1）：65-99·Zbl 1184.86012号 [11] Dupont E，Zhang T，Tilke P，Liang L，Bailey W（2018）利用生成性对抗网络以物理测量为条件生成现实地质。arXiv预打印arXiv:1802.03065 [12] Echeverría Ciaurri D，Mukerji T，Santos ET（2009）《储层相建模地震和生产数据反演稳健方案》。论文SEG-2009-2432，于10月25-30日在德克萨斯州休斯顿举行的SEG年会上提交 [13] Emerick AA（2016）《利用基于集合的数据同化对历史匹配河道化相模型进行主成分分析参数化的研究》。数学地质学49（1）：85-120·Zbl 1387.86044号 [14] Gatys LA，Ecker AS，Bethge M（2015），使用卷积神经网络的纹理合成。主题：神经信息处理系统的进展，第262-270页 [15] Gatys LA，Ecker AS，Bethge M（2016）使用卷积神经网络的图像风格转移。摘自：IEEE计算机视觉和模式识别会议记录，第2414-2423页 [16] Goodfellow I，Bengio Y，Courville A（2016）深度学习。麻省理工学院出版社，剑桥·Zbl 1373.68009号 [17] Hakim-Elahi S，Jafarpour B（2017）用于地下水流模型校准的离散地质相连续参数化的距离变换。水资源研究53（10）：8226-8249 [18] Insausty E、Van den Hof PMJ、Weiland S、Jansen JD（2017）《估算岩石物理储层参数的低维张量表示》。论文SPE-182707-MS于2月20日至22日在德克萨斯州蒙哥马利举行的SPE油藏模拟会议上提交 [19] Isebor OJ，Echeverría Ciaurri D，Durlofsky LJ（2014）无导数程序的广义油田开发优化。石油工程师协会J 19（05）：891-908 [20] Jafarpour B、Goyal VK、McLaughlin DB、Freeman WT（2010）《压缩历史匹配：利用变换域稀疏性正则化非线性动态数据集成问题》。数学地质42（1）：1-27·Zbl 1185.94011号 [21] Johnson J，Alahi A，Li FF（2016）实时风格传输和超分辨率感知损失。在：欧洲计算机视觉会议，第694-711页 [22] Kadian A（2018）Pytorch艺术风格转换算法的实现。https://github.com/abhiskk/fast-neural-style/commits/master。2018年5月1日访问 [23] Kingma DP，Ba J（2014）Adam：一种随机优化方法。arXiv预打印arXiv:1412.6980。2018年5月1日访问 [24] Kitanidis PK（1986）空间函数估计中的参数不确定性：贝叶斯分析。水资源研究22（4）：499-507 [25] Laloy E，Hérault R，Lee J，Jacques D，Linde N（2017）基于深度神经网络的复杂二元地质介质新低维表示反演。Adv Water Resour 110:387-405 [26] Laloy E，Hérault R，Jacques D，Linde N（2018）利用空间生成对抗性神经网络训练基于图像的地质统计反演。水资源研究54（1）：381-406 [27] Liu Y（2017）使用网格自适应直接搜索的基于O-PCA的历史匹配多级策略。斯坦福大学硕士论文 [28] Lu P，Horne RN（2000）利用小波分析进行储层参数估计的多分辨率方法。论文SPE-62985-MS，于10月1日至4日在德克萨斯州达拉斯举行的SPE年度技术会议和展览会上提交 [29] Mosser L，Dubrule O，Blunt MJ（2017）使用生成性对抗性神经网络重建三维多孔介质。物理版E 96（4）：043309 [30] Mosser L、Dubrule O、Blunt MJ（2018）孔隙和储层尺度模型三维生成对抗网络的调节。arXiv预打印arXiv:1802.05622·Zbl 1428.86022号 [31] Oliver DS（1996）试井数据中渗透率场的多重实现。石油工程师协会J 1（2）：145-154 [32] Pardo-Igüzquisa E，Dowd PA（2003）CONNEC3D:3D随机集模型连接性分析的计算机程序。计算机地理29（6）：775-785 [33] Paszke A、Gross S、Chintala S、Chanan G、Yang E（2017）《PyTorch中的自动区分》。NIPS 2017研讨会 [34] Ping J，Zhang D（2013）基于集合卡尔曼滤波和基于向量的水平集参数化的裂缝分布历史匹配。宠物科学与工程杂志108:288-303 [35] Remy N，Boucher A，Wu J（2009）《SGeMS应用地质统计学：用户指南》。剑桥大学出版社 [36] Reynolds AC，He N，Chu L，Oliver DS（1996），根据变差图和试井压力数据生成油藏描述的重新参数化技术。石油工程师协会J 1（4）：413-426 [37] Rwechungura R，Dadashpour M，Kleppe J（2011）《粒子群优化在整合生产和时移地震数据的参数估计中的应用》。论文SPE-146199-MS，于9月6日至8日在英国阿伯丁举行的SPE离岸欧洲会议和展览上发表 [38] Sarma P，Durlowsky LJ，Aziz K，Chen WH（2006），使用基于伴随的最优控制和模型更新进行高效实时水库管理。计算地质科学10（1）：3-36·Zbl 1161.86303号 [39] Sarma P，Durlowsky LJ，Aziz K（2008）多点地质统计学有效可微参数化的核主成分分析。数学地质40（1）：3-32·兹比尔1144.86004 [40] Simonyan K，Zisserman A（2015）用于大规模图像识别的极深卷积网络。arXiv预打印arXiv:1409.1556 [41] Strebelle S（2002）使用多点统计对复杂地质结构进行条件模拟。数学地质学34（1）：1-21·Zbl 1036.86013号 [42] Tavakoli R，Reynolds AC（2010）基于无量纲灵敏度矩阵SVD的历史匹配与参数化。SPE J 15（02）：495-508 [43] Torquato S，Beasley JD，Chiew YC（1988）连续渗流的两点簇函数。化学物理杂志88（10）：6540-6547 [44] Tran D、Bourdev L、Fergus R、Torresani L、Paluri M（2015）《利用3D卷积网络学习时空特征》。2015年IEEE计算机视觉国际会议论文，智利圣地亚哥，12月13-16日，第4489-4497页 [45] Vo HX，Durlowsky LJ（2014）基于主成分分析的新可微参数化，用于复杂地质模型的低维表示。数学地质学46（7）：775-813·Zbl 1323.86048号 [46] Vo HX，Durlowsky LJ（2015）使用新的基于PCA的参数化方法对复杂地质模型进行数据同化和不确定性评估。计算地质科学19（4）：747-767·Zbl 1392.86057号 [47] Vo HX，Durlowsky LJ（2016）正则核PCA用于复杂地质模型的有效参数化。计算机物理杂志322:859-881·Zbl 1351.86031号 [48] Wang Y，Arns CH，Rahman SS，Arns JY（2018）利用卷积神经网络重建多孔结构。数学地质学50（7）：781-799·Zbl 1402.86005号 [49] Zhang T，Switzer P，Journel A（2006）基于滤波器的空间模拟训练图像模式分类。数学地理38（1）：63-80·Zbl 1119.86313号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。