[논문 리뷰] Recent Developments Combining Ensemble Smoother and Deep Generative Networks for Facies History Matching

Smith W. Arauco Canchumuni, José David Bermúdez Castro외 3명|arXiv (Cornell University)|2020. 05. 08.

Reservoir Engineering and Simulation Methods참고 문헌 48인용 수 9

한 줄 요약

이 논문은 변분 오토인코더(VAE), 생성적 적대적 네트워크(GAN), 주성분 분석(PCA) 및 사이클-GAN을 결합한 딥 러닝 기반 파arameterization 프레임워크를 제안하여 앙상블 스무스러이 다중 데이터 융합(ES-MDA)을 사용한 페이시스 역사 일치를 향상시킨다. 일곱 가지 아키텍처를 벤치마킹하고, 거리 기반 지역화를 가능하게 하는 두 가지 지역화 전략을 도입하여, 대규모 오일레이저 모델에서 앙상블 안정성과 지질학적 타당성을 크게 향상시킨다.

ABSTRACT

Ensemble smoothers are among the most successful and efficient techniques currently available for history matching. However, because these methods rely on Gaussian assumptions, their performance is severely degraded when the prior geology is described in terms of complex facies distributions. Inspired by the impressive results obtained by deep generative networks in areas such as image and video generation, we started an investigation focused on the use of autoencoders networks to construct a continuous parameterization for facies models. In our previous publication, we combined a convolutional variational autoencoder (VAE) with the ensemble smoother with multiple data assimilation (ES-MDA) for history matching production data in models generated with multiple-point geostatistics. Despite the good results reported in our previous publication, a major limitation of the designed parameterization is the fact that it does not allow applying distance-based localization during the ensemble smoother update, which limits its application in large-scale problems. The present work is a continuation of this research project focusing in two aspects: firstly, we benchmark seven different formulations, including VAE, generative adversarial network (GAN), Wasserstein GAN, variational auto-encoding GAN, principal component analysis (PCA) with cycle GAN, PCA with transfer style network and VAE with style loss. These formulations are tested in a synthetic history matching problem with channelized facies. Secondly, we propose two strategies to allow the use of distance-based localization with the deep learning parameterizations.

연구 동기 및 목표

• 가우시안 가정에 기반한 앙상블 스무스러이의 복잡한 페이시스 분포 처리 능력에 대한 한계를 해결하기 위해.
• 데이터 융합 성능 향상을 위해 페이시스 모델의 파arameterization 도구로 다수의 딥 제너레이티브 네트워크를 평가하기 위해.
• 대규모 오일레이저 모델에서의 확장 가능한 응용을 가능하게 하기 위해 딥 러닝 기반 파arameterization에 대한 지역화 전략을 개발하고 검증하기 위해.
• 딥 제너레이티브 모델을 사용할 경우 ES-MDA에서 발생하는 앙상블 붕괴 문제를 해결하기 위해 공간적으로 지역화된 업데이트를 도입하기 위해.

제안 방법

• 페이시스 재파라미터라이제이션을 위한 일곱 가지 딥 제너레이티브 아키텍처(VAE, GAN, 워셔스타인 GAN, VAE-GAN, 사이클-GAN, 스타일 전이 네트워크, 스타일 손실가중 VAE)를 벤치마킹한다.
• 각 제너레이티브 모델을 ES-MDA와 통합하여 합성 2D 채널형 오일레이저에서 정적(하드 데이터) 및 동적(생산) 데이터의 역사 일치를 수행한다.
• 암시적 공간 분석 기반의 일반 목적의 지역화 전략을 제안하여 딥 제너레이티브 파라미터라이제이션에서의 앙상블 붕괴를 완화한다.
• 공간 관계를 유지하기 위해 사이클-GAN을 사용한 PCA 기반 암시 공간을 도입하여 효과적인 거리 기반 지역화를 가능하게 한다.
• 3600개의 격자 블록을 가진 2D 오일레이저 모델을 사용하여 다양한 아키텍처와 지역화 전략에 대한 성능을 테스트한다.
• ES-MDA 업데이트 후 페이시스 실현을 재구성하기 위해 VAE 기반 디코더를 사용하여 일관성 확보 및 재구성 시 노이즈 감소를 달성한다.

실험 결과

연구 질문

• RQ1 VAE, GAN, WGAN 등 다양한 딥 제너레이티브 네트워크는 역사 일치를 위한 현실적인 페이시스 실현을 생성하는 데 얼마나 효과적인가?
• RQ2 암시 공간의 변형이 페이시스 모델링에서 제너레이티브 모델의 안정성과 민감도에 어떤 영향을 미치는가?
• RQ3 거리 기반 지역화 전략은 앙상블 스무스러이 프레임워크 내의 딥 러닝 기반 파라미터라이제이션에 효과적으로 적용될 수 있는가?
• RQ4 다양한 지역화 전략은 페이시스 역사 일치에서 앙상블 분산과 지질학적 타당성에 어떤 영향을 미치는가?
• RQ5 평가된 아키텍처 간에 학습 시간, 재구성 품질, 데이터 융합 성능 사이의 계산적 트레이드오프는 어떠한가?

주요 결과

• 일곱 가지 딥 제너레이티브 모델 모두 합성 테스트 케이스에서 잘 정의된 채널을 가진 현실적인 페이시스 실현을 성공적으로 생성하였다.
• GAN 생성기의 경우 잠재 벡터의 변형에 대해 민감도가 낮아 학습 중 모드 붕괴가 발생할 가능성이 있음을 시사하였다.
• 학습 시간은 단일 GPU에서 각 모델당 23분에서 4.5시간으로 크게 차이가 났으며, 이는 계산 비용이 주요 병목임을 시사하였다.
• 지역화 없이 VAE를 사용한 ES-MDA는 심각한 앙상블 분산 붕괴를 보였으며, 지역화의 필요성을 입증하였다.
• 지역 분석 전략과 VAE를 조합하여 ES-MDA 후 처리 시 노이즈를 감소시켜 앙상블 안정성을 복원하였다.
• 제안된 두 가지 지역화 전략 모두 앙상블 붕괴를 효과적으로 방지하였으며, 생산 데이터에 조건화된 지질학적으로 타당한 페이시스 분포를 생성하였다.