[论文解读] Efficient big data assimilation through sparse representation: A 3D benchmark case study in seismic history matching

Xiaodong Luo, Tuhin Bhakta+2 more|arXiv (Cornell University)|Sep 22, 2016

Reservoir Engineering and Simulation Methods参考文献 26被引用 20

一句话总结

该论文提出了一种基于小波的稀疏表示方法，以高效地在基于集合的4D地震历史反演中同化大规模3D地震数据，通过使用振幅随偏移角（AVA）数据避免反演过程中的不确定性。该方法通过仅保留显著的小波系数来减小数据规模，同时保持关键地震特征，实现在包含O(10^6)个数据点的Brugge油田基准测试中有效的历史反演。

ABSTRACT

In a previous work \citep{luo2016sparse2d_spej}, the authors proposed an ensemble-based 4D seismic history matching (SHM) framework, which has some relatively new ingredients, in terms of the type of seismic data in choice, the way to handle big seismic data and related data noise estimation, and the use of a recently developed iterative ensemble history matching algorithm. In seismic history matching, it is customary to use inverted seismic attributes, such as acoustic impedance, as the observed data. In doing so, extra uncertainties may arise during the inversion processes. The proposed SHM framework avoids such intermediate inversion processes by adopting amplitude versus angle (AVA) data. In addition, SHM typically involves assimilating a large amount of observed seismic attributes into reservoir models. To handle the big-data problem in SHM, the proposed framework adopts the following wavelet-based sparse representation procedure: First, a discrete wavelet transform is applied to observed seismic attributes. Then, uncertainty analysis is conducted in the wavelet domain to estimate noise in the resulting wavelet coefficients, and to calculate a corresponding threshold value. Wavelet coefficients above the threshold value, called leading wavelet coefficients hereafter, are used as the data for history matching. The retained leading wavelet coefficients preserve the most salient features of the observed seismic attributes, whereas rendering a substantially smaller data size. Finally, an iterative ensemble smoother is adopted to update reservoir models, in such a way that the leading wavelet coefficients of simulated seismic attributes better match those of observed seismic attributes. (The rest of the abstract was omitted for the length restriction.)

研究动机与目标

• 解决在大规模3D地震数据集下4D地震历史反演（SHM）中的大数据同化挑战。
• 通过使用原始振幅随偏移角（AVA）数据而非反演属性，消除中间地震反演过程引入的不确定性。
• 开发并验证一种基于小波的稀疏表示技术，以压缩地震数据同时保留显著特征。
• 在包含O(10^6)个地震数据点的真实3D基准案例（Brugge油田）中证明所提出框架的有效性。
• 确保与迭代集合平滑算法兼容，以实现高效的储层模型更新。

提出的方法

• 对3D地震AVA数据应用多级离散小波变换（DWT），将其分解为小波系数。
• 利用系数的标准差估计小波域中的噪声，以定义观测误差协方差。
• 识别并仅保留高于基于噪声估计得出的阈值的主导小波系数，实现数据压缩。
• 将保留的主导系数用作基于迭代集合平滑算法的历史反演的观测数据。
• 通过迭代方式更新储层模型，使模拟的小波系数与观测值相匹配。
• 应用适用于小波域的局部化技术，以保持数值稳定性。

实验结果

研究问题

• RQ1 基于小波的稀疏表示能否有效减小3D地震数据规模，同时保留用于历史反演的关键特征？
• RQ2 所提出的框架在3D基准案例中使用压缩地震数据时是否能实现良好的历史反演性能？
• RQ3 与使用反演属性相比，使用AVA数据如何影响不确定性量化和模型精度？
• RQ4 在3D设置下处理O(10^6)个地震数据点时，该框架的计算效率如何？
• RQ5 当应用于小波域数据时，局部化与迭代集合平滑的性能如何？

主要发现

• 基于小波的稀疏表示显著减小了3D地震数据规模，同时保留了最具信息量的特征。
• 该框架在包含O(10^6)个地震数据点的Brugge油田基准测试中实现了合理良好的历史反演性能。
• 生产数据和地震数据的匹配误差在迭代过程中显著降低，部分情景下地震数据匹配误差降低了高达10^6倍。
• 对数渗透率（log PERMX）和孔隙度（PORO）的均方根误差（RMSE）随迭代过程减小，表明模型精度提高。
• 尽管数据规模庞大，该方法仍保持了数值稳定性并避免了集合崩溃。
• 该方法通过在不依赖中间反演步骤的情况下成功处理3D设置下的大数据，展示了其在实际油田应用中的可行性。