利用多保真训练数据与迁移学习高效构建地下流动替代模型
机器学习
2022-12-28 v1 地球物理
摘要
数据同化存在计算挑战，因为必须模拟许多高保真模型。为降低这些应用相关的模拟成本，已开发多种基于深度学习的替代建模技术。然而，为构建数据驱动替代模型，可能需要数千次高保真模拟运行来提供训练样本，这些计算会使训练成本高得令人却步。为解决此问题，本文提出一个框架，其中大部分训练模拟在粗化地质模型上执行，这些模型采用基于流动的上尺度方法构建。该框架利用嵌入现有循环残差 U-Net 架构中的迁移学习流程，网络训练分三步完成。第一步执行大部分训练，仅使用低保真模拟结果。第二步与第三步训练输出层并对整体网络微调，仅需相对较少的高保真模拟次数。此处我们使用 2500 次低保真运行与 200 次高保真运行，使训练模拟成本降低约 90%。该方法应用于三维河道系统中由井驱动的两相地下流动。结果表明，用多保真数据训练的替代模型在预测新地质模型中动态压力与饱和度场时，精度几乎与仅用高保真数据训练的参考替代模型相当。重要的是，该网络提供的结果显著优于用于大部分训练的低保真模拟。该多保真替代模型还用于基于集成方法的历史匹配，其相对参考结果的准确性再次得到验证。
引用
@article{arxiv.2204.11138,
title = {Use of Multifidelity Training Data and Transfer Learning for Efficient Construction of Subsurface Flow Surrogate Models},
author = {Su Jiang and Louis J. Durlofsky},
journal= {arXiv preprint arXiv:2204.11138},
year = {2022}
}