[论文解读] Data-Space Inversion Using a Recurrent Autoencoder for Time-Series Parameterization

Su Jiang, Louis J. Durlofsky|arXiv (Cornell University)|Apr 30, 2020

Reservoir Engineering and Simulation Methods参考文献 36被引用 4

一句话总结

本文提出一种基于循环自编码器（RAE）的数据参数化方法，用于地下渗流模拟中的数据空间反演（DSI），利用LSTM网络捕捉时间序列流量数据中的时间相关性。与基于主成分分析（PCA）和截断法的DSI方法相比，RAE-DSI方法在二维和三维储层模型中经拒绝采样基准验证，显著提升了后验预测精度，尤其在协方差及派生量方面表现更优。

ABSTRACT

Data-space inversion (DSI) and related procedures represent a family of methods applicable for data assimilation in subsurface flow settings. These methods differ from model-based techniques in that they provide only posterior predictions for quantities (time series) of interest, not posterior models with calibrated parameters. DSI methods require a large number of flow simulations to first be performed on prior geological realizations. Given observed data, posterior predictions can then be generated directly. DSI operates in a Bayesian setting and provides posterior samples of the data vector. In this work we develop and evaluate a new approach for data parameterization in DSI. Parameterization reduces the number of variables to determine in the inversion, and it maintains the physical character of the data variables. The new parameterization uses a recurrent autoencoder (RAE) for dimension reduction, and a long-short-term memory (LSTM) network to represent flow-rate time series. The RAE-based parameterization is combined with an ensemble smoother with multiple data assimilation (ESMDA) for posterior generation. Results are presented for two- and three-phase flow in a 2D channelized system and a 3D multi-Gaussian model. The RAE procedure, along with existing DSI treatments, are assessed through comparison to reference rejection sampling (RS) results. The new DSI methodology is shown to consistently outperform existing approaches, in terms of statistical agreement with RS results. The method is also shown to accurately capture derived quantities, which are computed from variables considered directly in DSI. This requires correlation and covariance between variables to be properly captured, and accuracy in these relationships is demonstrated. The RAE-based parameterization developed here is clearly useful in DSI, and it may also find application in other subsurface flow problems.

研究动机与目标

• 通过用非线性深度学习方法替代传统线性参数化，提升数据空间反演（DSI）的性能。
• 解决基于PCA的方法在与直方图变换（HT）结合时出现的非物理解释行为，特别是在捕捉复杂相关性方面的局限性。
• 实现在地下渗流问题中对时间序列流量速率及派生量（如BHP、WPR、OPR）的准确后验预测。
• 在二维通道化和三维多高斯储层模型中，将基于RAE的DSI框架与参考拒绝采样（RS）结果进行对比评估。
• 评估该方法在低数据条件下的鲁棒性及其在数据向量中保持协方差结构的能力。

提出的方法

• 使用循环自编码器（RAE）对流动模拟生成的时间序列数据向量进行非线性降维，替代传统的线性PCA。
• RAE架构包含使用LSTM层的编码器，用于学习低维潜在表征，以及使用堆叠LSTM层的解码器，用于重建原始时间序列数据。
• 基于RAE的潜在变量被用作DSI中的参数化数据空间，实现高效的后验采样。
• 应用带多数据同化（ESMDA）的方法，生成在观测数据条件下的数据向量后验样本。
• 该方法在二维通道化系统中的两相流和三相流，以及具有多个井的三维多高斯模型中进行了测试。
• 通过与参考拒绝采样（RS）结果对比，采用P10-P90区间、马氏距离和协方差精度等统计指标评估性能。

实验结果

研究问题

• RQ1 循环自编码器（RAE）是否能在数据空间反演（DSI）中，相比传统基于PCA的方法，提供更准确且物理解释一致的时间序列数据参数化？
• RQ2 在观测数据有限的情况下，基于RAE的DSI方法在捕捉时间序列数据变量之间后验相关性和协方差方面表现如何？
• RQ3 RAE-DSI框架是否在预测主要和派生储层变量方面优于现有DSI变体（包括PCA+HT和仅使用截断的ESMDA）？
• RQ4 RAE-DSI方法在不同地质模型中，对流量时间序列的时序动态和井间关系的保持能力如何？
• RQ5 当前RAE-DSI方法在处理高维数据、噪声时间序列或突发变化（如井操作）方面存在哪些局限性？

主要发现

• 在二维和三维模型中，RAE-DSI方法在预测主要和派生时间序列变量的P10、P50和P90后验区间方面，始终优于PCA+HT+ESMDA和使用截断的ESMDA方法。
• 基于RAE的参数化方法准确捕捉了数据变量之间（如BHP、WPR、OPR）的协方差结构，而PCA+HT和截断方法对此类结构的表示效果较差。
• 在二维通道化模型中，额外引入两个‘真实’模型的情况下，RAE-DSI方法在所有三个测试案例中均表现出相对于参考拒绝采样（RS）结果的最低马氏距离。
• 该方法在低数据场景下表现出鲁棒性，此时准确的协方差建模对可靠后验预测至关重要。
• 基于RAE的方法缓解了PCA+HT方法中常见的非物理解释行为，尤其在非高斯和复杂流动条件下表现更优。
• 该框架与现有DSI工作流程兼容，可在无需额外流动模拟的情况下，利用ESMDA实现高效的后验采样。