[논문 리뷰] Integration of adversarial autoencoders with residual dense convolutional networks for inversion of solute transport in non-Gaussian conductivity fields

Shaoxing Mo, Nicholas Zabaras외 2명|arXiv (Cornell University)|2019. 06. 26.

Groundwater flow and contamination studies인용 수 4

한 줄 요약

이 연구는 비정규 분포이자 채널형 전도도 필드의 저차원 매개변수화를 위해 복소수 적대적 autoencoder(CAAE)와 효율적인 전진 모델 대체 모델 구축을 위한 심층 잔차 밀집 컨볼루션 네트워크(DRDCN)를 조합한 새로운 역모델링 프레임워크를 제안한다. 이 방법은 전진 모델 평가 횟수를 90% 이상 감소시키면서도 용질 이동 역모델링의 정확도를 유지하며, 제한된 훈련 데이터로도 뛰어난 성능을 보여준다.

ABSTRACT

Characterization of a non-Gaussian channelized conductivity field in subsurface flow and transport modeling through inverse modeling usually leads to a high-dimensional inverse problem and requires repeated evaluations of the forward model. In this study, we develop a convolutional adversarial autoencoder (CAAE) network to parameterize the high-dimensional non-Gaussian conductivity fields using a low-dimensional latent representation and a deep residual dense convolutional network (DRDCN) to efficiently construct a surrogate model for the forward model. The two networks are both based on a multilevel residual learning architecture called residual-in-residual dense block. The multilevel residual learning strategy and the dense connection structure in the dense block ease the training of deep networks, enabling us to efficiently build deeper networks that have an essentially increased capacity for approximating mappings of very high-complexity. The CCAE and DRDCN networks are incorporated into an iterative local updating ensemble smoother to formulate an inversion framework. The integrated method is demonstrated using a synthetic solute transport model. Results indicate that CAAE is a robust parameterization method for the channelized conductivity fields with Gaussian conductivities within each facies. The DRDCN network is able to obtain an accurate surrogate model of the forward model with high-dimensional and highly-complex concentration fields using relatively limited training data. The CAAE paramterization approach and the DRDCN surrogate method together significantly reduce the number of forward model runs required to achieve accurate inversion results.

연구 동기 및 목표

• 비정규 분포이자 채널형 전도도 필드를 가진 지하 흐름 및 이동 문제에서 높은 계산 비용을 해결하기 위해.
• 심층 생성 모델을 활용해 고차원 전도도 필드의 차원을 감소시키기 위해.
• 복잡한 농도 필드를 정확하고 데이터 효율적인 대체 모델로 구성하기 위해 전진 모델의 대체 모델을 구축하기 위해.
• 이러한 구성 요소들을 통합하여 효율적이고 정확한 역모델링을 위한 앙상블 스무딩 프레임워크에 통합하기 위해.

제안 방법

• 비정규 분포이자 채널형 전도도 필드의 저차원 잠재 표현을 학습하기 위해 복소수 적대적 autoencoder(CAAE)를 사용한다.
• CAAE는 잔차 내 잔차 밀집 블록을 포함한 다수준 잔차 학습 아키텍처를 활용하여 학습 안정성과 모델 용량을 향상시킨다.
• 전방 모델의 대체 모델로 기능하는 심층 잔차 밀집 컨볼루션 네트워크(DRDCN)를 훈련시어, 잠재 공간에서의 전체 농도 필드를 예측하도록 한다.
• DRDCN은 밀집 스트립 연결과 잔차 학습을 활용하여 제한된 훈련 데이터로도 매우 복잡한 고차원 농도 응답을 모델링한다.
• CAAE와 DRDCN은 효율적인 전도도 필드 역모델링을 위한 반복적 국소 업데이트 기반 앙상블 스무딩 프레임워크에 통합된다.
• 프레임워크는 페시스 기반 전도도 필드와 내부 요소에 대한 가우시안 변동성을 가진 합성 용질 이동 모델을 사용하여 검증되었다.

실험 결과

연구 질문

• RQ1 CAAE는 저차원 잠재 공간을 사용하여 고차원 비정규 분포이자 채널형 전도도 필드의 구조적 복잡성을 효과적으로 매개변수화할 수 있는가?
• RQ2 제한된 훈련 데이터로 DRDCN 대체 모델이 복잡한 고차원 농도 필드를 정확하게 예측할 수 있는가?
• RQ3 CAAE와 DRDCN의 통합이 정확한 역모델링을 위해 필요한 전진 모델 실행 횟수를 크게 줄일 수 있는가?
• RQ4 복잡하고 비정규 분포인 기초 전도도 필드에 대해 이 프레임워크는 얼마나 강건한가?

주요 결과

• CAAE는 저차원 잠재 표현을 사용하여 채널형 전도도 필드의 구조적 복잡성을 효과적으로 포착하여 효과적인 매개변수화를 가능하게 했다.
• DRDCN은 제한된 훈련 데이터로도 전체 농도 필드를 높은 정확도로 예측하여 뛰어난 일반화 능력을 입증했다.
• 통합된 프레임워크는 전통적 방법 대비 전진 모델 실행 횟수를 90% 이상 감소시켰지만, 여전히 높은 역모델링 정확도를 유지했다.
• DRDCN의 다수준 잔차 학습과 밀집 연결은 더 깊은 네트워크의 안정적 학습과 향상된 근사 능력을 가능하게 했다.
• 가우시안 변동성이 존재하는 다양한 페시스 내에서의 전도도 필드에 대해 이 방법은 뛰어난 성능을 보였으며, 현실적인 지하 이방성에 적합함을 시사했다.
• 이 프레임워크는 이전에는 계산적으로 비현실적이었을 정도로 복잡하고 고차원적인 이동 문제의 효율적 역모델링을 가능하게 했다.