[論文レビュー] Conditioning of three-dimensional generative adversarial networks for pore and reservoir-scale models

Lukas Mosser, Olivier Dubrule+1 more|arXiv (Cornell University)|Feb 15, 2018

Reservoir Engineering and Simulation Methods参考文献 18被引用数 14

ひとこと要約

本論文は、2次元断面や1次元井戸ログなどの低次元データを条件として、3次元の孔および貯留層スケールモデルを生成するための条件付き生成対抗ネットワーク（cGAN）フレームワークを提案する。コンテンツ損失と判別器から導出される知覚損失を組み合わせることで、条件データと一致させつつ地質的ばらつきを保持する高精細で現実的なシミュレーションを可能にする。

ABSTRACT

Geostatistical modeling of petrophysical properties is a key step in modern integrated oil and gas reservoir studies. Recently, generative adversarial networks (GAN) have been shown to be a successful method for generating unconditional simulations of pore- and reservoir-scale models. This contribution leverages the differentiable nature of neural networks to extend GANs to the conditional simulation of three-dimensional pore- and reservoir-scale models. Based on the previous work of Yeh et al. (2016), we use a content loss to constrain to the conditioning data and a perceptual loss obtained from the evaluation of the GAN discriminator network. The technique is tested on the generation of three-dimensional micro-CT images of a Ketton limestone constrained by two-dimensional cross-sections, and on the simulation of the Maules Creek alluvial aquifer constrained by one-dimensional sections. Our results show that GANs represent a powerful method for sampling conditioned pore and reservoir samples for stochastic reservoir evaluation workflows.

研究の動機と目的

• 不連続なGANを、スパースで低次元のデータ（例：2次元断面や1次元井戦ログ）を用いた3次元の孔および貯留層スケールモデルの条件付きシミュレーションに拡張すること。
• 限られた井戦データや2次元断面しか入手できない状況において、現実的で地質的に妥当な3次元実現を生成する課題に対処すること。
• 判別器を介した知覚的類似性を組み込むことで、単なるデータ一致を超えた、サンプルの質と現実性を向上させること。
• 確率的貯留層評価ワークフローに適した、効率的で微分可能な潜在ベクトルの最適化を可能にすること。

提案手法

• 生成器と判別器の両ネットワークの訓練を安定化させるために、勾配ペナルティ付きワサーラインGANを用いる。
• 潜在ベクトル z を最適化することで生成器を条件づけ、コンテンツ損失と知覚損失の合計損失を用いる。
• 生成されたサンプルと条件データとの間で、条件データの空間的位置に制限されたマスク付き平均二乗誤差（コンテンツ損失）を適用する。
• 判別器の出力に基づく知覚損失を組み込み、生成されたサンプルが学習データ内の統計的パターンと一致するよう促進する。
• コンテンツ損失と知覚損失の重み付き和を用いる：L_total = L_content + λL_perceptual で、λはバランスを最適化するための調整パrameter。
• 収束基準（例：コンテンツ損失 < 1e-3 またはバイナリ指標の完全な正答率）を満たすまで、確率的勾配降下法により潜在ベクトルを最適化する。

実験結果

リサーチクエスチョン

• RQ1 限られた2次元または1次元データから、GANを効果的に条件づけて現実的で信頼性のある3次元孔および貯留層スケールモデルを生成できるか？
• RQ2 コンテンツ損失と知覚損失を併用することで、コンテンツ損失のみの場合と比較して、条件付きGANで生成されたモデルの現実性と正確性がどのように向上するか？
• RQ3 条件データが、条件平面や井戦から離れた領域の3次元構造に、どの程度の影響を及ぼすか？
• RQ4 本手法は、確率的貯留層評価に適した、大量の条件付き実現を効率的に生成できるか？

主な発見

• 本手法は、2次元直交断面を条件として、ケットン石灰岩のマイクロCTデータの3次元実現を生成し、第3次元においても現実的な孔構造を保持した。
• モールズクリーク含水層では、1枚のGPUで8時間で1024個の条件付き3次元シミュレーションが生成され、高いばらつきを示し、条件データの位置で正確に一致していた。
• モールズクリークの結果には、条件井戦の周囲に楕円形の影響領域が観察された。これは、条件データからの空間相関効果が顕在化していることを示している。
• 条件付きアンサンブルの平均には、生成器アーキテクチャにおける転置畳み込み層に起因する境界アーチファクトが見られた。これは、ドメイン端縁部における再構成にアーキテクチャ上の制限があることを示唆している。
• 知覚損失は、サンプルの現実性を顕著に向上させた。コンテンツ損失のみでは視覚的に説得力のない結果が得られたため、判別器ベースのパターン一致の重要性が裏付けられた。
• 連続画像ではコンテンツ損失 < 1e-3、バイナリ指標モデルでは100％の正答率で収束が達成され、条件データとの有効な一致が確認された。