[논문 리뷰] Variational and Monte Carlo Methods for Bayesian Inversion of Dynamic Subsurface Flow Simulations Using Seismic and Fluid Pressure Data

Zhen Zhang, Xuebin Zhao외 1명|arXiv (Cornell University)|2026. 02. 03.

Reservoir Engineering and Simulation Methods인용 수 0

한 줄 요약

본 논문은 동적 지하수 흐름 모델의 시추 데이터를 이용한 유체 압력 데이터에서 지하 저장층 침투율의 후방 분포를 추정하기 위해 변분 추론과 몬테카를로 방법을 벤치마크하고, ADVI, SVGD, sSVGD, PSVI 및 Metropolis-Hastings MCMC를 비교한다.

ABSTRACT

In order to predict future performance of subsurface fluid reservoirs under possible operating scenarios, a dynamic, porous-medium flow simulation model must be tuned to include representative properties of the reservoir. Estimating subsurface reservoir properties given remotely sensed or borehole-based observations typically involves finding the solution to a challenging inverse problem. We compare Monte Carlo random sampling to variational inference methods which use optimisation to constrain parametrised uncertainties in nonlinear Bayesian inversions. We use them to estimate the posterior probability distribution of reservoir permeability given fluid pressure and seismic measurements. The methods include automatic differentiation variational inference (ADVI), Stein variational gradient descent (SVGD), and a Monte Carlo method called stochastic SVGD (sSVGD), all of which we benchmark against results from Metropolis-Hastings McMC. We also test an ADVI variant called physically structured variational inference (PSVI): in our implementation this method estimates only spatially-local correlations between model parameters based on the intuition that such correlations are strong in remote sensing problems in which data only inform about spatial-averages of local dynamics. We apply the methods to two- and three-dimensional inverse problems of carbon dioxide storage, inspired by the Endurance field, located in the UK North Sea. Results show that PSVI achieves a good balance between mean-field ADVI and full-rank ADVI in terms of accuracy of the posterior approximation and computational efficiency. SVGD and sSVGD offer more accurate approximations of the target posterior distribution, but at far higher computational cost. Between them, sSVGD outperforms SVGD, exhibiting better computational efficiency and mitigating the problems of mode collapse and spurious correlations.

연구 동기 및 목표

• 동적 지하수 흐름에 대한 정확한 베이지안 역산의 동기 부여 및 예측을 통해 여러 시나리오에서 저장층 성능을 예측한다.
• 시추 및 유체 압력 관측치를 사용해 후방 침투율 분포를 추정한다.
• 비선형 베이지안 역산에서 변분 추론 방법과 몬테카를로 샘플링을 비교한다.
• 원격 탐지 문제에서 공간 매개변수 상관관계가 후방 근사에 어떤 영향을 미치는지 조사한다.

제안 방법

• 자동 미분 변분 추론(ADVI) 및 Stein 변분 경사 하강법(SVGD)을 적용해 후방을 추정한다.
• 물리적으로 구조화된 변분 추론(PSVI) 변형을 도입하여 매개변수 간의 공간적으로 국지적인 상관관계만 추정한다.
• 후방 근사화를 위해 스토캐스틱 SVGD(sSVGD)라는 몬테카를로 방법을 사용한다.
• Endurance 현장에서 영감을 얻은 2D 및 3D CO2 저장 문제에 대해 모든 방법을 Metropolis-Hastings MCMC와 벤치마크한다.

실험 결과

연구 질문

• RQ1 ADVI, SVGD, sSVGD 및 PSVI가 동적 지하수 흐름 모델의 베이지안 역산에서 정확도와 계산 효율성 측면에서 어떻게 비교되는가?
• RQ2 PSVI가 이 맥락에서 평균장(mean-field)과 완전 차원(full-rank) 변분 접근 사이의 좋은 균형을 제공할 수 있는가?
• RQ3 어떤 방법이 후방에서 모드 붕괴와 잘못된 상관관계를 가장 효과적으로 완화하는가?
• RQ4 시추 및 유체 압력 데이터 제약 하에서 후방 추정에 대한 변분 방법과 MCMC의 상대적 성능은 어떠한가?

주요 결과

• PSVI는 정확도와 효율성 측면에서 평균장과 완전 차원 변분 접근 사이의 좋은 균형을 달성한다.
• SVGD 및 sSVGD는 더 정확한 후방 근사를 제공하지만 계산 비용이 더 높다.
• SVGD 변형들 중에서, sSVGD는 컴퓨테이셔널 효율성과 모드 붕괴 및 잘못된 상관관계 완화 측면에서 SVGD보다 우수하다.
• 두 차원 및 세 차원 CO2 저장 문제에 대해 모든 방법이 Metropolis-Hastings MCMC와 벤치마크된다.
• 결과는 다양한 트레이드오프를 시사한다: PSVI는 효율성과 합리적인 정확성; SVGD/sSVGD는 더 높은 충실도 하지만 비용 증가.