基于深度学习的复杂模型历史拟合地质参数化方法
机器学习
2018-07-11 v1 计算机视觉与模式识别
机器学习
地球物理
摘要
本文提出了一种基于主成分分析（PCA）和卷积神经网络（CNN）的低维参数化新方法，用于表示复杂的地质模型。CNN-PCA方法受到近期计算机视觉中深度学习发展的启发。CNN-PCA可视为现有基于优化的PCA（O-PCA）方法的推广。CNN-PCA与O-PCA均需要对PCA模型进行后处理，以更好地体现复杂地质特征。在CNN-PCA中，不同于O-PCA使用基于直方图的正则化，我们引入了一组涉及多点统计度量的新正则化方法。这些度量基于地质模型对预训练深度CNN的非线性滤波响应的汇总统计。此外，在本文给出的CNN-PCA公式中，卷积神经网络被训练为一个显式的变换函数，可快速后处理PCA模型。研究表明，CNN-PCA能够给出无条件与有条件实现，可体现参考SGeMS地质统计实现中存在的二元河道化系统的地质特征。通过对随机CNN-PCA模型进行模拟得到的流动统计，在O-PCA模型导致显著偏差的严苛情形下，与随机SGeMS模型结果高度吻合。本文还给出了历史拟合结果。在该评估中，CNN-PCA与无导数优化结合使用，并采用子空间随机最大似然方法提供多个后验模型。对现有井实现了数据同化与显著的不确定性降低，并对新井给出了物理上合理的预测。最后，CNN-PCA方法被推广至更复杂的非平稳双峰三角洲扇系统，并证明能为这一挑战性实例提供高质量实现。
引用
@article{arxiv.1807.02716,
title = {A Deep-Learning-Based Geological Parameterization for History Matching Complex Models},
author = {Yimin Liu and Wenyue Sun and Louis J. Durlofsky},
journal= {arXiv preprint arXiv:1807.02716},
year = {2018}
}