[논문 리뷰] Parametrization and generation of geological models with generative adversarial networks

Shing Chan, Ahmed H. Elsheikh|arXiv (Cornell University)|2017. 08. 05.

Generative Adversarial Networks and Image Synthesis참고 문헌 16인용 수 62

한 줄 요약

본 연구는 Wasserstein GAN을 활용해 지질 모델을 매개화하고, 다점 통계와 흐름 거동을 보존하는 샘플을 생성하며, 복잡한 채널형 패턴에서 종종 PCA를 능가한다.

ABSTRACT

One of the main challenges in the parametrization of geological models is the ability to capture complex geological structures often observed in the subsurface. In recent years, generative adversarial networks (GAN) were proposed as an efficient method for the generation and parametrization of complex data, showing state-of-the-art performances in challenging computer vision tasks such as reproducing natural images (handwritten digits, human faces, etc.). In this work, we study the application of Wasserstein GAN for the parametrization of geological models. The effectiveness of the method is assessed for uncertainty propagation tasks using several test cases involving different permeability patterns and subsurface flow problems. Results show that GANs are able to generate samples that preserve the multipoint statistical features of the geological models both visually and quantitatively. The generated samples reproduce both the geological structures and the flow statistics of the reference geology.

연구 동기 및 목표

• 복잡한 지하 지질 모델의 매개화를 다루는 문제를 해결한다.
• 매개 표현과 불확실성 전이에 대한 GAN의 효과를 평가한다.
• 고차 통계량 재현에서 GAN 기반 매개화와 PCA를 비교한다.
• 두 가지 지하지 흐름 문제에 대한 GAN의 적용 가능성을 시연하고 흐름 통계를 평가한다.

제안 방법

• 데이터와 생성 샘플 간의 Wasserstein 거리를 최소화하기 위하여 critic를 갖춘 Wasserstein GAN을 사용한다.
• 두 패턴(세미-스트레이트와 메이더링)을 위해 250×250의 개념 이미지에서 잘라낸 투과성 실현치를 50×50 실현치로 학습시키도록 GAN을 훈련한다.
• 입력 노이즈 벡터 크기를 20과 40으로 실험하고, 표준 정규 사전분포와 tanh 출력 활성화를 사용한다.
• GAN 학습에 맞도록 이진 투과도 데이터를 전처리하고, 분산의 75%를 보존하는 PCA(세미-스트레이트 37개 구성요소, 메이더링 104개 구성요소)와 비교한다.
• 두 가지 흐름 문제에서 불확실성 전파를 통해 생성된 실현치를 평가하고 흐름 통계를 기준 데이터와 비교한다.

실험 결과

연구 질문

• RQ1 GAN이 참조 모델의 다점 통계를 보존하는 지질 실현치를 생성할 수 있는가?
• RQ2 복잡한 채널화 패턴을 포착하는 데 있어 GAN 기반 매개화가 PCA와 어떻게 비교되는가?
• RQ3 GAN으로 생성된 실현치가 참조 지질의 흐름 통계를 재현하는가?
• RQ4 지하실 흐름 문제에서 불확실성 전파를 위한 GAN 기반 샘플이 효과적인가?

주요 결과

• GAN 실현치는 PCA보다 채널화 구조를 시각적으로 더 잘 포착하며, 특히 메이더링 패턴에서 그렇다.
• GAN은 중심 투과도 값의 이진 유사 분포를 데이터와 유사하게 재현하는 반면, PCA는 거의 정규 분포를 보인다.
• 불확실성 전파에서 GAN은 평균과 분산이 실제 맵에 가깝고 왜도·첨도 같은 고차 모멘트도 PCA보다 더 우수하다.
• GAN 샘플로 추정한 물의 돌파 시간 밀도는 참조 밀도와 일치하고 PCA보다 우수하다.
• GAN은 20 개의 잠재 차원으로도 강한 성능을 발휘하며, 유사 분산 캡처를 위한 37개 또는 104개 구성요소를 사용하는 PCA를 능가한다.