地质碳封存中的似然无关推断与分层数据同化
机器学习
2025-02-18 v2 动力系统
地球物理
摘要
数据同化对于地质碳封存作业的管理和扩展至关重要。传统的数据同化方法通常假设一组固定的地质超参数，例如对数渗透率的均值和标准差。然而，在测量数据稀缺的实际CO2封存应用中，这些超参数往往具有很大的不确定性。在本研究中，我们开发了一个分层数据同化框架，将超参数视为由先验分布描述的不确定变量。为了处理超参数估计中计算上难以处理的似然函数，我们应用了一种似然无关（或基于模拟）的推断算法，具体为基于序贯蒙特卡洛的近似贝叶斯计算（SMC-ABC），根据动态监测井数据获取超参数的后验样本。第二步，我们使用带有多次数据同化的集合平滑器（ESMDA）来提供网格块渗透率的后验实现。为降低计算成本，我们采用了一个基于深度学习的3D循环R-U-Net代理模型进行正演模拟。我们应用了拒绝采样（RS）数据同化程序以提供参考后验结果。对于两个合成真实模型，SMC-ABC-ESMDA得到的详细后验结果与“收敛”的RS结果在所有考虑的量上均高度一致。重要的是，在这两种情况下，SMC-ABC-ESMDA程序相对于RS实现了1-2个数量级的加速。我们还引入了一个修改后的独立ESMDA程序用于比较。在相同的函数评估次数下，分层方法在后验超参数分布和监测井压力预测方面均显示出更优的结果。
引用
@article{arxiv.2410.15302,
title = {Likelihood-Free Inference and Hierarchical Data Assimilation for Geological Carbon Storage},
author = {Wenchao Teng and Louis J. Durlofsky},
journal= {arXiv preprint arXiv:2410.15302},
year = {2025}
}