[论文解读] Latent Diffusion Model for Conditional Reservoir Facies Generation

Dae-Soo Lee, Ovanger, Oscar+4 more|arXiv (Cornell University)|Nov 3, 2023

Reservoir Engineering and Simulation Methods被引用 4

一句话总结

本文提出了一种用于条件性储层相带生成的新型潜在扩散模型（LDM），通过在潜在空间中使用去噪U-Net生成高保真度、地质上合理的相带实现，严格保留条件数据。该方法在保真度、样本多样性及条件数据保留方面显著优于基于GAN的基线模型，首次将扩散模型应用于储层建模中的此类问题。

ABSTRACT

Creating accurate and geologically realistic reservoir facies based on limited measurements is crucial for field development and reservoir management, especially in the oil and gas sector. Traditional two-point geostatistics, while foundational, often struggle to capture complex geological patterns. Multi-point statistics offers more flexibility, but comes with its own challenges related to pattern configurations and storage limits. With the rise of Generative Adversarial Networks (GANs) and their success in various fields, there has been a shift towards using them for facies generation. However, recent advances in the computer vision domain have shown the superiority of diffusion models over GANs. Motivated by this, a novel Latent Diffusion Model is proposed, which is specifically designed for conditional generation of reservoir facies. The proposed model produces high-fidelity facies realizations that rigorously preserve conditioning data. It significantly outperforms a GAN-based alternative. Our implementation on GitHub: \url{https://github.com/ML4ITS/Latent-Diffusion-Model-for-Conditional-Reservoir-Facies-Generation}.

研究动机与目标

• 解决传统地质统计方法和基于GAN的方法在生成真实、条件约束的储层相带实现方面存在的局限性。
• 探索扩散模型（特别是潜在扩散模型）在储层建模中用于条件性相带生成的潜力。
• 开发一种在生成多样化、真实相带模式的同时，能高保真度保留条件数据的方法。
• 证明LDM在生成质量与保真度准确性方面优于基于GAN的方法。
• 利用最先进的生成式AI技术，为条件性储层相带建模建立新的基准。

提出的方法

• 该模型采用潜在扩散框架，其中扩散过程发生在压缩的潜在空间中，从而在保持高保真度生成的同时提高计算效率。
• 训练一个去噪U-Net以逆转扩散过程，其条件输入包括潜在噪声和条件数据的潜在表示。
• 通过可学习编码器将条件数据编码为潜在向量 $\mathbf{z}_c$，并将其通过多层级特征拼接的方式整合到去噪U-Net中。
• 提出一种新型保真损失 $L_{\text{preserv}}$，在训练过程中显式惩罚与条件数据的偏差，从而增强对观测数据的保真度。
• 模型在5,000个合成的2D相带实现上进行训练，生成过程被建模为条件生成问题，即模型在有限数据条件下学习生成真实样本。
• 消融研究验证了关键组件的必要性：可学习判别器 $\mathcal{D}$、保真损失 $L_{\text{preserv}}$ 以及 $\mathbf{z}_c$ 的多层级映射。

实验结果

研究问题

• RQ1 潜在扩散模型能否有效生成基于稀疏测量的高保真度、地质上合理的储层相带实现？
• RQ2 与基于GAN的基线相比，所提出的LDM在条件数据保留、样本多样性及生成保真度方面表现如何？
• RQ3 保真损失 $L_{\text{preserv}}$、可学习判别器 $\mathcal{D}$ 以及 $\mathbf{z}_c$ 的多层级映射在增强条件保留方面发挥何种作用？
• RQ4 LDM在多大程度上克服了GAN在储层相带建模中固有的局限性，如模式崩溃和训练不稳定性？
• RQ5 LDM能否扩展至3D储层建模？其在更高维空间中面临哪些挑战？

主要发现

• 所提出的LDM在基础设置下实现了0.0003的保真误差率，表明对条件数据的近乎完美保留，显著优于GAN基线。
• LDM实现了0.0028的重建损失 $L_{\text{recons}}$ 和0.0236的总损失 $L_{\text{LDM}}$，表明其具有高保真度生成能力。
• 若移除保真损失 $L_{\text{preserv}}$，保真误差率上升至0.0094，证实其在维持条件保真度方面具有关键作用。
• 若缺少可学习判别器 $\mathcal{D}$，$L_{\text{LDM}}$ 上升至0.0438，保真误差率升至0.011，凸显其在学习真实分布方面的重要性。
• 若将多层级映射替换为简单拼接，保真误差率上升至0.0017，$L_{\text{LDM}}$ 上升至0.0262，证明分层特征融合的有效性。
• 消融研究证实，所有提出的组件——$L_{\text{preserv}}$、可学习 $\mathcal{D}$ 以及多层级映射——均显著提升了模型保留条件数据的能力。