[論文レビュー] Bayesian Inversion Of Generative Models For Geologic Storage Of Carbon Dioxide

Gavin H. Graham, Yan Chen|arXiv (Cornell University)|Jan 8, 2020

Reservoir Engineering and Simulation Methods参考文献 12被引用数 4

ひとこと要約

本論文は、生成対抗ネットワーク（GAN）と推論ネットワークを用いたベイジアン逆問題フレームワークを提案し、間隔の空いたボーリングデータおよび歴史的流体流れデータを条件として地質モデルを条件づけることで、CO₂貯留容量の予測における不確実性を顕著に低減する。事前に訓練されたGANとニューラルネットワークベースの事後分布サンプリング、およびアンサンブルベースのデータ同化（ESMDA）を組み合わせることで、わずか2,000回の流体流れシミュレーションで、地質学的に整合性がありデータ制約のある地下実現を生成する。

ABSTRACT

Carbon capture and storage (CCS) can aid decarbonization of the atmosphere to limit further global temperature increases. A framework utilizing unsupervised learning is used to generate a range of subsurface geologic volumes to investigate potential sites for long-term storage of carbon dioxide. Generative adversarial networks are used to create geologic volumes, with a further neural network used to sample the posterior distribution of a trained Generator conditional to sparsely sampled physical measurements. These generative models are further conditioned to historic dynamic fluid flow data through Bayesian inversion to improve the resolution of the forecast of the storage capacity of injected carbon dioxide.

研究の動機と目的

• 間隔の空いた静的および動的データを統合することで、炭素 dioxide（CO₂）貯留のための地下地質モデルにおける不確実性を低減すること。
• 従来の統計的およびマルコフ連鎖モンテカルロ（MCMC）手法の限界を克服すること。これらの手法は計算コストが高く、ガウス分布を仮定している。
• 深層生成モデルを活用して次元削減および非ガウス型の地質的パターン表現を可能にすること。
• 観測データに条件づけられた地質的性質の効率的で微分可能な事後分布サンプリングを可能にするスケーラブルなフレームワークを構築すること。
• データ制約付きのモデル生成を通じて、CO₂注入および貯留容量の予測の正確性と信頼性を向上させること。

提案手法

• 河川の河道、レベー、クラバス・スプレイなどの堆積的特徴を表す合成的地質画像を用いて、ワッサーシュタインGAN（WGAN）を訓練し、地下地質の背後にある分布を学習する。
• 観測されたボーリングデータ（例：河道の有無／無し）を、GANの潜在空間内の潜在ベクトルにマッピングする推論ネットワークを訓練し、地質学的に整合性のあるモデルの条件付き生成を可能にする。
• 生成器の潜在空間を、従来の高次元地質パrameterizationに代わるベイジアン逆問題のモデルパrameterizationとして使用する。
• アンサンブルスムージング・マルチプルデータ同化（ESMDA）を用いて、歴史的流体流れデータ（例：圧力および相の流量）を用いて潜在ベクトルを更新し、シミュレーションと観測データの不一致を最小化する。
• シミュレーションと観測データのマハラノビス距離に基づく損失関数を用い、潜在ベクトルのアンサンブルを繰り返し更新する。
• 最終的なキャリブレーション済みモデルは、訓練済みの生成器を通じて更新された潜在ベクトルをデコードすることで生成され、流体流れシミュレーション用のデータ整合性のある地質的実現の集合が得られる。

実験結果

リサーチクエスチョン

• RQ1 GANベースの生成モデルは、河川の河道やクラバス・スプレイなどの複雑な非ガウス型地質的パターンを、地下の地層に効果的に表現できるか？
• RQ2 事前に訓練されたGANの潜在空間を活用することで、間隔の空いたボーリングデータに条件づけられた、効率的かつ正確な地下地質的性質のベイジアン推論を実現できるか？
• RQ3 アンサンブルベースのデータ同化（ESMDA）は、動的流体流れ観測データを用いたGAN生成モデルのキャリブレーションをどの程度改善できるか？
• RQ4 従来の統計的またはMCMCベースの手法と比較して、提案フレームワークはCO₂貯留容量の予測における不確実性を低減できるか？
• RQ5 計算コストを低減しつつ、静的および動的データに高い忠実度で一致させながら、地質学的現実性を保持できるか？

主な発見

• 推論ネットワークを備えた条件付きGANは、視覚的検証によって確認されたように、既知のボーリングデータを尊重する地質学的に整合性のある地下モデルを効果的に生成した。
• 100個のアンサンブルメンバーを用い、20回のESMDA反復処理後、シミュレーションと歴史的流体流れデータの間で強い一致が達成され、シミュレートされた相の流量および圧力が観測データとよく一致し、誤差範囲内に収まった。
• 2,000回の流体流れシミュレーションを経て生成された100個のキャリブレーション済みモデルのアンサンブルは、実現間で一貫した構造的特徴を示しており、効果的なデータ同化と不確実性の低減を示している。
• 強力なデータ一致にもかかわらず、最終的なアンサンブルはボーリングデータおよび動的データの両方の制約により、真の不確実性を低く見積もっている可能性があるため、モデル多様性のさらなる探求が可能である。
• 生成器の潜在空間が推論ネットワークの出力と相関関係を持つようになったことから、潜在空間におけるデータ依存パターンの学習に成功したことが示された。
• 従来のMCMC手法と比較して、計算コストが顕著に低減された。わずか2,000回の流れシミュレーションで、高品質なキャリブレーションが達成された。