[论文解读] Conditioning of three-dimensional generative adversarial networks for pore and reservoir-scale models

Lukas Mosser, Olivier Dubrule+1 more|arXiv (Cornell University)|Feb 15, 2018

Reservoir Engineering and Simulation Methods参考文献 18被引用 14

一句话总结

本文提出一种条件生成对抗网络（cGAN）框架，用于基于二维横截面或一维测井数据等低维数据，生成三维孔隙尺度与储层尺度模型。通过结合内容损失与从判别器提取的感知损失，该方法实现了高保真、逼真的模拟结果，在匹配条件数据的同时保留了地质变异性。

ABSTRACT

Geostatistical modeling of petrophysical properties is a key step in modern integrated oil and gas reservoir studies. Recently, generative adversarial networks (GAN) have been shown to be a successful method for generating unconditional simulations of pore- and reservoir-scale models. This contribution leverages the differentiable nature of neural networks to extend GANs to the conditional simulation of three-dimensional pore- and reservoir-scale models. Based on the previous work of Yeh et al. (2016), we use a content loss to constrain to the conditioning data and a perceptual loss obtained from the evaluation of the GAN discriminator network. The technique is tested on the generation of three-dimensional micro-CT images of a Ketton limestone constrained by two-dimensional cross-sections, and on the simulation of the Maules Creek alluvial aquifer constrained by one-dimensional sections. Our results show that GANs represent a powerful method for sampling conditioned pore and reservoir samples for stochastic reservoir evaluation workflows.

研究动机与目标

• 将无条件GAN扩展至利用稀疏的低维数据（如2D横截面或1D测井数据）进行三维孔隙与储层尺度模型的条件模拟。
• 解决在仅有有限测井数据或2D剖面时，生成逼真且地质上合理的三维实现的挑战。
• 通过判别器引入感知相似性，超越简单的数据匹配，提升样本质量和逼真度。
• 实现潜在向量的高效、可微分优化，适用于随机储层评价工作流程。

提出的方法

• 使用带梯度惩罚的Wasserstein GAN，以稳定生成器与判别器网络的训练过程。
• 通过联合优化潜在向量z，结合内容损失与感知损失，实现条件生成。
• 在生成样本与条件数据之间应用掩码均方误差（内容损失），仅限于条件数据的空间位置。
• 基于判别器输出引入感知损失，促使生成样本匹配训练数据中的统计模式。
• 采用内容损失与感知损失的加权和：L_total = L_content + λL_perceptual，其中λ通过调优实现平衡。
• 通过随机梯度下降优化潜在向量，直至满足收敛条件（例如，内容损失 < 1e-3 或二值指示模型的准确率达到100%）。

实验结果

研究问题

• RQ1 GAN能否有效条件化，以有限的2D或1D数据生成逼真的三维孔隙与储层尺度模型？
• RQ2 结合内容损失与感知损失相较于仅使用内容损失，如何提升条件GAN生成模型的逼真度与准确性？
• RQ3 条件数据在多大程度上影响生成模型的三维结构，特别是在远离条件平面或井位的区域？
• RQ4 该方法能否高效生成大量符合条件的实现，适用于随机储层评价？

主要发现

• 该方法成功基于2D正交横截面，生成了Ketton石灰岩微CT数据的三维实现，且在第三维方向上保持了逼真的孔隙结构。
• 在Maules Creek含水层中，仅用单张GPU在8小时内生成了1024个条件化的三维模拟，表现出高度变异性，并在条件位置与测井数据完全匹配。
• Maules Creek结果中观察到以条件井为中心的椭圆影响区域，表明条件数据存在空间相关性效应。
• 条件集合的平均结果因生成器架构中转置卷积层的存在，在域边界处出现边界伪影，提示在域边缘区域重建存在架构局限性。
• 感知损失显著提升了样本的逼真度；仅使用内容损失时生成结果在视觉上缺乏说服力，证实了基于判别器的模式匹配的重要性。
• 内容损失 < 1e-3（连续图像）与二值指示模型100%准确率的收敛结果，表明对条件数据实现了有效匹配。