3D CNN-PCA：一种基于深度学习的复杂地质模型参数化方法

地质参数化能够以相对较少的一组变量来表示地质模型，因此在数据同化与不确定性量化中非常有用。本研究针对复杂三维地质模型，开发了一种基于深度学习的地质参数化算法 CNN-PCA。CNN-PCA 将卷积神经网络用作地质模型低维主成分分析表示的后处理器。此处给出的三维处理方式与二维 CNN-PCA 流程中所用的略有不同。具体而言，我们引入了一种新的基于监督学习的重建损失，并将其与风格损失和硬数据损失结合使用。风格损失使用了从为视频分类预训练的三维 CNN 中提取的特征。该三维 CNN-PCA 算法被用于生成定义在 $60\times60\times40$ 网格上的条件三维实现，涉及三种地质情景（二元与双峰河道化系统，以及三相河道-天然堤-泥质系统）。结果表明，CNN-PCA 实现所展现的地质特征在视觉上与使用基于对象的方法生成的参考模型一致。三维 CNN-PCA 模型测试集的流动响应统计（$\text{P}_{10}$、$\text{P}_{50}$、$\text{P}_{90}$ 分位数结果）与参考地质模型的结果表现出一致的一致性。最后，CNN-PCA 在双峰河道化系统中通过 ESMDA 成功应用于历史拟合。