[论文解读] Latent diffusion models for parameterization and data assimilation of facies-based geomodels

Guido Di Federico, Louis J. Durlofsky|ArXiv.org|Jun 21, 2024

Geological Modeling and Analysis被引用 4

一句话总结

本文提出了一种用于二维三相（河道-堤岸-泥质）地质模型的潜在扩散模型（LDM），用于地质参数化与数据同化。通过结合变分自编码器（VAE）进行降维和U-Net进行去噪，LDM能够生成地质上合理的实现结果，并借助基于集合的方法实现高效的历史拟合，显著降低不确定性，同时保持关键地质特征。

ABSTRACT

Geological parameterization entails the representation of a geomodel using a small set of latent variables and a mapping from these variables to grid-block properties such as porosity and permeability. Parameterization is useful for data assimilation (history matching), as it maintains geological realism while reducing the number of variables to be determined. Diffusion models are a new class of generative deep-learning procedures that have been shown to outperform previous methods, such as generative adversarial networks, for image generation tasks. Diffusion models are trained to "denoise", which enables them to generate new geological realizations from input fields characterized by random noise. Latent diffusion models, which are the specific variant considered in this study, provide dimension reduction through use of a low-dimensional latent variable. The model developed in this work includes a variational autoencoder for dimension reduction and a U-net for the denoising process. Our application involves conditional 2D three-facies (channel-levee-mud) systems. The latent diffusion model is shown to provide realizations that are visually consistent with samples from geomodeling software. Quantitative metrics involving spatial and flow-response statistics are evaluated, and general agreement between the diffusion-generated models and reference realizations is observed. Stability tests are performed to assess the smoothness of the parameterization method. The latent diffusion model is then used for ensemble-based data assimilation. Two synthetic "true" models are considered. Significant uncertainty reduction, posterior P$_{10}$-P$_{90}$ forecasts that generally bracket observed data, and consistent posterior geomodels, are achieved in both cases. PLEASE CITE AS: 10.1016/j.cageo.2024.105755 https://www.sciencedirect.com/science/article/pii/S0098300424002383 NOT WITH THE ARXIV VERSION

研究动机与目标

• 开发一种数据高效、地质上合理的基于相带的地质模型参数化方法，利用深度生成模型。
• 通过降低参数维度，缓解大规模地下流体模型中历史拟合的计算负担。
• 通过利用扩散模型的稳定性和样本质量，改进现有参数化技术（如PCA、VAE和GAN），实现更优性能。
• 利用扩散模型的潜在空间实现稳健的数据同化，确保后验实现与观测的生产数据一致。
• 在具有固定与不确定相带属性的合成二维三相系统上，验证该方法的有效性。

提出的方法

• 该方法采用变分自编码器（VAE）将高维地质模型映射到低维潜在空间，实现高效表征。
• 训练U-Net架构以执行反向去噪过程，从潜在空间中的随机噪声生成新实现。
• 通过在VAE训练中引入硬数据损失项，实现条件生成。
• 模型在使用Petrel生成的4,000个条件实现上进行训练，确保地质真实性和数据一致性。
• 在潜在空间中应用基于集合的数据同化方法（ESMDA），利用动态生产数据更新模型。
• 采样采用DDIM（去噪扩散隐式模型）实现快速、确定性的推理，提升计算效率。

实验结果

研究问题

• RQ1 潜在扩散模型能否生成在空间分布与流体响应统计上与参考实现一致的地质上合理的二维三相地质模型？
• RQ2 在数据同化过程中，LDM参数化在有限约束数据条件下对地质特征的保持能力如何？
• RQ3 当潜在变量发生微小扰动时，潜在空间是否能实现稳定、平滑的过渡，表明其鲁棒性？
• RQ4 在历史拟合过程中，LDM在多大程度上能够降低孔隙度与渗透率预测的不确定性？
• RQ5 该方法能否在统一框架下处理相带属性值固定与不确定的情况？

主要发现

• LDM生成的实现与Petrel生成的参考模型在视觉和统计上均表现出强一致性，尤其在相带分布与空间连续性方面。
• 定量指标（包括空间与流体响应统计）显示，LDM生成实现与参考实现之间总体一致。
• 稳定性测试表明参数化具有良好的平滑性，潜在变量的微小扰动仅导致输出模型发生渐进且地质上合理的改变。
• 在两种合成案例中，基于ESMDA在潜在空间中的数据同化均有效降低了不确定性，后验P10–P90预测区间覆盖了观测生产数据。
• 对于大多数相带，后验分布向真实值偏移，仅泥质层的对数渗透率表现出有限敏感性，原因在于缺乏井数据。
• 泥质层渗透率后验分布的众数为27 md，接近真实值40 md，表明尽管数据敏感性不足，后验分布仍保持合理集中。