[논문 리뷰] A Deep-Learning-Based Geological Parameterization for History Matching Complex Models

Yimin Liu, Wenyue Sun외 1명|arXiv (Cornell University)|2018. 07. 07.

Reservoir Engineering and Simulation Methods참고 문헌 7인용 수 12

한 줄 요약

이 논문은 복잡한 오일레이저 모델에서 역사 일치를 향상시키기 위해 주성분 분석(PCA)과 컨volution 신경망(CNNs)을 결합한 딥러닝 기반 지질학적 파arameterization인 CNN-PCA를 제안한다. 사전에 훈련된 CNN을 사용해 필터 응답을 통해 다중점 통계를 추출하고, 이러한 특징을 기반으로 한 새로운 정규화 기법을 적용함으로써, 복잡한 지질학적 구조를 존중하는 실용적이고 저차원의 실현을 생성한다. 이는 O-PCA보다 흐름 통계를 더 잘 유지하고 희소한 조건화 데이터 조건에서도 효과적인 불확실성 감소를 가능하게 하여 우수한 성능을 발휘한다.

ABSTRACT

A new low-dimensional parameterization based on principal component analysis (PCA) and convolutional neural networks (CNN) is developed to represent complex geological models. The CNN-PCA method is inspired by recent developments in computer vision using deep learning. CNN-PCA can be viewed as a generalization of an existing optimization-based PCA (O-PCA) method. Both CNN-PCA and O-PCA entail post-processing a PCA model to better honor complex geological features. In CNN-PCA, rather than use a histogram-based regularization as in O-PCA, a new regularization involving a set of metrics for multipoint statistics is introduced. The metrics are based on summary statistics of the nonlinear filter responses of geological models to a pre-trained deep CNN. In addition, in the CNN-PCA formulation presented here, a convolutional neural network is trained as an explicit transform function that can post-process PCA models quickly. CNN-PCA is shown to provide both unconditional and conditional realizations that honor the geological features present in reference SGeMS geostatistical realizations for a binary channelized system. Flow statistics obtained through simulation of random CNN-PCA models closely match results for random SGeMS models for a demanding case in which O-PCA models lead to significant discrepancies. Results for history matching are also presented. In this assessment CNN-PCA is applied with derivative-free optimization, and a subspace randomized maximum likelihood method is used to provide multiple posterior models. Data assimilation and significant uncertainty reduction are achieved for existing wells, and physically reasonable predictions are also obtained for new wells. Finally, the CNN-PCA method is extended to a more complex non-stationary bimodal deltaic fan system, and is shown to provide high-quality realizations for this challenging example.

연구 동기 및 목표

• 복잡하고 비정규 분포를 띠는 지질학적 특징(예: 채널 및 편석 패턴)을 유지하는 저차원 지질학적 파arameterization을 개발하는 것.
• 기존 방법인 O-PCA와 같은 한계를 극복하여 희소한 조건화 데이터에서의 성능 저하를 방지하고 다중점 공간 통계를 잘 유지하는 것.
• CNN 기반 메트릭을 사용해 PCA 모델을 정규화함으로써 딥러닝을 지질학적 파arameterization에 통합하는 것.
• 유도 미분 기반 최적화 및 하위공간 랜덤화 최대우도 기법을 활용해 파생된 최적화 없이도 복잡한 오일레이저 모델에서 효과적인 역사 일치 및 불확실성 정량화를 가능하게 하는 것.
• 이중 채널 구조 및 비정상적인 이중 모드 델타 화산계 시스템에서의 방법 검증을 통해 강건성과 정확성을 입증하는 것.

제안 방법

• 참조 SGeMS 지질학적 실현에서 비선형 필터 응답을 추출하기 위해 사전에 훈련된 VGG-16 CNN을 사용하여 복잡한 다중점 통계를 캡처한다.
• 이 필터 응답의 요약 통계—특히 활성화 맵의 평균과 분산—을 정규화 메트릭으로 사용하여 PCA 모델의 후처리를 안내한다.
• PCA 계수에서 실제 지질학적 실현을 생성하기 위해 전용 컨볼루션 신경망(모델 변환 네트워크)을 훈련시켜 빠르고 미분 가능한 추론을 보장한다.
• O-PCA에서 히스토그램 기반 정규화를 딥러닝 기반 특징 기반 정규화로 대체함으로써 지질학적 패턴의 보존을 향상시킨다.
• 두 단계 워크플로우를 사용한다: 첫째, 사전 지질학적 모델에 대해 PCA를 적용하고, 둘째, CNN 기반 정규화를 적용하여 사전 통계와 지질학적 특징을 모두 충족하는 실현을 생성한다.
• 역사 일치는 PSO–MADS(유도 도함수 기반 최적화)와 하위공간 RML을 사용하여 수행되며, 불확실성을 감소시킨 여러 후행 모델을 생성한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 정규화는 복잡하고 비정규 분포를 띠는 시스템에서 PCA 기반 지질학적 실현의 정확도를 향상시킬 수 있는가?
• RQ2 조건화 데이터가 희소할 경우 CNN-PCA는 O-PCA보다 흐름 반응 통계를 얼마나 잘 유지하는가?
• RQ3 CNN-PCA는 복잡한 채널 경향성을 띠는 비정상적이고 이중 모드의 델타 화산계 시스템에 대해 실용적인 실현을 생성할 수 있는가?
• RQ4 CNN-PCA는 역사 일치에서 효과적인 데이터 융합 및 불확실성 감소를 가능하게 하는가, 특히 새로운 웰에 대한 예측의 경우에 특히 그렇다면?
• RQ5 CNN-PCA 프레임워크는 3D 오일레이저 모델로 확장 가능할 수 있으며, 3D 지질학적 특징을 위해 어떤 수정이 필요한가?

주요 결과

• 희소한 조건화 데이터를 가진 도전적인 이중 채널 시스템에서 CNN-PCA 실현은 기준 SGeMS 모델의 흐름 반응 통계(P10, P50, P90, CDFs)를 매우 잘 따르며, O-PCA는 상당한 차이를 보인다.
• 역사 일치 과정에서 CNN-PCA는 기존 웰에 대해 상당한 불확실성 감소를 달성했고, O-PCA보다 새로운 웰에 대한 예측이 더 물리적으로 현실적인 결과를 도출했다.
• 비정상적이고 이중 모드의 복잡한 델타 화산계 시스템에 대해 고품질의 실현을 성공적으로 생성했으며, 채널 방향과 너비의 전반적 경향성을 잘 유지했다.
• CNN 필터 응답을 통한 딥러닝 기반 정규화는 O-PCA에서 사용하는 히스토그램 기반 정규화보다 더 효과적으로 복잡한 지질학적 패턴을 포착하는 데 기여했다.
• 모델 변환 네트워크를 통해 실현 생성이 매우 빠르고, 미분 가능해져 반복적 역사 일치 워크플로우에 대해 확장 가능한 성능을 발휘했다.
• 이 방법은 3D 시스템으로도 확장 가능하며, 특히 종방향 상관관계가 약할 경우에 유리하지만, 2D 사전 훈련된 CNN을 직접 3D 지질학적 구조에 적용하기 위해서는 적응 조치가 필요하다.