基于数据空间反演与时空数据参数化的地质碳封存历史匹配
机器学习
2023-10-06 v1
摘要
基于监测数据的历史匹配能够降低不确定性，从而改善工业规模碳封存作业中的含水层管理。在传统的基于模型的数据同化中，通过修改地质模型参数来迫使流动模拟结果与观测一致。在数据空间反演（DSI）中，直接推断以观测为条件的事后感兴趣量（例如，事后压力和饱和度场），而无需构建事后地质模型。这在贝叶斯框架下利用一组 O(1000) 先验模拟结果、数据参数化和事后采样得以高效实现。在本研究中，我们开发并在 DSI 中实现了一种基于深度学习的参数化方法，用于表示一组时间步上的时空压力和 CO2 饱和度场。该新参数化使用对抗自编码器（AAE）进行降维，并使用卷积长短期记忆（convLSTM）网络来表示压力和饱和度场的空间分布与时间演化。该参数化与 DSI 框架中带多重数据同化的集成平滑器（ESMDA）结合使用，以实现事后预测。我们考虑了一个以从一系列地质情景中抽取的先验地质实现为特征的真实三维系统。引入局部网格加密程序来估计历史匹配公式中出现的误差协方差项。针对多个合成真实模型的各种量，给出了广泛的历史匹配结果。在所有情况下均实现了事后压力和饱和度场不确定性的大幅降低。该框架被应用于高效提供一系列误差协方差设定下的事后预测。若使用基于模型的方法，此类评估将十分昂贵。
引用
@article{arxiv.2310.03228,
title = {History Matching for Geological Carbon Storage using Data-Space Inversion with Spatio-Temporal Data Parameterization},
author = {Su Jiang and Louis J. Durlofsky},
journal= {arXiv preprint arXiv:2310.03228},
year = {2023}
}