[論文レビュー] Data Conditioning for Subsurface Models with Single-Image Generative Adversarial Network (SinGAN)

Lei Liu, Eduardo Maldonado-Cruz+3 more|arXiv (Cornell University)|Apr 7, 2024

Seismic Imaging and Inversion Techniques被引用数 5

ひとこと要約

本論文は、SinGANを用いた地下モデル化におけるデータ条件付けの最小受入基準ワークフローを提案し、さまざまな条件付けチェックおよび地質概念条件付け評価を含む。

ABSTRACT

The characterization of subsurface models relies on the accuracy of subsurface models which request integrating a large number of information across different sources through model conditioning, such as data conditioning and geological concepts conditioning. Conventional geostatistical models have a trade-off between honoring geological conditioning (i.e., qualitative geological concepts) and data conditioning (i.e., quantitative static data and dynamic data). To resolve this limit, generative AI methods, such as Generative adversarial network (GAN), have been widely applied for subsurface modeling due to their ability to reproduce complex geological patterns. However, the current practices of data conditioning in GANs conduct quality assessment through ocular inspection to check model plausibility or some preliminary quantitative analysis of the distribution of property of interests. We propose the generative AI realization minimum acceptance criteria for data conditioning, demonstrated with single image GAN. Our conditioning checks include static small-scale local and large-scale exhaustive data conditioning checks, local uncertainty, and spatial nonstationarity reproduction checks. We also check conditioning to geological concepts through multiscale spatial distribution, the number of connected geobodies, the spatial continuity check, and the model facies proportion reproduction check. Our proposed workflow provides guidance on the conditioning of deep learning methods for subsurface modeling and enhanced model conditioning checking essential for applying these models to support uncertainty characterization and decision making.

研究の動機と目的

• 地下モデルにおける地質条件付けとデータ条件付けのバランスの必要性を動機づける。
• SinGAN のような生成モデルの条件付けのための最小受入基準フレームワークを開発する。
• 不確実性の特徴づけと意思決定を支援する条件付けチェックを導くワークフローを提供する。

提案手法

• 静的な小規模データ、広範な大規模データ、局所的不確実性をカバーする条件付けチェックを導入する。
• 空間的非定常性の再現とマルチスケール空間分布を評価する。
• 接続された地体の数や空間連続性チェックなどの指標を介して地質概念への条件付けを評価する。
• モデルのfaciesプロポーション再現性を評価し、地質学的妥当性を確保するチェックを定義する。

実験結果

リサーチクエスチョン

• RQ1 SinGANベースの地下モデルを効果的に条件付けるために必要な最小受入基準は何か？
• RQ2 SinGAN生成実現値における局所および全体のデータ適合性をどのように条件付けチェックで定量化できるか？
• RQ3 複数のスケールでSinGANの条件付けに地質概念を組み込み、評価するにはどうすればよいか？
• RQ4 生成AIを用いた地下モデリングにおける不確実性の特徴づけと意思決定を最もよく支えるワークフローは何か？

主な発見

• 地下SinGANモデルのデータ条件付けと品質評価を導く条件付けチェックのワークフローを提案する。
• チェックは静的ローカルデータ、網羅的な大規模データ、局所的不確実性、空間的非定常性の再現を含む。
• 地質条件付けはマルチスケールの空間分布、接続された地体、空間連続性、およびfaciesプロポーション再現性を通じて評価される。
• このフレームワークは、深層学習モデルを不確実性の特徴づけと意思決定へ適用する際の必須条件付けチェックを提供することを目的とする。