×
唐，孟;刘益民;路易斯·杜洛夫斯基。

动态地下水流问题中基于深度学习的数据同化替代模型。 （英文） 兹比尔1436.76058

J.计算。物理学。 413，文章ID 109456，27 p.（2020）.
摘要：开发了一种基于深度学习的代理模型，并将其应用于渠道化地质模型中的动态地下水流预测。代理模型基于深度卷积和递归神经网络结构，特别是残余U-Net和卷积长短期记忆递归网络。训练样本需要在一系列时间步长上绘制全局压力和饱和度图，这些图是通过模拟多个（我们的情况是1500个）的油水流动生成的二维信道化系统的实现。经过培训，“递归R-U-Net”替代模型能够为新的地质实现预测准确的动态压力和饱和度图以及井速（例如，生产井的时变油率和含水率）。对单个地质实现和500个测试地质模型的集合进行了评估，证明了替代模型的高精度。然后，代理模型用于解决信道化系统中具有挑战性的数据同化（历史匹配）问题。在本研究中，使用随机最大似然方法生成后验储层模型，使用最近开发的CNN-PCA参数化表示渗透率场。数据同化过程中所需的流量响应由递归R-U-Net提供。结果表明，整体方法可大幅降低预测不确定性。后验地质模型的高精度数值模拟结果（由基于替代的数据同化程序生成）与经常性的R-U-Net预测基本一致。与基于模拟的数据同化结果的比较进一步突出了递归R-U-Net的准确性和适用性，并表明它可以在实际问题中使用更正式的后验抽样方法。

引用于17文件

MSC公司：

76T06型 液-液双组分流动
68T07型 人工神经网络与深度学习

关键词：

代理模型;深度学习;油藏模拟;历史匹配;逆向建模

软件：

BERT（误码率）;像素x像素;GNMT公司;SGeMS公司;CycleGAN公司;亚当;掌中宽带
PDF格式BibTeX公司 XML格式引用
\textit{M.Tang}等人，J.Compute。物理学。413，文章ID 109456，27 p.（2020；Zbl 1436.76058）
全文： 内政部 arXiv公司

