利用卷积神经网络在CO2封存监测中实现带不确定性量化的精度提升预测
地球物理
2022-12-12 v1 机器学习
摘要
实时监测储层内部变化对CO2注入与长期封存的成功至关重要。机器学习（ML）因其计算高效而非常适用于实时CO2监测。然而，现有多数ML应用对给定输入仅给出一个预测（即期望值），若测试数据分布相对训练数据发生偏移，则可能无法恰当反映测试数据的分布。同步分位数回归（SQR）方法可通过pinball损失估计神经网络目标变量的整个条件分布。在此，我们将该技术引入用于CO2监测的地震反演中。随后，由中位数周围特定预测区间逐像素计算不确定性图。我们还提出一种通过采样不确定性来进一步增强预测精度的新型数据增广方法。所开发的方法在合成的Kimberlina数据上进行了测试，该数据由能源部基于加州一项CO2捕集与封存（CCS）项目创建。结果证明，所提网络可快速且以足够分辨率估计地下速度。此外，计算所得的不确定性量化了预测精度。即便测试数据因野外数据采集问题而失真，该方法仍保持稳健。另一测试证明了所开发的数据增广方法在提高估计速度场空间分辨率与降低预测误差方面的有效性。
引用
@article{arxiv.2212.04567,
title = {Enhanced prediction accuracy with uncertainty quantification in monitoring CO2 sequestration using convolutional neural networks},
author = {Yanhua Liu and Xitong Zhang and Ilya Tsvankin and Youzuo Lin},
journal= {arXiv preprint arXiv:2212.04567},
year = {2022}
}
备注
42 pages (double-space), 14 figures, 1 table