用于层次模型历史匹配的混合迭代集合平滑器
统计计算
2022-06-03 v1
摘要
先验模型的选择对同化数据的能力有很大影响。在基于集合的数据同化的标准应用中，初始集合中的所有实现都由相同的协方差矩阵生成，隐含地假设该协方差适用于该问题。在层次方法中，协方差函数的参数（例如方差、各向异性的方向以及两个主方向上的范围）都可能不确定。因此，层次方法对模型设定错误具有更强的鲁棒性。本文讨论了从层次参数化的后验中采样的三种方法：基于优化的采样方法（RML）、迭代集合平滑器（IES）以及前两种方法的新型混合方法（混合 IES）。这三种近似采样方法被应用于一个线性高斯反问题，可将其结果与精确的“先边缘后条件”方法进行比较。此外，IES 和混合 IES 方法在一个具有先验协方差不确定各向异性的二维流动问题上进行了测试。标准 IES 方法在流动示例中表现不佳，因为基于集合的方法对局部灵敏度矩阵的表示较差。然而，混合方法即使集合规模相对较小也能很好地采样。
引用
@article{arxiv.2206.01116,
title = {Hybrid iterative ensemble smoother for history matching of hierarchical models},
author = {Dean S. Oliver},
journal= {arXiv preprint arXiv:2206.01116},
year = {2022}
}