参考文献：

[1] 范多伦，J.F。；马尔科维诺维奇，R。；Jansen，J.-D.，采用适当正交分解的水驱降阶最优控制，计算。地质科学。，10, 1, 137-158 (2006) ·Zbl 1161.86304号
[2] Cardoso，医学硕士。；杜洛夫斯基，L.J。；Sarma，P.，《地下水流模拟降阶建模程序的开发和应用》，国际期刊Numer。方法工程，77，9，1322-1350（2009）·Zbl 1156.76420号
[3] He，J。；Durlowsky，L.J.，《使用轨迹分段线性化进行成分模拟的降阶建模》，SPE J.第19、05、858-872页（2014）
[4] Yang，Y。；加西米，M。；吉尔丁，E。；尤芬迪耶夫。；Calo，V.，使用POD-DEIM模型简化的快速多尺度油藏模拟，SPE J.，21，06，2-141（2016）
[5] Jin，Z.L。；Durlowsky，L.J.，《（文本）的降阶建模》{CO}_2\)存储操作，国际J.Greenh。天然气控制，68，49-67（2018）
[6] He，J。；Sarma，P。；Durlowsky，L.J.，基于集合的数据同化的降阶流建模和地质参数化，计算。地质科学。，55, 54-69 (2013)
[7] 肖，C。；俄亥俄州吕文堡。；Lin，H.X。；Heemink，A.，用于油藏历史匹配的非侵入子域POD-TPWL，计算。地质科学。，23, 03, 537-565 (2019) ·Zbl 1419.86025号
[8] Hamdi，H。；库库特，I。；Sousa，M.C。；Dhane，T.，《历史拟合的高斯过程：在非常规天然气藏中的应用》，计算。地质科学。，21267-287（2017）·Zbl 1387.86054号
[9] Bazargan，H。；克里斯蒂，M。；Elsheikh，A.H。；Ahmadi，M.，《使用稀疏多项式混沌展开法对具有复杂结构的水库模型进行代理加速采样》，《高级水资源》。，86, 385-399 (2015)
[10] 科斯塔，L.A.N。；Maschio，C。；Schiozer，D.J.，人工神经网络在历史匹配过程中的应用，J.Pet。科学。工程，123，30-45（2014）
[11] Baltrusaitis，T。；罗宾逊，P。；Morency，L.-P.，《在野外用于鲁棒面部标志检测的受限局部神经场》，（IEEE计算机视觉研讨会国际会议论文集（2013），354-361
[12] 刘，F。；沈，C。；Lin，G.，从单个图像进行深度估计的深度卷积神经场，（IEEE计算机视觉和模式识别会议论文集（2015）），5162-5170
[13] Isola，P。；朱建勇。；周，T。；Efros，A.A.，使用条件对抗网络进行图像到图像的转换，（IEEE计算机视觉和模式识别会议论文集（2017）），1125-1134
[14] Wu，Y。；舒斯特，M。；陈，Z。；Le，Q.V。；诺鲁齐，M。；马切雷，W。；Krikun，M。；曹毅。；高奇。；马切里，K。；克林纳，J。；沙阿（Shah，A.）。；约翰逊，M。；刘，X。；澳大利亚凯撒。；Gouws，S。；加藤，Y。；Kudo，T。；Kazawa，H。；史蒂文斯，K。；Kurian，G。；帕蒂尔，N。；Wang，W。；Young，C。；史密斯，J。；Riesa，J。；Rudnick，A。；葡萄酒，O。；Corrado，G。；休斯，M。；Dean，J.，谷歌的神经机器翻译系统：缩小人机翻译之间的差距
[15] 德夫林，J。；Chang，M.-W。；Lee，K。；Toutanova Bert，K.，深层双向变压器语言理解预训练
[16] Dziugaite，G.K。；Roy，D.M.，用比训练数据更多的参数计算深度（随机）神经网络的非有效泛化界限
[17] Arora，S。；Ge，R。；奈沙布尔，B。；Zhang，Y.，通过压缩方法实现深网的强泛化界
[18] Zhu，Y。；Zabaras，N.，《替代建模和不确定性量化的贝叶斯深度卷积编解码网络》，J.Compute。物理。，366, 415-447 (2018) ·Zbl 1407.62091号
[19] 莫，S。；Zhu，Y。；北卡罗来纳州扎巴拉斯。；施，X。；Wu，J.，非均匀介质中动态多相流不确定性量化的深度卷积编解码网络，水资源。研究，55，1703-728（2019）
[20] 莫，S。；北卡罗来纳州扎巴拉斯。；施，X。；Wu，J.，地下水污染源识别中高维逆问题的深度自回归神经网络，水资源。研究，55，5，3856-3881（2019）
[21] 莫，S。；北卡罗来纳州扎巴拉斯。；施，X。；Wu，J.，非高斯电导场中溶质运移反演的对抗性自动编码器与剩余密集卷积网络的集成，预印本
[22] Jin，Z.L。；刘，Y。；Durlowsky，L.J.，基于深度学习的地下水流模拟降阶建模，预印本
