基于深度VAE-GAN提高储层属性参数化质量的数据同化方法
机器学习
2026-05-26 v2
摘要
当前，称为迭代集合平滑器的方法，特别是称为多次数据同化的集合平滑器(ESMDA)，可被视为油气储层模拟中历史匹配的前沿方法。然而，这种方法有两个重要局限：用于表示分布的有限 ensemble 大小，以及参数和数据不确定性中的高斯假设。这一假设在许多储层属性具有非高斯分布时尤为重要。参数化涉及将非高斯参数映射到高斯场进行更新，然后将其映射回原始域以进行前向 ensemble 通过储层模拟器。进行参数化的有前景的方法是通过深度学习模型。最近的研究表明，对数据同化来说，对抗生成网络(GAN)的表现不佳，但生成更多符合地质条件的储层实现；而变分自编码器(VAE)在数据同化方面优于GAN，但生成的模型较少地质真实。本工作创新性地将两者的优势结合起来实现一种称为变分自编码器生成对抗网络(VAE-GAN)的深度学习模型，集成到ESMDA中。该方法在两个案例研究中进行了应用，一个案例具有类别值，另一个具有连续渗透率值。我们的发现表明，通过应用VAE-GAN模型，我们可以同时获得高质量的储层描述(就像GAN一样)和良好的历史匹配(就像VAE一样)。
引用
@article{arxiv.2603.18766,
title = {Enhancing the Parameterization of Reservoir Properties for Data Assimilation Using Deep VAE-GAN},
author = {M. A. Sampaio and P. H. Ranazzi and M. J. Blunt},
journal= {arXiv preprint arXiv:2603.18766},
year = {2026}
}