加速深度学习替代模型的训练，用于地表位移与流动预测，并应用于基于MCMC的CO₂封存运营历史拟合
机器学习
2024-08-21 v1
摘要
深度学习替代模型在地下流动应用中展现出巨大前景，但训练代价可能很高。本文提出一种新的替代建模框架，用于预测CO₂饱和度、压力和地表位移，以服务于碳封存运营的历史拟合。与其使用大量昂贵的耦合流-地质力学模拟运行进行训练，本方法涉及大量廉价的仅流模拟与少量耦合运行的结合。仅流模拟采用有效岩石压缩率，该方法被证明能对本系统的饱和度和压力给出准确预测。对于饱和度和压力的替代模型，采用循环残差U-Net架构；而对于地表位移预测，引入了一种新的残差U-Net模型。地表位移替代模型将地质模型量以及饱和度和压力替代模型的预测作为输入。对多样化测试集的中位相对误差在所有变量上均低于4%。替代模型被整合到分层马尔可夫链蒙特卡洛历史拟合工作流中。通过一种涉及全模型误差协方差矩阵的新方法处理替代模型误差。考虑了高度的先验不确定性，地质模型由不确定的地质场景参数（元参数）及其关联实现来表征。利用仅原位监测井数据、仅地表位移数据以及两种数据类型，对合成真实模型生成历史拟合结果。量化了使用两种数据类型所实现的增强不确定性降低。后验饱和度和地表位移场被证明与真实解吻合良好。
引用
@article{arxiv.2408.10717,
title = {Accelerated training of deep learning surrogate models for surface displacement and flow, with application to MCMC-based history matching of CO2 storage operations},
author = {Yifu Han and Francois P. Hamon and Louis J. Durlofsky},
journal= {arXiv preprint arXiv:2408.10717},
year = {2024}
}