基于过程式和深度生成模型的地质推断（第1部分）：在河谷沉积物上训练

地下资源的分布与其物理属性的变化密切相关。生成式建模长期用于预测这些物理属性并量化其不确定性。但当前方法难以正确再现地质结构，尤其是河谷沉积物，因为它们具有连续性。本研究探讨了深度生成对抗网络（GAN）——一种用于生成式建模的深度学习算法——是否可以训练来再现由过程式模型模拟的河谷沉积物——一种更昂贵的模型，模拟地质过程。通过消融研究显示，来自深度学习社区用于生成大型二维图像的技术进展可直接应用于河谷沉积物的三维图像。训练稳定，生成的样本能够再现沉积物的非平稳性和细节，同时没有模式坍缩或纯粹记忆训练数据。使用过程式模型生成这些训练数据使我们能够包括除通常物理属性之外的有价值属性。我们展示了如何利用沉积时间来监控和验证GAN的性能，通过检查其样本是否遵循叠加法则来实现。我们的工作加入了一系列之前的研究，表明GAN在针对特定地质结构的训练数据集方面比人们给予的信任更稳健。是否将这种稳健性转移到更大的三维图像和多模态数据集上仍需进一步研究。探索如何让深度生成模型利用像叠加法则这样的地质原理显示出巨大的潜力。