[论文解读] A Deep-Learning-Based Geological Parameterization for History Matching Complex Models

Yimin Liu, Wenyue Sun+1 more|arXiv (Cornell University)|Jul 7, 2018

Reservoir Engineering and Simulation Methods参考文献 7被引用 12

一句话总结

本文提出CNN-PCA，一种基于深度学习的地质参数化方法，结合主成分分析（PCA）与卷积神经网络（CNN），以提升复杂油藏模型中的历史拟合效果。通过使用预训练的CNN提取滤波响应以捕捉多点统计特征，并应用基于这些特征的新型正则化方法，CNN-PCA生成了真实、低维的实现结果，能够准确反映复杂的地质结构——在保留流动统计特性方面优于O-PCA，即使在条件数据稀疏的情况下也能实现有效的不确定性降低。

ABSTRACT

A new low-dimensional parameterization based on principal component analysis (PCA) and convolutional neural networks (CNN) is developed to represent complex geological models. The CNN-PCA method is inspired by recent developments in computer vision using deep learning. CNN-PCA can be viewed as a generalization of an existing optimization-based PCA (O-PCA) method. Both CNN-PCA and O-PCA entail post-processing a PCA model to better honor complex geological features. In CNN-PCA, rather than use a histogram-based regularization as in O-PCA, a new regularization involving a set of metrics for multipoint statistics is introduced. The metrics are based on summary statistics of the nonlinear filter responses of geological models to a pre-trained deep CNN. In addition, in the CNN-PCA formulation presented here, a convolutional neural network is trained as an explicit transform function that can post-process PCA models quickly. CNN-PCA is shown to provide both unconditional and conditional realizations that honor the geological features present in reference SGeMS geostatistical realizations for a binary channelized system. Flow statistics obtained through simulation of random CNN-PCA models closely match results for random SGeMS models for a demanding case in which O-PCA models lead to significant discrepancies. Results for history matching are also presented. In this assessment CNN-PCA is applied with derivative-free optimization, and a subspace randomized maximum likelihood method is used to provide multiple posterior models. Data assimilation and significant uncertainty reduction are achieved for existing wells, and physically reasonable predictions are also obtained for new wells. Finally, the CNN-PCA method is extended to a more complex non-stationary bimodal deltaic fan system, and is shown to provide high-quality realizations for this challenging example.

研究动机与目标

• 开发一种低维地质参数化方法，以保留复杂、非高斯的地质特征（如河道和相带模式）。
• 克服现有方法（如O-PCA）的局限性，后者在条件数据稀疏时表现不佳，且难以保持多点空间统计特性。
• 通过使用基于CNN的度量来正则化PCA模型，将深度学习整合到地质参数化中。
• 利用无导数优化与子空间随机最大似然法，实现在复杂油藏模型中有效的历史拟合与不确定性量化。
• 在二值化河道系统与非平稳双峰三角洲扇形系统上验证该方法，证明其鲁棒性与准确性。

提出的方法

• 使用预训练的VGG-16 CNN从参考SGeMS地质实现中提取非线性滤波响应，以捕捉复杂的多点统计特征。
• 将这些滤波响应的汇总统计量（特别是激活图的均值与方差）用作正则化度量，以指导PCA模型的后处理。
• 训练一个专用的卷积神经网络（Model Transform Net），将PCA系数映射为逼真的地质实现，确保快速且可微分的推理。
• 该方法通过用深度特征正则化替代O-PCA中的直方图正则化，扩展了O-PCA，从而更有效地保留地质模式。
• 采用两阶段工作流程：首先对先验地质模型应用PCA；其次应用基于CNN的正则化，生成既符合先验统计又保留地质特征的实现。
• 通过PSO–MADS（无导数优化）与子空间RML进行历史拟合，生成多个后验模型，实现不确定性显著降低。

实验结果

研究问题

• RQ1 基于深度学习的正则化能否提升复杂、非高斯系统中基于PCA的地质实现的保真度？
• RQ2 在条件数据有限的情况下，CNN-PCA与O-PCA相比，在保留流动响应统计特性方面表现如何？
• RQ3 CNN-PCA能否为具有复杂河道趋势的非平稳、双峰三角洲扇形系统生成逼真的实现？
• RQ4 CNN-PCA能否在历史拟合中实现有效的数据同化与不确定性降低，特别是在新井预测方面？
• RQ5 CNN-PCA框架能否扩展至三维油藏模型？针对三维地质特征，需要进行哪些修改？

主要发现

• 在稀疏条件数据下的挑战性二值化河道系统中，CNN-PCA实现的流动响应统计特性（P10、P50、P90、CDFs）与参考SGeMS模型高度一致，而O-PCA则表现出显著偏差。
• 在历史拟合中，CNN-PCA显著降低了现有井的不确定性，并为新井生成了更具物理现实性的预测结果，优于O-PCA。
• 该方法成功生成了高质量的非平稳双峰三角洲扇形系统实现，准确保留了河道方向与宽度的全局趋势。
• 通过CNN滤波响应实现的深度特征正则化，相比O-PCA中的直方图正则化，在捕捉复杂地质模式方面更为有效。
• Model Transform Net实现了快速、可微分的地质实现生成，使该方法在迭代历史拟合工作流中具备可扩展性。
• 该方法可扩展至三维系统，尤其在垂直相关性较弱时表现良好；然而，直接使用2D预训练CNN需针对三维地质结构进行适应性调整。