[论文解读] Bayesian Inversion Of Generative Models For Geologic Storage Of Carbon Dioxide

Gavin H. Graham, Yan Chen|arXiv (Cornell University)|Jan 8, 2020

Reservoir Engineering and Simulation Methods参考文献 12被引用 4

一句话总结

该论文提出了一种基于生成对抗网络（GAN）和推理网络的贝叶斯反演框架，用于将地质模型基于稀疏的钻孔数据和历史流体流动数据进行条件化处理，显著降低了二氧化碳（CO₂）封存容量预测中的不确定性。通过结合预训练的GAN与基于神经网络的后验采样方法，以及基于集合的数据同化（ESMDA），该方法仅通过2,000次流体流动模拟即可生成地质上一致、数据约束的地下真实模型。

ABSTRACT

Carbon capture and storage (CCS) can aid decarbonization of the atmosphere to limit further global temperature increases. A framework utilizing unsupervised learning is used to generate a range of subsurface geologic volumes to investigate potential sites for long-term storage of carbon dioxide. Generative adversarial networks are used to create geologic volumes, with a further neural network used to sample the posterior distribution of a trained Generator conditional to sparsely sampled physical measurements. These generative models are further conditioned to historic dynamic fluid flow data through Bayesian inversion to improve the resolution of the forecast of the storage capacity of injected carbon dioxide.

研究动机与目标

• 通过整合稀疏的静态和动态数据，减少地下地质模型在二氧化碳（CO₂）封存中的不确定性。
• 克服传统地统计方法和马尔可夫链蒙特卡洛（MCMC）方法的局限性，后者计算成本高或假设数据服从高斯分布。
• 利用深度生成模型实现降维，并表示非高斯的地质模式。
• 开发一种可扩展、可微分的框架，实现基于观测数据的地质属性高效后验采样。
• 通过数据约束的模型生成，提高CO₂注入和封存容量预测的准确性和可靠性。

提出的方法

• 在代表河流通道、堤岸和扇三角洲等沉积特征的合成地质图像上训练Wasserstein GAN（WGAN），以学习地下地质的潜在分布。
• 训练推理网络，将观测到的钻孔数据（如通道的存在/缺失）映射到GAN潜在空间中的潜在向量，从而实现地质上一致的模型条件化生成。
• 将生成器的潜在空间用作贝叶斯反演的模型参数化方式，替代传统的高维地质参数化方法。
• 应用基于集合的数据同化方法（ESMDA），利用历史流体流动数据（如压力和相态流量）更新潜在向量，以最小化模拟与观测数据之间的不匹配。
• 采用基于模拟与观测数据之间马氏距离的损失函数，并通过迭代更新潜在向量集合。
• 通过训练好的生成器解码更新后的潜在向量，生成一组数据一致的地质真实模型，用于流体流动模拟。

实验结果

研究问题

• RQ1 基于GAN的生成模型能否有效表征地下构造中复杂、非高斯的地质模式（如河流通道和扇三角洲）？
• RQ2 如何利用预训练GAN的潜在空间，实现基于稀疏钻孔数据的高效且精确的地下地质属性贝叶斯推断？
• RQ3 基于集合的数据同化（ESMDA）在利用动态流体流动观测数据校准GAN生成模型方面，能将校准效果提升到何种程度？
• RQ4 与传统的地统计或MCMC方法相比，所提出的框架是否能降低CO₂封存容量预测中的不确定性？
• RQ5 该方法是否能在计算效率高的前提下，同时保持地质真实性，并实现对静态和动态数据的高保真匹配？

主要发现

• 结合推理网络的条件化GAN成功生成了符合已知钻孔数据的地质上一致的地下模型，经视觉检查确认有效。
• 经过20轮ESMDA迭代（使用100个集合成员），该方法在模拟与历史流体流动数据之间实现了良好匹配，模拟的相态流量和压力与观测数据及误差带高度一致。
• 在2,000次流体流动模拟后生成的100个校准后模型集合，各真实模型之间表现出一致的结构特征，表明数据同化有效且不确定性已降低。
• 尽管模拟与观测数据匹配良好，但最终模型集合可能低估了真实不确定性，原因在于同时受到钻孔数据和动态数据的约束，提示未来可进一步探索模型多样性。
• 生成器的潜在空间与推理网络输出之间表现出相关性，表明潜在空间已成功学习到与数据相关的模式。
• 与传统MCMC方法相比，该框架显著降低了计算成本，仅通过2,000次流动模拟即实现了高质量的校准结果。