[논문 리뷰] Latent diffusion models for parameterization and data assimilation of facies-based geomodels

Guido Di Federico, Louis J. Durlofsky|ArXiv.org|2024. 06. 21.

Geological Modeling and Analysis인용 수 4

한 줄 요약

이 논문은 2차원 세 편재(채널-레베-진흙) 지형모델에서 지질학적 매개변수화 및 데이터 융합을 위한 잠재 확산 모델(LDM)을 제안한다. 차원 축소를 위한 변분 오토에인코더(VAE)와 노이즈 제거를 위한 U-Net을 조합함으로써 LDM은 지질학적으로 현실적인 실현을 생성하고, 군집 기반 방법을 통해 효율적인 역사 매칭을 가능하게 하여 불확실성을 크게 감소시키면서도 주요 지질학적 특징을 유지한다.

ABSTRACT

Geological parameterization entails the representation of a geomodel using a small set of latent variables and a mapping from these variables to grid-block properties such as porosity and permeability. Parameterization is useful for data assimilation (history matching), as it maintains geological realism while reducing the number of variables to be determined. Diffusion models are a new class of generative deep-learning procedures that have been shown to outperform previous methods, such as generative adversarial networks, for image generation tasks. Diffusion models are trained to "denoise", which enables them to generate new geological realizations from input fields characterized by random noise. Latent diffusion models, which are the specific variant considered in this study, provide dimension reduction through use of a low-dimensional latent variable. The model developed in this work includes a variational autoencoder for dimension reduction and a U-net for the denoising process. Our application involves conditional 2D three-facies (channel-levee-mud) systems. The latent diffusion model is shown to provide realizations that are visually consistent with samples from geomodeling software. Quantitative metrics involving spatial and flow-response statistics are evaluated, and general agreement between the diffusion-generated models and reference realizations is observed. Stability tests are performed to assess the smoothness of the parameterization method. The latent diffusion model is then used for ensemble-based data assimilation. Two synthetic "true" models are considered. Significant uncertainty reduction, posterior P$_{10}$-P$_{90}$ forecasts that generally bracket observed data, and consistent posterior geomodels, are achieved in both cases. PLEASE CITE AS: 10.1016/j.cageo.2024.105755 https://www.sciencedirect.com/science/article/pii/S0098300424002383 NOT WITH THE ARXIV VERSION

연구 동기 및 목표

• 딥 생성 모델을 활용하여 데이터 효율적이고 지질학적으로 현실적인, 편재 기반 지형모델의 매개변수화 방법을 개발한다.
• 대규모 지하 유동 모델에서의 역사 매칭 계산 부담을 줄이기 위해 매개변수 차원을 축소함으로써 문제를 해결한다.
• PCA, VAE, GAN 등 기존의 매개변수화 기법들을 초월하여, 확산 모델의 안정성과 높은 샘플 품질을 활용한다.
• 확산 모델의 잠재 공간을 이용한 강력한 데이터 융합을 가능하게 하여, 사후 실현이 관측된 생산 데이터와 일치하도록 보장한다.
• 고정된 값과 불확실한 편재 특성 값을 모두 처리할 수 있는 통합 프레임워크에서 방법의 효과성을 입증한다.

제안 방법

• 고차원 지형모델을 저차원 잠재 공간으로 매핑하기 위해 변분 오토에인코더(VAE)를 사용하여 효율적인 표현을 가능하게 한다.
• 잠재 공간에서 무작위 노이즈로부터 새로운 실현을 생성하기 위해 U-Net 아키텍처를 학습시킨다.
• 하드 데이터 제약 조건을 VAE 학습 중에 하드 데이터 손실 항목을 통해 통합함으로써 조건부 생성을 달성한다.
• 지질학적 현실성과 데이터 일관성을 확보하기 위해 Petrel을 사용해 생성한 4,000개의 조건부 실현을 기반으로 모델을 학습시킨다.
• 동적 생산 데이터를 이용해 모델을 업데이트하기 위해 잠재 공간에서 군집 기반 데이터 융합(ESMDA)을 적용한다.
• 빠르고 결정적인 추론을 위해 샘플링에 DDIM(Denoising Diffusion Implicit Models)를 사용하여 계산 효율성을 향상시킨다.

실험 결과

연구 질문

• RQ1 잠재 확산 모델은 공간적 통계 및 유동 통계에서 기준 실현과 일치하는 지질학적으로 현실적인 2차원 세 편재 지형모델을 생성할 수 있는가?
• RQ2 제한된 조건 데이터 하에서 데이터 융합 과정에서도 LDM 매개변수화가 지질학적 특징을 얼마나 잘 유지하는가?
• RQ3 잠재 변수에 경미한 변형을 가했을 때 잠재 공간에서 안정적이고 부드러운 전이가 발생하는가? 이는 모델의 강건성을 나타낸다.
• RQ4 역사 매칭 과정에서 LDM이 투과도 및 다공도 예측의 불확실성을 어느 정도 감소시킬 수 있는가?
• RQ5 이 방법은 고정된 값과 불확실한 편재 특성 값을 모두 하나의 프레임워크에서 처리할 수 있는가?

주요 결과

• LDM가 생성한 실현은 Petrel에서 생성한 기준 모델과 시각적·통계적으로 강한 일치를 보이며, 특히 편재 분포와 공간 연속성에서 뚜렷한 유사성을 보였다.
• 공간적 통계 및 유동 반응 통계를 포함한 정량적 지표 분석 결과, LDM가 생성한 실현과 기준 실현 간에 일반적인 일치가 확인되었다.
• 안정성 테스트 결과, 경미한 잠재 변수의 변형이 출력 모델에 점진적이고 지질학적으로 타당한 변화를 유도함으로써 매개변수화의 안정성이 확인되었다.
• 모든 사례에서 잠재 공간에서의 ESMDA 기반 데이터 융합이 불확실성을 감소시켰으며, 사후 P10–P90 예측 범위가 관측된 생산 데이터를 둘러싸는 것으로 나타났다.
• 대부분의 편재에서 사후 분포가 진짜 값 쪽으로 이동했으며, 특히 진흙의 로그 투과도는 관측된 웰 데이터 부족으로 인해 민감도가 낮았다.
• 진흙 투과도의 사후 분포 모드는 27 md였고, 진짜 값인 40 md와 유사하여 데이터 민감도가 낮음에도 불구하고 합리적인 사후 집중도를 보였다.