[논문 리뷰] Data Conditioning for Subsurface Models with Single-Image Generative Adversarial Network (SinGAN)

Lei Liu, Eduardo Maldonado-Cruz외 3명|arXiv (Cornell University)|2024. 04. 07.

Seismic Imaging and Inversion Techniques인용 수 5

한 줄 요약

이 논문은 SinGAN 기반 지하 모델링에서 데이터 컨디셔닝을 위한 최소 수용 기준 워크플로를 제안하며, 다양한 컨디셔닝 점검 및 지질학적 개념 컨디셔닝 평가를 포함합니다.

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.

연구 동기 및 목표

• 지하 모델에서 지질학적 컨디셔닝과 데이터 컨디셔닝의 균형 필요성 동기 부여.
• SinGAN 같은 생성 모델의 컨디셔닝에 대한 최소 수용 기준 프레임워크 개발.
• 불확실성 특성화 및 의사 결정 지원을 위한 컨디셔닝 점검 워크플로 제공.

제안 방법

• 정적 소규모 데이터, 대규모 포괄적 데이터, 지역 불확실성을 포괄하는 컨디셔닝 점검 도입.
• 공간 비정상성 재현 및 다스케일 공간 분포 평가.
• 연결된 지형체 수 및 공간 연속성 점검과 같은 지질학적 개념을 통한 컨디셔닝 평가.
• 지질학적 타당성을 보장하기 위해 모델 페이시스 비율 재현 점검 정의.

실험 결과

연구 질문

• RQ1 SinGAN 기반 지하 모델을 효과적으로 컨디셔닝하기 위해 필요한 최소 수용 기준은 무엇인가?
• RQ2 컨디셔닝 점검은 SinGAN 생성 실현에서 지역 및 전역 데이터 적합도를 어떻게 정량화할 수 있는가?
• RQ3 다중 스케일에서 지질학적 개념을 SinGAN 컨디셔닝에 어떻게 반영하고 평가할 수 있는가?
• RQ4 생성 AI를 사용한 지하 모델링에서 불확실성 특성화 및 의사 결정 지원에 어떤 워크플로우가 가장 잘 작동하는가?

주요 결과

• 지하 SinGAN 모델의 데이터 컨디셔닝 및 품질 평가를 안내하기 위한 컨디셔닝 점검 워크플로가 제안된다.
• 점검은 정적 지역 데이터, 포괄적 대규모 데이터, 지역 불확실성 및 공간 비정상성 재현을 포함한다.
• 지질학적 컨디셔닝은 다스케일 공간 분포, 연결된 지오바디, 공간 연속성 및 페이시스 비율 재현을 통해 평가된다.
• 이 프레임워크는 딥러닝 모델을 불확실성 특성화 및 의사 결정에 적용하기 위한 필수 컨디셔닝 점검을 제공하는 것을 목표로 한다.