[23] O.Ronneberger。；菲舍尔，P。；Brox，T.，《U-net：生物医学图像分割的卷积网络》，（医学图像计算和计算机辅助干预国际会议（2015），施普林格），234-241
[24] Hochreiter，S。；Schmidhuber，J.，长短期记忆，神经计算。，9, 8, 1735-1780 (1997)
[25] 兴建，S。；陈，Z。；Wang，H。；杨，D.-Y。；Wong，W.-K。；Woo，W.C.，卷积LSTM网络：降水预报的机器学习方法，（神经信息处理系统进展（2015）），802-810
[26] Gerritsen，M.G。；Durlowsky，L.J.，《油藏流体流动建模》，年。流体力学版次。，37, 211-238 (2005) ·Zbl 1082.76107号
[27] Peaceman，D.W.，非方形网格区块和各向异性渗透率油藏数值模拟中的井区压力解释，SPE J.，23，03，531-543（1983）
[28] 医学博士泽勒。；Fergus，R.，《卷积网络的可视化和理解》（欧洲计算机视觉会议（2014），施普林格），818-833
[29] 杜穆林，V。；Visin，F.，深度学习卷积算法指南
[30] Long，J。；谢尔哈默，E。；Darrell，T.，用于语义分割的全卷积网络，（IEEE计算机视觉和模式识别会议论文集（2015）），3431-3440
[31] He，K。；张，X。；任，S。；Sun，J.，图像识别的深度剩余学习，（IEEE计算机视觉和模式识别会议论文集（2016）），770-778
[32] Mikolov，T。；Karafiát，M。；Burget，L。；乔尔诺克ỳ, J。；Khudanpur，S.，基于递归神经网络的语言模型，（国际言语交际协会第十一届年会（2010））
[33] Y.本吉奥。；Simard，P。；Frasconi，P.，学习梯度下降的长期依赖性是困难的，IEEE Trans。神经网络。，5, 2, 157-166 (1994)
[34] 朱，G。；张，L。；沈，P。；Song，J.，使用三维卷积和卷积LSTM的多模态手势识别，IEEE Access，54517-4524（2017）
[35] Poudel，R.P。；拉玛塔，P。；Montana，G.，多层MRI心脏分割的递归全卷积神经网络，（医学图像的重建、分割和分析（2016），Springer），83-94
[36] Hecht-Nielsen，R.，《反向传播神经网络理论》（neural Networks for Perception，1992），爱思唯尔出版社，65-93
[37] 金玛，D.P。；Ba Adam，J.，随机优化方法
[38] Li，C。；Farkhoor，H。；刘，R。；Yosinski，J.，《测量客观景观的内在维度》
[39] 弗兰克尔，J。；Carbin，M.，彩票假说：寻找稀疏、可训练的神经网络
[40] 索拉·J。；Sevilla，J.，《输入数据规范化对神经网络应用于复杂工业问题的重要性》，IEEE Trans。编号。科学。，44, 3, 1464-1468 (1997)
[41] 雷米，N。；鲍彻，A。；Wu，J.，《SGeMS应用地质统计学：用户指南》（2009），剑桥大学出版社
[42] 刘，Y。；Sun，W。；Durlowsky，L.J.，《历史匹配复杂模型的基于深度学习的地质参数化》，数学。地质科学。，51, 6, 725-766 (2019) ·Zbl 1421.86004号
[43] 刘，Y。；Durlowsky，L.J.，《历史拟合复杂油藏模型的多级策略和地质参数化》，SPE J.（2020），25，01，81-104
[44] Zhou，Y.，《耦合油藏模型和多段井的并行通用油藏模拟》（2012），斯坦福大学博士论文
[45] Bergstra，J。；Bengio，Y.，《超参数优化的随机搜索》，J.Mach。学习。研究，13，281-305（2012）·兹比尔1283.68282
[46] Kitanidis，P.K.，反演的准线性地质统计学理论，水资源。研究，31，10，2411-2419（1995）
[47] Oliver，D.S.，《试井数据中渗透率场的多重实现》，SPE J.，1，02，145-154（1996）
[48] 高，G。；扎法里，M。；Reynolds，A.C.，使用RML和EnKF在贝叶斯环境下量化PUNQ-S3问题的不确定性，（SPE油藏模拟研讨会（2005））
[49] Vo、H.X。；Durlowsky，L.J.，使用新的基于PCA的参数化的复杂地质模型的数据同化和不确定性评估，计算。地质科学。，19, 4, 747-767 (2015) ·Zbl 1392.86057号
[50] Audet，C。；Dennis，J.E.，用于约束优化的网格自适应直接搜索算法，SIAM J.Optim。，17, 1, 188-217 (2006) ·Zbl 1112.90078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。