用于孔隙与储层尺度模型的三维生成对抗网络条件化
机器学习
2018-02-16 v1 计算机视觉与模式识别
地球物理
摘要
岩石物理属性的地质统计建模是现代油气储层综合研究中的关键步骤。近来，生成对抗网络（GAN）已被证明是生成孔隙与储层尺度模型非条件模拟的成功方法。本文利用神经网络的可微性质将GAN推广到三维孔隙与储层尺度模型的条件模拟。基于Yeh等人（2016）的先前工作，我们使用内容损失来约束条件数据，以及从GAN判别器网络评估中获得的感知损失。该技术在对由二维截面约束的Ketton石灰岩三维微CT图像生成，以及由一维截面约束的Maules Creek冲积含水层模拟上进行了测试。我们的结果表明，GAN代表了用于随机储层评价工作流中采样条件化孔隙与储层样本的有力方法。
引用
@article{arxiv.1802.05622,
title = {Conditioning of three-dimensional generative adversarial networks for pore and reservoir-scale models},
author = {Lukas Mosser and Olivier Dubrule and Martin J. Blunt},
journal= {arXiv preprint arXiv:1802.05622},
year = {2018}
}
备注
5 pages, 2 figures