面向相建模条件化的鲁棒参数化:基于深度变分自编码器与集合平滑器

关于历史拟合的文献浩如烟海,尽管过去十年提出了大量方法并取得了显著进展,将储层模型条件化到动态数据仍是一项艰巨任务。基于集合的方法是当前历史拟合中最成功且高效的技朮之一。这些方法通常能获得合理的数据匹配,尤其在使用迭代公式时。然而,它们有时无法保持模型的地质真实性,在具有复杂相分布的储层中尤为明显。这主要源于这些方法固有的高斯假设。此事实促使了针对相历史拟合参数化开发的密集研究活动。尽管出版物众多,鲁棒相参数化的发展仍是一个开放问题。深度学习技术在诸多领域取得了令人瞩目的成果,其在地球科学数据同化中的首批应用也已见于文献。本文报道了我们利用深度神经网络构建相的连续参数化以用于集合方法数据同化的研究现状。具体而言,我们使用卷积变分自编码器与多重数据同化集合平滑器。我们在三个具有河道相的合成了历史拟合问题中测试了该参数化。我们聚焦此类相,因为它们是数据同化后最难保持的相之一。该参数化展现出 promising 的结果,优于先前方法并生成了轮廓清晰的河道相。