基于 InSAR 地表位移数据同化、由深度学习加速的 3D 碳储层压力预测
机器学习
2022-01-28 v2 机器学习
地球物理
摘要
在地质碳封存（GCS）中，通过同化监测数据快速预测储层压力分布是一个具有挑战性的问题。由于钻井成本高，GCS 项目通常仅有来自井的空间稀疏测量，导致储层压力预测存在高度不确定性。为应对这一挑战，我们提出使用低成本的干涉合成孔径雷达（InSAR）数据作为监测数据来推断储层压力积聚。我们开发了一种深度学习加速的工作流，以同化由 InSAR 解译的地表位移图并预测动态储层压力。采用集成平滑多重数据同化（ES-MDA）框架，该工作流更新三维（3D）地质属性并预测具有量化不确定性的储层压力。我们使用一个具有双峰分布渗透率和孔隙度的合成商业规模 GCS 模型来展示该工作流的有效性。采用两步 CNN-PCA 方法来参数化双峰场。该工作流的计算效率由分别用于地表位移和储层压力预测的两个基于残差 U-Net 的替代模型提升。该工作流可在个人计算机上于半小时内完成数据同化和储层压力预测。
引用
@article{arxiv.2201.08543,
title = {Deep Learning-Accelerated 3D Carbon Storage Reservoir Pressure Forecasting Based on Data Assimilation Using Surface Displacement from InSAR},
author = {Hewei Tang and Pengcheng Fu and Honggeun Jo and Su Jiang and Christopher S. Sherman and François Hamon and Nicholas A. Azzolina and Joseph P. Morris},
journal= {arXiv preprint arXiv:2201.08543},
year = {2022}
}