[논문 리뷰] Conditioning of three-dimensional generative adversarial networks for pore and reservoir-scale models

Lukas Mosser, Olivier Dubrule외 1명|arXiv (Cornell University)|2018. 02. 15.

Reservoir Engineering and Simulation Methods참고 문헌 18인용 수 14

한 줄 요약

이 논문은 2D 단면 또는 1D 웰 로그와 같은 저차원 데이터를 조건으로 하여 3D 투과성 및 저류체 스케일 모델을 생성하는 조건부 생성 적대적 네트워크(cGAN) 프레임워크를 제안한다. 콘텐츠 손실과 생성기의 판별기에서 유도된 인지 손실을 결합함으로써, 조건화 데이터와 일치하면서도 지질학적 변동성을 유지하는 고해상도이고 현실적인 시뮬레이션을 가능하게 한다.

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.

연구 동기 및 목표

• 희소한 저차원 데이터(예: 2D 단면 또는 1D 웰 로그)를 활용해 무조건적 GAN을 조건부 3D 투과성 및 저류체 스케일 모델 시뮬레이션으로 확장하기.
• 제한된 웰 데이터나 2D 단면만 존재할 경우에 현실적이고 지질학적으로 타당한 3D 실현 가능성을 생성하는 과제 해결.
• 판별기 기반의 인지 유사성 통합을 통해 단순한 데이터 일치를 초월해 표본 품질과 현실성을 향상시키기.
• 스토케스틱 저류체 평가 워크플로우에 적합한 효율적이고 미분 가능한 잠재 벡터 최적화를 위한 조건부 생성 지원.

제안 방법

• 생성기 및 판별기 네트워크의 훈련을 안정화하기 위해 기울기 보정이 있는 워샤프스키 GAN을 사용한다.
• 잠재 벡터 z를 최적화하여 생성기를 조건화하며, 콘텐츠 손실과 인지 손실을 조합한 총 손실을 적용한다.
• 조건화 데이터의 공간 위치에 국한하여 생성된 샘플과 조건화 데이터 간의 마스크된 평균 제곱오차(콘텐츠 손실)를 적용한다.
• 판별기의 출력 기반 인지 손실을 도입하여, 생성된 샘플이 훈련 데이터의 통계적 패턴을 재현하도록 유도한다.
• 콘텐츠 손실과 인지 손실의 가중 합을 사용: L_total = L_content + λL_perceptual, λ는 균형을 맞추기 위해 튜닝된다.
• 수렴 기준(예: 콘텐츠 손실 < 1e-3 또는 이진 지표에서 완전한 정확도)을 충족할 때까지 잠재 벡터를 확률적 경사 하강법으로 최적화한다.

실험 결과

연구 질문

• RQ1 희소한 2D 또는 1D 데이터로부터 조건부 GAN이 현실적인 3D 투과성 및 저류체 스케일 모델을 효과적으로 생성할 수 있는가?
• RQ2 콘텐츠 손실과 인지 손실을 결합하면 콘텐츠 손실만 사용할 경우에 비해 조건부 GAN으로 생성된 모델의 현실성과 정확도가 어떻게 향상되는가?
• RQ3 조건화 데이터가 생성된 3D 모델의 구조에 얼마나 영향을 미치는가, 특히 조건화 평면이나 웰에서 떨어진 영역에서는 어떠한가?
• RQ4 이 방법은 스트로케스틱 저류체 평가에 적합한 대규모 조건화 실현 가능성을 효율적으로 생성할 수 있는가?

주요 결과

• 2D 수직 단면을 조건으로 하여 케튼 석회암의 3D 마이크로-CT 데이터를 성공적으로 생성하였으며, 제3차원에서 현실적인 투과성 구조가 유지되었다.
• 마울즈 크리크 지하수층의 경우, 단일 GPU에서 8시간 내로 1024개의 조건화된 3D 시뮬레이션을 생성하였으며, 높은 변동성과 조건화 위치에서 정확한 웰 데이터 일치를 보였다.
• 마울즈 크리크 결과에서 조건화 웰 주변에 타원형의 영향 영역이 관찰되어, 조건화 데이터의 공간 상관관계 효과가 확인되었다.
• 조건화된 앙상블의 평균은 생성기 아키텍처의 전치 컨볼루션 레이어로 인해 경계 아티팩트를 보였으며, 이는 도메인 경계 근처에서 재구성의 아키텍처적 한계를 시사한다.
• 인지 손실은 표본의 현실성을 크게 향상시켰으며, 콘텐츠 손실만 사용할 경우 시각적으로 설득력이 떨어지는 결과가 나왔고, 이는 판별기 기반 패턴 일치의 중요성을 확인한다.
• 연속 이미지의 경우 콘텐츠 손실 < 1e-3, 이진 지표 모델의 경우 100% 정확도로 수렴이 달성되어 조건화 데이터와의 효과적인 일치가 입증되었다.