×
史密斯·W·A·坎丘穆尼。;Jose D.B.卡斯特罗。;朱利亚·波特拉茨;亚历山大·A·埃梅里克。;马可·奥雷里奥·帕切科。

结合集成平滑器和深层生成网络进行相历史匹配的最新发展。 （英语） Zbl 1453.86038号

计算。地质科学。 25，编号1，433-466（2021）.
摘要：集合平滑器是当前历史匹配中最成功、最有效的技术之一。然而，由于这些方法依赖于高斯假设，当根据复杂的相分布描述先前的地质情况时，它们的性能会严重下降。受深度生成网络在图像和视频生成等领域获得的令人印象深刻的结果的启发，我们开始了一项研究，重点是使用自动编码器来构建相模型的连续参数化。在我们之前的出版物中，我们将卷积变分自动编码器（VAE）与集成平滑器与多重数据同化（ES-MDA）相结合，用于在多点地质统计学生成的模型中匹配历史生产数据。尽管我们在之前的出版物中报告了良好的结果，但设计的参数化的一个主要限制是，它不允许在集成平滑更新期间应用基于距离的定位，这限制了它在大规模问题中的应用。本工作是本研究项目的继续，主要集中在两个方面：首先，我们对九种不同的公式进行了基准测试，包括VAE、生成对抗网络（GAN）、Wasserstein GAN（WGAN）、带梯度惩罚的WGAN、带谱归一化的WGAN，变分自动编码GAN、主成分分析（PCA）采用循环GAN，PCA采用传输式网络，VAE采用样式丢失。这些配方在与沟道化相的合成历史匹配问题中进行了测试。其次，我们提出了两种策略，允许使用基于距离的定位和深度学习参数化。

引用于三文件

MSC公司：

86A32型 地理统计学
86A22个 地球物理学中的反问题

关键词：

深度学习;数据同化;相模式;整体平滑器

软件：

CycleGAN公司;TensorFlow公司;亚当;Wasserstein甘;像素x像素;凯拉斯
PDF格式BibTeX公司 XML格式引用
\textit{S.W.A.Canchumuni}等人，计算。地质科学。25，编号1，433--466（2021；Zbl 1453.86038）
全文： DOI程序 arXiv公司

