基于集成方法与深度生成模型的地下属性表征
机器学习
2023-10-11 v2 统计计算
机器学习
摘要
从稀疏可用测量中估计如水力传导系数（K）等空间分布属性是地下表征中的一大挑战。然而，由于计算成本及在稀疏数据集下预测精度差，逆建模在病态、高维应用中的使用受限。本文中，我们将带梯度惩罚的 Wasserstein 生成对抗网络（WGAN-GP，一种能准确捕捉复杂地下结构的深度生成模型）与多重数据同化的集成平滑器（ES-MDA，一种基于集成的反演方法）结合，以实现准确且加速的地下表征。WGAN-GP 被训练为从低维潜空间生成高维 K 场，随后 ES-MDA 通过同化可用测量来更新潜变量。我们使用若干地下实例评估所提方法的精度与效率，未知 K 场的主要特征被准确刻画且具备可靠的不确定性量化。此外，将估计性能与广泛使用的变分（即基于优化的）反演方法比较，所提方法优于变分反演方法，尤其在河道化与裂隙场实例中。我们通过可视化潜空间中的目标函数解释此优越性能：由于通过生成建模的非线性激进降维，目标函数面变得极其复杂，而集成近似能在最小化过程中平滑多峰曲面。这表明，除非在变分反演中实现确保收敛的修正，否则当与深度生成模型结合时，基于集成的方法优于变分方法，代价是前向模型运行次数。
引用
@article{arxiv.2310.00839,
title = {Subsurface Characterization using Ensemble-based Approaches with Deep Generative Models},
author = {Jichao Bao and Hongkyu Yoon and Jonghyun Lee},
journal= {arXiv preprint arXiv:2310.00839},
year = {2023}
}