[论文解读] Geological modeling using a recursive convolutional neural networks approach

Sebastian Avalos, Julián M. Ortíz|arXiv (Cornell University)|Apr 27, 2019

Reservoir Engineering and Simulation Methods被引用 6

一句话总结

该论文提出了一种用于3D地质建模的递归卷积神经网络（RCNN）框架，结合多点统计（MPS）方法，利用岩性训练图像进行训练，以模拟基于稀疏硬数据的时空模式。该方法在5%和2%的条件数据下成功再现了复杂的岩性结构和两点统计特征，展示了在时空模式学习和模拟保真度方面的鲁棒性。

ABSTRACT

Resource models are constrained by the extent of geological units that often depend on the lithology, alteration and mineralization. A three dimensional model of these geological units must be built from scarce information coming from drillholes and limited understanding about the geological setting in which the ore deposit is places. In this work, we present a new technique for multiple-point geostatistical simulation based on a recursive convolutional neural network approach (RCNN). The method requires conditioning data and a training image that depicts the type of geological structures expected to be found in the deposit. This training image is used to learn the patterns of categories found and these are imposed in the final simulated model conditioned by the categories found during logging at the actual drill-hole samples. A lithological modeling process is carried out in a copper deposit in Chile to demonstrate the method. Comparison with current techniques and spatial metrics are used to clarify concepts and RCNN properties. Also, strengths and weaknesses of the methodology are discussed by briefly reviewing the theoretical perspective and looking into some of its practical aspects.

研究动机与目标

• 为改善3D地质建模，弥合深度学习与多点统计（MPS）之间的鸿沟。
• 开发一种递归卷积神经网络（RCNN），从训练图像中学习地质模式，并基于稀疏硬数据对岩性进行模拟。
• 评估RCNN再现复杂空间结构和统计特性的能力。
• 通过可视化、变差图和空间度量在不同数据密度下评估性能。

提出的方法

• RCNN架构采用四个嵌套的卷积神经网络，每个包含四层隐藏层和三层全连接层，以从3D训练图像中提取分层空间特征。
• 卷积层应用可学习滤波器，结合批量归一化和ReLU激活函数以提取空间模式，随后通过最大池化降低维度。
• 网络被训练以从3D训练图像（TI）中重现地质模式，随后用于在采样位置的硬数据条件下生成模拟实现。
• 合成生成了一个100×100×50大小的三维二值岩性模型，其中一个50×50×50的区域用作训练图像，其余三个区域用作真实值。
• 条件数据以垂直钻孔样本形式施加于真实值区域，数据密度分别为5%和2%。
• 性能通过可视化（随机实现、E型实现、方差图）和实验变差图（全向水平与垂直方向）进行评估，将实现结果与TI和真实值进行比较。

实验结果

研究问题

• RQ1 在多点统计框架下，递归卷积神经网络能否有效从训练图像中学习并重现复杂的3D地质模式？
• RQ2 当仅使用2%或5%的硬数据点时，RCNN对岩性结构的模拟效果如何？
• RQ3 与训练图像和真实值相比，RCNN在实验变差图中保留两点空间统计的程度如何，特别是从两点统计角度？
• RQ4 视觉和变差图度量如何反映数据稀缺性与模拟保真度之间的权衡？

主要发现

• 在仅使用5%条件数据的情况下，RCNN成功再现了具有合理连续性和形态保真度的岩性结构；而2%数据导致结构更模糊，尤其在数据稀疏区域更为明显。
• E型实现与真实值之间的视觉对比显示，在所有区域中岩性单元的存在与缺失均表现出高度一致性。
• 实现的变差图与真实值和训练图像高度吻合，实现方差分别为0.17（2%）和0.19（5%），与目标值0.18接近。
• RCNN在不同距离上保持了稳定的两点统计特性，实现中波动模式与真实值更接近，而非与训练图像更接近。
• 该方法在低数据密度下仍能有效捕捉空间连续性和连通性，表明其从训练图像中具有强大的泛化能力。
• RCNN在损失函数中未强制二值比例，但方法仍实现了现实的岩性比例，尽管这在训练过程中仍是挑战。