DeepFlow：在深度生成模型空间中开展历史拟合
机器学习
2019-06-13 v2 计算机视觉与模式识别
计算物理
地球物理
机器学习
摘要
利用观测到的流体压力和产率瞬态数据对储层模型进行标定，是获得对地球 subsurface 流动与运移行为具有预测性模型的关键任务。该模型标定任务通常称为“历史拟合”，可形式化为一个不适定反问题，旨在找到解释所观测动态数据的岩石物理属性底层空间分布。我们使用在基于对象的地质统计模型上预训练的生成对抗网络（GAN）来表示烃类储层合成模型中岩石属性的分布。储层流体的动态行为采用瞬态两相不可压缩 Darcy 公式建模。我们通过先用预训练生成模型对属性分布建模，再利用正问题的伴随方程对控制生成模型输出的潜变量执行梯度下降，来反演底层储层属性。除动态观测数据外，我们通过引入额外的目标函数加入井岩石类型约束。我们的贡献表明，对于一个合成测试用例，给定一组非线性正问题的瞬态观测，我们能够通过优化深度生成模型的潜变量空间来求解该反问题。
引用
@article{arxiv.1905.05749,
title = {DeepFlow: History Matching in the Space of Deep Generative Models},
author = {Lukas Mosser and Olivier Dubrule and Martin J. Blunt},
journal= {arXiv preprint arXiv:1905.05749},
year = {2019}
}
备注
25 pages, 15 figures, fixed typos