[论文解读] A Deep Learning-Accelerated Data Assimilation and Forecasting Workflow for Commercial-Scale Geologic Carbon Storage

Hewei Tang, Pengcheng Fu+7 more|arXiv (Cornell University)|May 9, 2021

Reservoir Engineering and Simulation Methods参考文献 36被引用 9

一句话总结

本文提出了一种基于深度学习加速的数据同化与预测工作流，用于商业规模的地质碳封存，采用基于宽残差网络和U-Net架构的代理模型，替代计算成本高昂的储层模拟。该工作流在标准个人工作站上可在一小时内完成历史匹配与不确定性量化预测，支持CO2封存管理的快速决策。

ABSTRACT

Fast assimilation of monitoring data to update forecasts of pressure buildup and carbon dioxide (CO2) plume migration under geologic uncertainties is a challenging problem in geologic carbon storage. The high computational cost of data assimilation with a high-dimensional parameter space impedes fast decision-making for commercial-scale reservoir management. We propose to leverage physical understandings of porous medium flow behavior with deep learning techniques to develop a fast history matching-reservoir response forecasting workflow. Applying an Ensemble Smoother Multiple Data Assimilation framework, the workflow updates geologic properties and predicts reservoir performance with quantified uncertainty from pressure history and CO2 plumes interpreted through seismic inversion. As the most computationally expensive component in such a workflow is reservoir simulation, we developed surrogate models to predict dynamic pressure and CO2 plume extents under multi-well injection. The surrogate models employ deep convolutional neural networks, specifically, a wide residual network and a residual U-Net. The workflow is validated against a flat three-dimensional reservoir model representative of a clastic shelf depositional environment. Intelligent treatments are applied to bridge between quantities in a true-3D reservoir model and those in a single-layer reservoir model. The workflow can complete history matching and reservoir forecasting with uncertainty quantification in less than one hour on a mainstream personal workstation.

研究动机与目标

• 为解决由于高维参数空间导致的商业规模地质碳封存中数据同化的高计算成本问题。
• 利用监测数据（压力与地震反演得到的CO2羽流）实现实时、快速的储层预测更新。
• 开发能够准确预测多井注入条件下动态压力与CO2羽流演化的代理模型。
• 通过智能数据处理技术，弥合真实三维储层模型与简化单层模型之间的差距。
• 在计算开销极低的前提下实现不确定性量化预测，以支持实际操作决策。

提出的方法

• 工作流采用集合平滑多重数据同化（ES-MDA）框架，利用压力与CO2羽流数据更新地质属性。
• 训练深度卷积神经网络——具体为宽残差网络与残差U-Net——作为代理模型，以在不运行完整储层模拟的情况下预测储层响应。
• 代理模型基于代表岩性浅海环境的三维储层模型生成的合成数据进行训练。
• 应用智能数据处理技术，将三维储层响应映射至单层模型，提升泛化能力与计算效率。
• 整个工作流将数据同化、代理预测与不确定性量化整合为一个端到端的完整流程。

实验结果

研究问题

• RQ1 深度学习代理模型是否能显著降低地质碳封存中数据同化的计算成本，同时保持预测精度？
• RQ2 基于三维储层数据训练的二维代理模型，在多井注入条件下，预测动态压力与CO2羽流演化的有效性如何？
• RQ3 在三维与二维模型之间进行智能数据映射，在快速预测工作流中能在多大程度上保持预测保真度？
• RQ4 该工作流是否能在标准硬件上于一小时内实现不确定性量化预测？
• RQ5 在地质不确定性存在的情况下，集成地震反演得到的CO2羽流数据在多大程度上提升了预测的可靠性？

主要发现

• 基于深度学习加速的工作流在主流个人工作站上可在一小时内完成历史匹配与包含不确定性量化的储层预测。
• 基于宽残差网络与U-Net架构的代理模型在多种注入情景下，对压力上升与CO2羽流范围的预测均表现出高精度。
• 智能数据处理技术有效实现了三维储层行为向单层模型的迁移，在维度降低的情况下仍保持了良好的预测性能。
• 工作流成功整合了来自地震反演的压力历史与CO2羽流数据，用于更新地质属性并预测储层性能。
• 该方法在商业规模地质碳封存应用中表现出强健性与可扩展性，支持近实时决策支持。
• 与传统储层模拟相比，该方法将计算成本降低了数个数量级，同时未牺牲预测可靠性或不确定性量化能力。