×
蒋、苏;路易斯·杜洛夫斯基。

使用递归自动编码器进行时间序列参数化的数据空间反演。 （英语） Zbl 1453.86040号

计算。地质科学。 25，编号1，411-432（2021）.
摘要：数据空间反演（DSI）和相关程序是一系列适用于地下水流环境中数据同化的方法。这些方法不同于通常的基于模型的技术，因为它们只对感兴趣的数量（时间序列）提供后验预测，而不是具有校准参数的后验模型。DSI方法首先需要对先前的地质实现进行大量（O）（500–1000）的流动模拟。在给定观测数据的情况下，可以直接生成感兴趣的时间序列的后验预测，例如油井注入或生产速率。DSI在贝叶斯设置下运行，并提供数据向量的后验样本。在这项工作中，我们开发并评估了一种新的DSI数据参数化方法。参数化在DSI中很有用，因为它减少了反演中要确定的变量数量，并且保持了数据变量的物理特性。新的参数化使用递归自动编码器（RAE）进行降维，使用长短期记忆（LSTM）递归神经网络体系结构表示流率时间序列。基于RAE的参数化与集成平滑器和多重数据同化（ESMDA）相结合，用于生成后验数据样本。给出了二维渠化系统和三维多高斯模型中两相流和三相流的结果。通过与参考拒绝抽样（RS）结果的详细比较，评估了新的DSI RAE程序以及几种现有的DSI治疗。从统计角度来看，新的DSI方法始终优于现有方法{P}（P）_{10} \）–\（\mathrm{P}（P）_{90}间隔和马氏距离）与RS结果一致。该方法还可以准确捕获从DSI中直接考虑的变量计算得出的导出量。这需要正确捕获变量之间的相关性和协方差，并证明这些关系的准确性。这里开发的基于RAE的参数化在DSI中显然很有用，它也可以应用于其他地下水流问题。

引用于1文件

MSC公司：

86A32型 地理统计学
86A22型 地球物理学中的反问题

关键词：

数据同化;历史匹配;油藏模拟;数据空间反演;时间序列参数化;深度学习

软件：

亚当;达奇
PDF格式BibTeX公司 XML格式引用
\textit{S.Jiang}和\textit{L.J.Durlowsky}，计算。地质科学。25，编号1，411--432（2021；Zbl 1453.86040）
全文： 内政部 arXiv公司

