[论文解读] Parametrization and generation of geological models with generative adversarial networks
本文使用 Wasserstein GAN 对地质模型进行参数化，生成的样本能保持多点统计和流动行为，在复杂的导流型模式中常常优于 PCA。
One of the main challenges in the parametrization of geological models is the ability to capture complex geological structures often observed in the subsurface. In recent years, generative adversarial networks (GAN) were proposed as an efficient method for the generation and parametrization of complex data, showing state-of-the-art performances in challenging computer vision tasks such as reproducing natural images (handwritten digits, human faces, etc.). In this work, we study the application of Wasserstein GAN for the parametrization of geological models. The effectiveness of the method is assessed for uncertainty propagation tasks using several test cases involving different permeability patterns and subsurface flow problems. Results show that GANs are able to generate samples that preserve the multipoint statistical features of the geological models both visually and quantitatively. The generated samples reproduce both the geological structures and the flow statistics of the reference geology.
研究动机与目标
- 解决复杂地下地质模型参数化的挑战。
- 评估 GAN 在参数化表示和不确定性传播方面的有效性。
- 比较基于 GAN 的参数化与 PCA 在再现高阶统计方面的差异。
- 展示 GAN 在两个地下水流问题中的应用，并评估流动统计。
提出的方法
- 使用带有 critic 的 Wasserstein GAN，以最小化数据与生成样本之间的 Wasserstein 距离。
- 在从 250x250 概念图裁剪得到的渗透率实现上训练 GAN，生成两个模式（半直、蜿蜒）的 50x50 实现。
- 尝试输入噪声向量大小为 20 和 40，使用标准正态先验和 tanh 输出激活。
- 对二值渗透率数据进行预处理以适应 GAN 训练，并与保留 75% 方差的 PCA 进行比较（半直模式 37 个分量，蜿蜒模式 104 个分量）。
- 通过两个流动问题中的不确定性传播来评估生成实现，并将流动统计量与参考数据进行比较。
实验结果
研究问题
- RQ1GAN 是否能够生成保留参考模型的多点统计的地质实现？
- RQ2基于 GAN 的参数化在捕捉复杂通道化模式方面相对于 PCA 有何差异？
- RQ3GAN 生成的实现是否再现了参考地质的流动统计？
- RQ4基于 GAN 的样本在地下流动问题中的不确定性传播是否有效？
主要发现
- GAN 实现视觉上比 PCA 更能捕捉到通道化结构，尤其是在蜿蜒模式下。
- GAN 能再现与数据相似的中心渗透率二值分布，而 PCA 则产生近似正态分布。
- 在不确定性传播中，GAN 的均值和方差接近真实图，并且二阶以上矩（偏度、峰度）优于 PCA。
- 从 GAN 样本估计的水突破时间密度与参考密度一致，且优于 PCA。
- GAN 在 20 个潜在维度下实现了良好性能，相较于使用 37 或 104 个分量以捕获相似方差的 PCA 更具优势。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。