参考文献：

[1] 阿农森，SI；Nvdal，G。；奥利弗，DS；雷诺数，AC；Vallès，B.，《石油工程中的集合卡尔曼滤波器综述》，SPE J.，14，3，393-412（2009）·doi:10.2118/117274-PA
[2] Abadi，M.，Agarwal，A.，Barham，P.，Brevdo，E.，Chen，Z.，Citro，C.，Corrado，G.S.，Davis，A.，Dean，J.，Devin，M.版本，I.、Talwar，K.、Tucker，P.、Vanhoucke，V.、Vasudevan，V.，Viégas，F.、Vinyals，O.、Warden，P.，Wattenberg，M.、Wicke，M..、Yu，Y.、Zheng，X.：TensorFlow：异构系统上的大规模机器学习。https://www.tensorflow.org (2015)
[3] Anderson，JL，集合滤波的局部最小二乘框架，Mon。《天气评论》，131,4634-642（2003）·doi:10.1175/1520-0493（2003）131<0634:ALLSFF>2.0.CO；2
[4] Arjovsky，M.，Chintala，S.，Bottou，L:Wasserstein GAN。arXiv:1701.07875v3[stat.ML]（2017）
[5] Caers，J。；Zhang，T.，《多点地质统计学：将地质类似物整合到多个储层模型中的定量工具》，AAPG回忆录，80383-394（2004）
[6] Canchumuni，S.W.A.，Emerick，A.A.，Pacheco，M.A.：集成集成数据同化和深度学习，用于历史匹配相模型。摘自：《海上技术会议论文集》，巴西里约热内卢，10月24日至26日，编号：OTC-28015-MS.doi:10.4043/28015-MS（2017）
[7] 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
[8] 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
[9] Chan，S.，Elsheikh，A.H.：利用生成性对抗网络参数化和生成地质模型。arXiv:170801810v1[stat.ML]（2017年）
[10] Chan，S。；Elsheikh，AH，使用生成神经网络的条件地质实现的参数生成，计算。地质科学。，23, 925-952 (2019) ·Zbl 1425.86018号 ·doi:10.1007/s10596-019-09850-7
[11] Chang，H。；张，D。；Lu，Z.，利用EnKF和水平集参数化对岩相分布进行历史匹配，J.Compute。物理。，229, 8011-8030 (2010) ·Zbl 1425.86017号 ·doi:10.1016/j.jcp.2010.07.005
[12] 陈，C。；高，G。；Gelderblom，P。；Jimenez，E.，累积分布函数映射与主成分分析的集成，用于河道化油藏的历史拟合，SPE Reserve。评估。工程师，19，2，278-293（2016）·网址：10.2118/170636-PA
[13] Cheng，P。；Malhi，H.，腹部超声图像分类的卷积神经网络转移学习，J.Digit。成像，30，2，234-243（2017）·doi:10.1007/s10278-016-9929-2
[14] Chollet，F.等人：Keras。https://keras.io网址 (2015)
[15] Doersch，C.：变分自动编码器教程。arXiv:1606.05908v21606.05908 v2[stat.ML]（2016）
[16] Dupont，E.，Zhang，T.，Tilke，P.，Liang，L.，Bailey，W.：以生成性对抗网络的物理测量为条件生成现实地质。arXiv:1802.03065v3[stat.ML]（2018）
[17] Emerick，AA，《基于集合的生产和地震数据同化性能分析》，J.Pet。科学。工程，139219-239（2016）·doi:10.1016/j.petrol.2016.01.029
[18] 艾默里克，AA，《使用基于集合的方法估算现场生产的不确定性界限》，J.Pet。科学。工程，145648-656（2016）·doi:10.1016/j.petrol.2016.06.037
[19] Emerick，AA，《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。地质科学。，49, 1, 85-120 (2017) ·Zbl 1387.86044号 ·doi:10.1007/s11004-016-9659-5
[20] 艾默里克，AA；Reynolds，AC，使用简单水库模型对基于集合的方法的采样性能进行研究，计算。地质科学。，17, 2, 325-350 (2013) ·Zbl 1382.86018号 ·doi:10.1007/s10596-012-9333-z
[21] 艾默里克，AA；Reynolds，AC，具有多数据同化的Ensemble smoother，Comput。地质科学。，55, 3-15 (2013) ·doi:10.1016/j.cageo.2012.03.011
[22] Evensen，G.：用于求解逆问题的迭代集合平滑器分析。计算。地质科学。doi:10.1007/s10596-018-9731-y（2018）·Zbl 1405.86018号