参考文献：

[1] 南非阿芙拉。；Gildin，E.，基于张量的地质保护油藏参数化与高阶奇异值分解（HOSVD），计算。地质科学。，94, 110-120 (2016) ·doi:10.1016/j.cageo.2016.05.010
[2] 坎丘穆尼，西澳州；艾默里克，AA；Pacheco，MAC，基于集合平滑器和深层生成模型的历史匹配地质相模型，J.Pet。科学。工程，177941-958（2019）·doi:10.1016/j.petrol.2019.02.037
[3] 坎丘穆尼，西澳州；艾默里克，AA；Pacheco，MAC，使用深度变分自动编码器和集合平滑器实现调节相模型的稳健参数化，计算。地质科学。，128, 87-102 (2019) ·doi:10.1016/j.cageo.2019.04.006
[4] Chan，S。；Elsheikh，AH，使用生成神经网络的条件地质实现的参数生成，Comput。地质科学。，23, 5, 925-952 (2019) ·Zbl 1425.86018号 ·doi:10.1007/s10596-019-09850-7
[5] 艾默里克，AA；Reynolds、AC、Ensemble更平滑，具有多重数据同化、计算。地质科学。，55, 3-15 (2013) ·doi:10.1016/j.cageo.2012.03.011
[6] Golmohammadi，A。；Khaninezhad，MRM；Jafarpour，B.，《不适定地下水流反问题的群比例正则化》，《水资源》。研究，51，10，8607-8626（2015）·doi:10.1002/2014WR016430
[7] 哈基姆·埃拉希，S。；Jafarpour，B.，《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（2017）·doi:10.1002/2016WR019853
[8] Hermans，T。；Oware，E。；Caers，J.，《从延时电阻数据直接预测时空变化的物理特性》，《水资源》。决议，52，9，7262-7283（2016）·doi:10.1002/2016WR019126
[9] 通用电气公司Hinton；Salakhuttinov，RR，用神经网络降低数据的维度，科学，3135786504-507（2006）·Zbl 1226.68083号 ·doi:10.1126/science.1127647
[10] Hochreiter，S。；Schmidhuber，J.，长短期记忆，神经计算。，9, 8, 1735-1780 (1997) ·doi:10.1162/neco.1997.9.8.1735
[11] Jeong，H。；太阳，AY；Lee，J。；Min，B.，预测未来油藏动态的基于学习的数据驱动预测方法，Adv.Water Resour。，118, 95-109 (2018) ·doi:10.1016/j.advwatres.2018年5月15日
[12] 江，S。；Sun，W。；Durlowsky，LJ，井控优化和闭环油藏管理的数据空间反演程序，计算。地质科学。，24, 2, 361-379 (2020) ·Zbl 1434.86034号 ·doi:10.1007/s10596-019-09853-4
[13] Kingma，D.P.，Ba，J.：亚当：随机优化方法。arXiv:1412.6980（2014）
[14] Kitanidis，PK，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（1986）·doi:10.1029/WR022i004p00499
[15] Kramer，MA，使用自联想神经网络的非线性主成分分析，AIChE J，37，2233-243（1991）·doi:10.1002/aic.690370209
[16] 拉洛伊，E。；Hérault，R。；雅克·D·。；Linde，N.，《利用空间生成对抗性神经网络进行基于图像的地质统计反演训练》，《水资源》。研究，54，1，381-406（2018）·doi:10.1002/2017WR022148
[17] 拉洛伊，E。；Hérault，R。；Lee，J。；雅克·D·。；Linde，N.，利用基于深度神经网络的复杂二元地质介质的新低维表示进行反演，Adv.Water Resour。，110, 387-405 (2017) ·doi:10.1016/j.advwatres.2017.09.029
[18] 拉洛伊，E。；Linde，N。；Ruffino，C。；Hérault，R。；Gasso，G。；Jacques，D.，利用生成对抗网络对地球物理数据进行基于梯度的确定性反演：可行吗？，计算。地质科学。，133, 104333 (2019) ·doi:10.1016/j.cageo.2019.104333
[19] Li，J.，Luong，M.T.，Jurafsky，D.：段落和文档的分级神经自动编码器。arXiv：1506.01057（2015年）
[20] 利马，MM；艾默里克，AA；Ortiz，CE，数据空间反演与集成平滑器，计算。地质科学，241179-1200（2020）·Zbl 1439.86033号 ·文件编号：10.1007/s10596-020-09933-w
[21] 刘，Y。；Sun，W。；Durlowsky，LJ，用于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 ·doi:10.1007/s11004-019-09794-9
[22] Marchi，E.，Vesperini，F.，Squartini，S.，Schuller，B.：用于声学新奇性检测的基于深度递归神经网络的自动编码器。计算。智力。神经科学。，2017 (2017)
[23] Mo，S.，Zabaras，N.，Shi，X.，Wu，J.：对抗性自动编码器与剩余密集卷积网络的集成，用于估计非高斯水力传导率。水资源。第56（2）号决议，e2019WR026082（2020）
[24] Mosser，L.，Dubrule，O.，Blunt，M.J.：使用生成性对抗性神经网络重建三维多孔介质。物理学。修订版E 96（4），043309（2017）·Zbl 1428.86022号
[25] 穆萨维（SM）；朱伟。；埃尔斯沃思，W。；Beroza，G.，《使用深度卷积自动编码器对地震信号进行无监督聚类》，IEEE Geosci。遥感快报。，16, 11, 1693-1697 (2019) ·doi:10.1109/LGRS.2019.2909218
[26] Oliver，DS，《试井数据中渗透率场的多重实现》，SPE J.，1，2，145-154（1996）·doi:10.2118/27970-宾夕法尼亚州
[27] Oliver，D.S.、Reynolds，A.C.、Liu，N.：《油藏描述和历史拟合的反演理论》。剑桥大学出版社（2008）
[28] Sagheer，A。；Kotb，M.，用于多元时间序列预测问题的基于深度LSTM的堆叠自动编码器的无监督预训练，Sci。代表9、1、1-16（2019年）·doi:10.1038/s41598-019-55320-6
[29] Sarma，P。；杜洛夫斯基，LJ；Aziz，K.，多点地质统计学有效可微参数化的核主成分分析，数学。地质科学。，40, 1, 3-32 (2008) ·Zbl 1144.86004号 ·doi:10.1007/s11004-007-9131-7
[30] Satija，A。；Caers，J.，在标准函数主成分空间中通过线性最小二乘法从非线性动态数据直接预测地下水流响应，Adv.Water Resour。，77, 69-81 (2015) ·doi:10.1016/j.advwatres.2015.01.002
[31] 萨蒂贾，A。；Scheidt，C。；李，L。；Caers，J.，使用无历史匹配的生产数据直接预测油藏动态，计算。地质科学。，21, 2, 315-333 (2017) ·Zbl 1387.86049号 ·doi:10.1007/s10596-017-9614-7
[32] Scheidt，C。；Renard，P。；Caers，J.，《以预测为中心的地下建模：研究基于流动的反演建模的准确性需求》，《数学》。地质科学。，47, 2, 173-191 (2015) ·Zbl 1323.86013号 ·doi:10.1007/s11004-014-9521-6
[33] Serban，I.V.，Klinger，T.，Tesauro，G.，Talamadupula，K.，Zhou，B.，Bengio，Y.，Courville，A.：多分辨率递归神经网络：对话响应生成的应用。参加：第三十一届AAAI人工智能会议（2017年）
[34] Sun，W。；Durlowsky，LJ，地下水流问题中有效不确定性量化的新数据空间反演程序，数学。地质科学。，49, 6, 679-715 (2017) ·Zbl 1369.86022号 ·doi:10.1007/s11004-016-9672-8
[35] Sun，W。；Durlowsky，LJ，地质碳储存中CO2羽流位置不确定性量化的数据空间方法，水资源高级研究所。，123, 234-255 (2019) ·doi:10.1016/j.advwatres.2018.10.028
[36] Sun，W。；Hui，MH；Durlowsky，LJ，使用新的数据空间反演程序对天然裂缝性储层进行产量预测和不确定性量化，计算。地质科学。，21, 5-6, 1443-1458 (2017) ·Zbl 1401.86014号 ·doi:10.1007/s10596-017-9633-4
[37] Vo、HX；Durlowsky，LJ，基于主成分分析的新型可微参数化，用于复杂地质模型的低维表示，数学。地质科学。，46, 7, 775-813 (2014) ·Zbl 1323.86048号 ·doi:10.1007/s11004-014-9541-2
[38] Zhou，Y.：耦合油藏模型和多段井的并行通用油藏模拟。斯坦福大学博士论文（2012）
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。