[論文レビュー] Generating Geological Facies Models with Fidelity to Diversity and Statistics of Training Images using Improved Generative Adversarial Networks

Lingchen Zhu, Tuanfeng Zhang|arXiv (Cornell University)|Sep 23, 2019

Drilling and Well Engineering被引用数 4

ひとこと要約

本稿では、InfoGAN、ウォッサーシュタイン距離、勾配ペナルティを組み合わせた改善型生成対抗ネットワーク、Info-WGANを提案する。この手法により、偏りのない、多様で等確率の実現が得られる地質学的に現実的な堆積相モデルの生成が可能になる。潜在変数を分離させることで堆積相の種別（例：河川相、デルタ相）を表現可能となるため、学習データの統計的再現性が保証され、リザーバー・モデリングにおける客観的な不確実性評価が可能となる。

ABSTRACT

This paper presents a methodology and workflow that overcome the limitations of the conventional Generative Adversarial Networks (GANs) for geological facies modeling. It attempts to improve the training stability and guarantee the diversity of the generated geology through interpretable latent vectors. The resulting samples are ensured to have the equal probability (or an unbiased distribution) as from the training dataset. This is critical when applying GANs to generate unbiased and representative geological models that can be further used to facilitate objective uncertainty evaluation and optimal decision-making in oil field exploration and development. We proposed and implemented a new variant of GANs called Info-WGAN for the geological facies modeling that combines Information Maximizing Generative Adversarial Network (InfoGAN) with Wasserstein distance and Gradient Penalty (GP) for learning interpretable latent codes as well as generating stable and unbiased distribution from the training data. Different from the original GAN design, InfoGAN can use the training images with full, partial, or no labels to perform disentanglement of the complex sedimentary types exhibited in the training dataset to achieve the variety and diversity of the generated samples. This is accomplished by adding additional categorical variables that provide disentangled semantic representations besides the mere randomized latent vector used in the original GANs. By such means, a regularization term is used to maximize the mutual information between such latent categorical codes and the generated geological facies in the loss function. Furthermore, the resulting unbiased sampling by Info-WGAN makes the data conditioning much easier than the conventional GANs in geological modeling because of the variety and diversity as well as the equal probability of the unconditional sampling by the generator.

研究の動機と目的

• 従来の GAN におけるモード崩壊と偏ったサンプリングを克服すること。
• 生成された地質的実現が統計的に代表的であり、等確率であることを保証することで、リザーバー・モデリングにおける客観的な不確実性評価を可能にすること。
• 分離された潜在変数を用いて、地質的特徴（例：河川相対デルタ相）を解釈可能に制御できること。
• 生成された多様で偏りのない実現により、データ適合の速度を向上させ、リザーバー・シミュレーションにおける収束速度を向上させること。
• e-type 図と学習データおよび生成サンプル間のヒストグラム比較を通じて、モデルの忠実度を検証すること。

提案手法

• InfoGAN をウォッサーシュタイン GAN（WGAN-GP）と統合し、解釈可能な生成を可能にするために、分離されたカテゴリカルな潜在変数（c）とランダムノイズ（z）を同時に学習する。
• 各カテゴリカルな潜在変数（c）が河川相やデルタ相といった意味のある地質的特徴に対応することを保証するため、損失関数に相互情報の最大化を組み込む。
• トレーニングの安定化とモード崩壊の防止のため、ウォッサーシュタイン距離と勾配ペナルティ（GP）を適用する。
• 識別器と分類器の両方の出力ヘッドを備えた共有ベースネットワークを採用し、本物／偽物分類とラベル予測を別々に処理する。
• データ適合の際の収束速度を向上させるために、慣性付きの確率的勾配降下法と勾配ベクトル正規化を組み合わせた新規手法を採用する。
• e-type 図とピクセル単位のヒストグラムを、学習データと生成サンプルの間で比較することで、モデル品質を検証する。

実験結果

リサーチクエスチョン

• RQ1 Info-WGAN は、学習画像の統計的多様性と分布を保持した地質学的堆積相モデルを生成できるか？
• RQ2 分離されたカテゴリカルな潜在変数（c）の導入により、生成モデルにおける堆積相タイプ（例：河川相対デルタ相）に対する解釈可能な制御が可能になるか？
• RQ3 学習データに混合または不均衡な堆積相タイプが含まれる場合でも、Info-WGAN はモード崩壊を回避できるか？
• RQ4 生成された実現が等確率であるか、リザーバー・モデリングにおける客観的な不確実性評価が可能になるか？
• RQ5 従来の GAN と比較して、Info-WGAN は井戸データ適合における収束速度と精度をどのように向上させるか？

主な発見

• Info-WGAN は、学習データセットと同等の多様性と統計的忠実度を持つ地質学的堆積相モデルを成功裏に生成し、モード崩壊を回避した。
• 分離された潜在変数（c）により、河川相やデルタ相といった地質的特徴に対する解釈可能な制御が可能であり、[0,1] を河川相、[1,0] をデルタ相に割り当てるなど、明確な対応が可能となった。
• 生成されたサンプルは等確率の分布を示し、e-type 図を用いた客観的な不確実性評価が可能となった。
• 生成サンプルから算出された e-type 図は、学習データのそれと密接に一致しており、統計的一致性が確認された。
• 多様で偏りのない実現の特性により、特に井戸が密集した領域においても、データ適合の収束が速くなった。
• e-type 図のヒストグラム比較により、Info-WGAN が真のデータ分布を忠実に再現していることが確認され、モデルの信頼性が検証された。