[23] Floris，FJT；医学博士Bush；库珀斯，M。；罗杰罗，F。；Syversveen，AR，《量化生产预测不确定性的方法：比较研究》，Pet。地质科学。，7，SUPP，87-96（2001）·doi:10.1144/petgeo.7.S.S87
[24] Gaspari，G。；Cohn，SE，《二维和三维相关函数的构建》，Q.J.R.Meteorol。Soc.，125，554，723-757（1999）·doi:10.1002/qj.49712555417
[25] Gatys，L.A.、Ecker，A.S.、Bethge，M.：使用卷积神经网络进行图像风格转换。收录：IEEE计算机视觉和模式识别会议论文集。doi:10.1109/CVPR.2016.265（2016）
[26] 戈卢布，GH；van der Vorstb，HA，《20世纪特征值计算》，J.Compute。申请。数学。，123, 1-2, 35-65 (2000) ·Zbl 0965.65057号 ·doi:10.1016/S0377-0427（00）00413-1
[27] Goodfellow，I.:NIPS 2016教程：生成性对抗网络。arXiv:1701.00160v4[cs.LG]（2017）
[28] Goodfellow，I.、Pouget-Abadie，J.、Mirza，M.、Xu，B.、Warde-Farley，D.、Ozair，S.、Courville，A.、Bengio，Y.：生成性对抗网。摘自：《神经信息处理系统进展》27，第2672-2680页。Curran Associates，Inc.（2014年）。http://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf
[29] Goodfellow，I.，Bengio，Y.，Courville，A.：深度学习。麻省理工学院出版社。http://www.deeplearningbook.org/(2016) ·Zbl 1373.68009号
[30] Gulrajani，I.，Ahmed，F.，Arjovsky，M.，Dumoulin，V.，Courville，A.：改进wasserstein GAN的训练。arXiv:1704.00028v3[cs.LG]（2017）
[31] Hinton，G.：机器学习的神经网络：第6讲-微型梯度下降概述。演讲幻灯片，2014年。http://www.cs.toronto.edu/tijmen/csc321/slides/lecture_slides_lec6.pdf
[32] Hong，Y.，Hwang，U.，Yoo，J.，Yoon，S.：生成对抗性网络及其变体的工作原理：概述。ACM计算。Surv公司。（CSUR）52（1）。doi:10.1145/3301282（2019）
[33] Hoo-Chang，S。；Roth，H。；高，M。；卢，L。；徐，Z。；诺格，我。；姚，J。；Mollura，D。；Summers，R.，《用于计算机辅助检测的深度卷积神经网络：CNN架构、数据集特征和传输学习》，IEEE Trans。医学成像，35，5，1285-1298（2018）
[34] 波兰Houtekamer；米切尔，HL，大气数据同化的序贯集合卡尔曼滤波器，孟买。《天气评论》，129，1，123-137（2001）·doi:10.1175/1520-0493（2001）129<0123:ASEKFF>2.0.CO；2
[35] 亨特，BR；德克萨斯州科斯特利奇；Szunyogh，I.，时空混沌的有效数据同化：局部集合变换卡尔曼滤波器，Physica D，230，112-126（2007）·Zbl 1115.62030号 ·doi:10.1016/j.physd.2006.11.008
[36] Jafarpour，B。；McLaughlin，DB，用集合卡尔曼滤波器和离散余弦参数化进行历史匹配，计算。地质科学。，12, 2, 227-244 (2008) ·Zbl 1159.86306号 ·doi:10.1007/s10596-008-9080-3
[37] Jetchev，N.、Bergmann，U.、Vollgraf，R.：空间生成对抗网络的纹理合成。arXiv:11611.08207v4[cs.CV]（2016）
[38] Johnson，J.、Alahi，A.、Fei-Fei，L.：实时风格传输和超分辨率的感知损失。摘自：欧洲计算机视觉会议记录。doi:10.1007/978-3-319-46475-6_43（2016）
[39] 哈尼尼扎德，MM；Jafarpour，B。；Li，L.，《地下水流模型校准的稀疏地质词典：第一部分反演公式》，Adv.Water Resour。，39, 106-121 (2012) ·doi:10.1016/j.advwatres.2011.09.002
[40] Kingma，D.P.，Ba，J.：亚当：随机优化方法。arXiv:1412.6980[cs.LG]（2014）
[41] Kingma，D.P.，Welling，M.：自动编码变分贝叶斯。arXiv:1312.6114[stat.ML]（2013）
[42] 拉塞尔达（JM Lacerda）；艾默里克，AA；Pires，AP，用非局部模型参数缓解集合数据同化中采样误差造成的方差损失的方法，J.Pet。科学。工程，172690-706（2019）·doi:10.1016/j.petrol.2018.08.056
[43] 拉洛伊，E。；Hérault，R。；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
