[논문 리뷰] Generating Geological Facies Models with Fidelity to Diversity and Statistics of Training Images using Improved Generative Adversarial Networks

Lingchen Zhu, Tuanfeng Zhang|arXiv (Cornell University)|2019. 09. 23.

Drilling and Well Engineering인용 수 4

한 줄 요약

이 논문은 InfoGAN, 워샤르스타인 거리, 기울기 페널티를 결합한 개선된 생성적 적대적 네트워크인 Info-WGAN을 제안한다. 이는 지질학적으로 현실적인 편재 모델을 생성하고, 편향 없고 다양한 등확률 실현을 가능하게 한다. 음성 코드를 분리하여 침적 유형(예: 강유형, 삼각주형)을 표현함으로써, 훈련 데이터의 충실한 통계 재현을 보장하고, 저류 모델링에서 객관적인 불확실성 평가를 가능하게 한다.

ABSTRACT

This paper presents a methodology and workflow that overcome the limitations of the conventional Generative Adversarial Networks (GANs) for geological facies modeling. It attempts to improve the training stability and guarantee the diversity of the generated geology through interpretable latent vectors. The resulting samples are ensured to have the equal probability (or an unbiased distribution) as from the training dataset. This is critical when applying GANs to generate unbiased and representative geological models that can be further used to facilitate objective uncertainty evaluation and optimal decision-making in oil field exploration and development. We proposed and implemented a new variant of GANs called Info-WGAN for the geological facies modeling that combines Information Maximizing Generative Adversarial Network (InfoGAN) with Wasserstein distance and Gradient Penalty (GP) for learning interpretable latent codes as well as generating stable and unbiased distribution from the training data. Different from the original GAN design, InfoGAN can use the training images with full, partial, or no labels to perform disentanglement of the complex sedimentary types exhibited in the training dataset to achieve the variety and diversity of the generated samples. This is accomplished by adding additional categorical variables that provide disentangled semantic representations besides the mere randomized latent vector used in the original GANs. By such means, a regularization term is used to maximize the mutual information between such latent categorical codes and the generated geological facies in the loss function. Furthermore, the resulting unbiased sampling by Info-WGAN makes the data conditioning much easier than the conventional GANs in geological modeling because of the variety and diversity as well as the equal probability of the unconditional sampling by the generator.

연구 동기 및 목표

• 기존 GAN에서 발생하는 모드 붕괴와 편향된 샘플링 문제를 해결하기 위해.
• 생성된 지질학적 실현이 통계적으로 대표적이며 동일한 확률을 가지도록 보장하여 저류 모델링에서 객관적인 불확실성 평가를 가능하게 하기 위해.
• 분리된 잠재 코드를 통해 지질학적 특징(예: 강유형 대비 삼각주형)에 대한 해석 가능한 제어를 가능하게 하기 위해.
• 다양하고 편향 없는 실현을 생성함으로써 자료 조건화를 향상시키고 수렴 속도를 높이기 위해.
• 훈련 데이터와 생성된 샘플 간의 e-type 지도 및 히스토그램 비교를 통해 모델의 정밀도를 검증하기 위해.

제안 방법

• InfoGAN을 워샤르스타인 GAN(WGAN-GP)과 통합하여 의미 있는 지질학적 특징(예: 강유형, 삼각주형)을 나타내는 분리된 순서형 잠재 코드(c)와 무작위 노이즈(z)를 함께 학습함으로써 설명 가능한 생성을 가능하게 한다.
• 손실 함수에 상호정보 최대화를 적용하여 각 순서형 코드(c)가 실제로 의미 있는 지질학적 특징에 대응하도록 보장한다.
• 워샤르스타인 거리와 기울기 페널티(GP)를 적용하여 훈련을 안정화하고 모드 붕괴를 방지한다.
• 판별기와 분류기의 공통 기반 네트워크를 사용하고, 진위 분류 및 레이블 예측을 위한 별도의 출력 헤드를 구현한다.
• 수렴 속도를 가속화하기 위해 새로운 스타일의 강력한 경사하강법(모멘텀 및 기울기 벡터 정규화 포함)을 도입하여 자료 조건화 과정을 개선한다.
• 훈련 데이터와 생성된 샘플 간의 e-type 지도 및 픽셀 수준 히스토그램 비교를 통해 모델 품질을 검증한다.

실험 결과

연구 질문

• RQ1 Info-WGAN은 훈련 이미지의 통계적 다양성과 분포를 유지하는 지질학적 편재 모델을 생성할 수 있는가?
• RQ2 분리된 순서형 잠재 코드(c)의 포함이 생성된 모델에서 침적 편재 유형에 대한 설명 가능한 제어를 가능하게 하는가?
• RQ3 훈련 데이터에 혼합되거나 불균형한 편재 유형이 포함되어 있어도 Info-WGAN은 여전히 모드 붕괴를 피할 수 있는가?
• RQ4 생성된 실현이 동일한 확률 분포를 가지며, 저류 모델링에서 객관적인 불확실성 평가를 가능하게 하는가?
• RQ5 기존 GAN과 비교해 Info-WGAN은 잘 데이터 조건화 과정에서 수렴 속도와 정확도를 어떻게 향상시키는가?

주요 결과

• Info-WGAN은 훈련 데이터셋과 유사한 다양성과 통계적 정밀도를 갖는 지질학적 편재 모델을 성공적으로 생성하여 모드 붕괴를 방지한다.
• 분리된 잠재 코드(c)는 지질학적 특징에 대한 설명 가능한 제어를 가능하게 하며, 예를 들어 [0,1]을 강유형, [1,0]을 삼각주형 환경에 할당할 수 있다.
• 생성된 샘플은 동일한 확률 분포를 보이며, e-type 지도를 통한 객관적 불확실성 평가가 가능하다.
• 생성된 샘플에서 계산된 e-type 지도는 훈련 데이터의 지도와 밀도적으로 유사하여 통계적 일관성을 확인한다.
• 실현의 다양성과 편향 없음으로 인해, 특히 고밀도 웰 위치에서도 자료 조건화 과정에서 더 빠른 수렴을 달성한다.
• e-type 지도의 히스토그램 비교를 통해 Info-WGAN이 실제 데이터 분포를 충실하게 재현함을 확인하여 모델 신뢰성을 검증한다.