[논문 리뷰] Data-Space Inversion Using a Recurrent Autoencoder for Time-Series Parameterization

Su Jiang, Louis J. Durlofsky|arXiv (Cornell University)|2020. 04. 30.

Reservoir Engineering and Simulation Methods참고 문헌 36인용 수 4

한 줄 요약

이 논문은 하위지하 유량 모델링에서 데이터 공간 역설정(DSI)을 위한 순환 오토인코더(RAE)-기반 데이터 파arameterization 방법을 제안한다. LSTM 네트워크를 사용하여 시계열 유량 데이터의 시간적 상관관계를 포착한다. RAE-DSI 접근법은 2D 및 3D 저류체 모델에서 거절 샘플링 기준과 비교할 때, 주로 공분산 및 衍생된 양에 대해 기존의 PCA 기반 및 잘라내기 기반 DSI 방법보다 후행 예측 정확도를 크게 향상시킨다.

ABSTRACT

Data-space inversion (DSI) and related procedures represent a family of methods applicable for data assimilation in subsurface flow settings. These methods differ from model-based techniques in that they provide only posterior predictions for quantities (time series) of interest, not posterior models with calibrated parameters. DSI methods require a large number of flow simulations to first be performed on prior geological realizations. Given observed data, posterior predictions can then be generated directly. DSI operates in a Bayesian setting and provides posterior samples of the data vector. In this work we develop and evaluate a new approach for data parameterization in DSI. Parameterization reduces the number of variables to determine in the inversion, and it maintains the physical character of the data variables. The new parameterization uses a recurrent autoencoder (RAE) for dimension reduction, and a long-short-term memory (LSTM) network to represent flow-rate time series. The RAE-based parameterization is combined with an ensemble smoother with multiple data assimilation (ESMDA) for posterior generation. Results are presented for two- and three-phase flow in a 2D channelized system and a 3D multi-Gaussian model. The RAE procedure, along with existing DSI treatments, are assessed through comparison to reference rejection sampling (RS) results. The new DSI methodology is shown to consistently outperform existing approaches, in terms of statistical agreement with RS results. The method is also shown to accurately capture derived quantities, which are computed from variables considered directly in DSI. This requires correlation and covariance between variables to be properly captured, and accuracy in these relationships is demonstrated. The RAE-based parameterization developed here is clearly useful in DSI, and it may also find application in other subsurface flow problems.

연구 동기 및 목표

• 기존의 선형 파arameterization을 비선형 딥러닝 접근법으로 대체하여 데이터 공간 역설정(DSI) 성능을 향상시키기.
• PCA 기반 방법의 한계, 특히 히스토그램 변환(HT)과 조합될 때 비물리적인 거동를 보이는 문제, 복잡한 상관관계를 포착하지 못하는 문제를 해결하기.
• 하위지하 유량 문제에서 시계열 유량률 및 衍생된 양(예: BHP, WPR, OPR)의 정확한 후행 예측을 가능하게 하기.
• 2D 채널형 및 3D 다중가우시안 저류체 모델에서 기준 거절 샘플링(RS) 결과와 비교하여 RAE 기반 DSI 프레임워크의 성능을 평가하기.
• 저자료 조건 하에서의 강인성과 데이터 벡터의 공분산 구조 유지 능력을 평가하기.

제안 방법

• 순환 오토인코더(RAE)를 사용하여 흐름 시뮬레이션에서 유도된 시계열 데이터 벡터에 비선형 차원 축소를 수행하며, 기존의 선형 PCA를 대체한다.
• RAE 아키텍처는 시계열 데이터를 원복하기 위해 스택된 LSTM 레이어를 갖는 디코더와 함께, 저차원 잠재 표현을 학습하기 위한 인코더에 LSTM 레이어를 포함한다.
• RAE 기반 잠재 변수는 DSI에서 파arameterized 데이터 공간으로 사용되어 효율적인 후행 샘플링을 가능하게 한다.
• 다중 관측 데이터를 통합하는 엔semble 스무딩 기반 다중 관측 데이터 조정(ESMDA)을 적용하여 관측 데이터 조건 하에서 데이터 벡터의 후행 샘플을 생성한다.
• 이 방법은 이-phase 및 삼-phase 흐름을 포함한 2D 채널형 시스템과 다수의 웰이 있는 3D 다중가우시안 모델에서 테스트되었다.
• 기준 거절 샘플링(RS)과 비교하여 통계적 지표인 P10-P90 간격, 마할라노비스 거리, 공분산 정확도 등을 사용하여 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 순환 오토인코더(RAE)는 기존의 PCA 기반 방법보다 데이터 공간 역설정(DSI)에서 시계열 데이터의 더 정확하고 물리적으로 일관된 파arameterization을 제공할 수 있는가?
• RQ2 제한된 관측 데이터 하에서 RAE 기반 DSI 방법은 시계열 데이터 변수 간의 후행 상관관계와 공분산을 얼마나 잘 포착하는가?
• RQ3 RAE-DSI 프레임워크는 기존의 DSI 변종(예: PCA+HT 및 단독 ESMDA와 잘라내기)보다 주요 및 衍생된 저류체 변수를 예측하는 데서 슈퍼어리어하는가?
• RQ4 RAE-DSI 방법은 다양한 지질학적 모델에서 유량 시계열의 시간적 동역학과 웰 간 관계를 얼마나 잘 유지하는가?
• RQ5 현재 RAE-DSI 접근법이 고차원 데이터, 노이즈가 많은 시계열 또는 급격한 변화(예: 웰 운영)를 처리하는 데서 보이는 한계는 무엇인가?

주요 결과

• RAE-DSI 방법은 2D 및 3D 모델 모두에서 주요 및 衍생된 시계열 변수에 대한 P10, P50, P90 후행 간격 예측에서 PCA+HT+ESMDA 및 ESMDA와 잘라내기 방법보다 일관되게 뛰어난 성능을 보였다.
• RAE 기반 파arameterization은 BHP, WPR, OPR와 같은 데이터 변수 간의 공분산 구조를 정확히 포착하였으며, 이는 PCA+HT 및 잘라내기 방법에서 잘 나타나지 않았다.
• 2D 채널형 케이스에서 추가로 '진짜' 모델 2개를 포함한 경우, RAE-DSI 방법은 모든 세 가지 테스트 케이스에서 기준 거절 샘플링(RS) 결과와 가장 낮은 마할라노비스 거리를 확보하였다.
• 이 방법은 자료가 적은 상황에서도 강인성을 보였으며, 이는 정확한 공분산 모델링이 후행 예측의 신뢰성에 매우 중요하기 때문이다.
• RAE 기반 접근법은 PCA+HT 방법에서 흔히 발생하는 비물리적인 거동을 완화시켰으며, 비정규 분포 및 복잡한 흐름 영역에서 특히 유의미했다.
• 이 프레임워크는 기존 DSI 워크플로우와 호환되며, 추가적인 유량 시뮬레이션 없이 ESMDA를 사용하여 효율적인 후행 샘플링을 가능하게 한다.