[44] 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
[45] LeCun，Y.：概括和网络设计策略。多伦多大学技术报告。http://yann.lecun.com/exdb/publis/pdf/lecun-89.pdf (1989)
[46] 刘，N。；Oliver，DS，地质相自动历史匹配的Ensemble Kalman滤波器，J.Pet。科学。工程，47，3-4，147-161（2005）·doi:10.1016/j.petrol.2005.03.006
[47] 刘，Y。；孙，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, 725-766 (2019) ·兹比尔1421.86004 ·doi:10.1007/s11004-019-09794-9
[48] 罗伦岑，RJ；Flornes，K。；Nvdal，G.，《使用集合卡尔曼滤波器的历史河道化水库》，SPE J.，17，1，137-151（2012）·doi:10.2118/143188-PA
[49] Mariethoz，G。；Caers，J.，《带训练图像的多点地质统计学随机建模》（2014），纽约：威利，纽约
[50] Miyato，T.、Kataoka，T.，Koyama，M.、Yoshida，Y.：生成性对抗网络的频谱归一化。arXiv:1802.05957v1[cs.LG]（2018）
[51] 莫雷诺，DL；Aanonsen，SI，使用集合卡尔曼滤波器和水平集方法进行连续相更新，数学。地质科学。，43, 8, 951-970 (2011) ·doi:10.1007/s11004-011-9347-4
[52] Mosser，L.，Dubrule，O.，Blunt，M.J.：深度流：深度生成模型空间中的历史匹配。arXiv:1905.05749v1[cs.LG]（2019）·Zbl 1428.86022号
[53] 奥利弗，DS；Alfonzo，M.，《不完美模型对有偏观测值的校准》，计算。地质科学。，22, 145-161 (2018) ·Zbl 1405.86024号 ·doi:10.1007/s10596-017-9678-4
[54] 奥利弗，DS；雷诺数，AC；Liu，N.，《油藏描述和历史拟合的反演理论》（2008），剑桥：剑桥大学出版社，剑桥·doi:10.1017/CBO9780511535642
[55] 平，J。；Zhang，D.，基于向量水平集参数化的河道化储层历史拟合，SPE J.，19，3，514-529（2014）·网址：10.2118/169898-PA
[56] Rosca，M.，Lakshminarayanan，B.，Warde-Farley，D.，Mohamed，S.：自动编码生成对抗网络的变化方法。arXiv:1706.04987v2[stat.ML]（2017）
[57] Sarma，P。；杜洛夫斯基，LJ；阿齐兹，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
[58] 塞巴赫，BM；哈尼亚，R。；Heemink，A.，使用集合卡尔曼滤波器（EnKF）进行地质不确定性估计的概率参数化，计算。地质科学。，17, 5, 813-832 (2013) ·Zbl 1393.86021号 ·doi:10.1007/s10596-013-9357-z
[59] Simonyan，K.，Zisserman，A.：用于大规模图像识别的非常深卷积网络。arXiv:1409.1556v6[cs.CV]（2015）
[60] Strebelle，S.，使用多点统计对复杂地质结构进行条件模拟，数学。地质。，34, 1, 1-21 (2002) ·Zbl 1036.86013号 ·doi:10.1023/A:1014009426274
[61] Taylor，L.，Nitschke，G.：使用通用数据增强改进深度学习。arXiv:1708.06020v1[cs.LG]（2017）
[62] Vo、HX；Durlofsky，LJ，一种新的基于主成分分析的复杂地质模型低维表示的可微参数化，数学。地质科学。，46, 7, 775-813 (2014) ·Zbl 1323.86048号 ·doi:10.1007/s11004-014-9541-2
[63] Yaeger，L.S.、Lyon，R.F.、Webb，B.J.：用于单词识别的神经网络字符分类器的有效训练。收录：Mozer，M.C.，Jordan，M.I.，Petsche，T.（编辑）《神经信息处理系统进展》9，第807-816页。麻省理工学院出版社（1997）。http://papers.nips.cc/paper/1250-effective-training-of-a-neural-network-character-classifier-for-word-recognition.pdf
[64] Yeh，R.A.，Chen，C.，Lim，T.Y.，Schwing，A.G.，Hasegawa-Johnson，M.，Do，M.N.：深层生成模型的语义图像修复。arXiv:1607.07539v3[cs.CV]（2016）
[65] Zhu，J.-Y.，Park，T.，Isola，P.，Efros，A.A.：使用循环一致的对抗网络进行无准备的图像到图像转换。摘自：IEEE计算机视觉国际会议论文集。doi:10.1109/ICCV.2017.244（2017）
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。