[论文解读] Physics-informed semantic inpainting: Application to geostatistical modeling

Qiang Zheng, Lingzao Zeng+2 more|arXiv (Cornell University)|Sep 19, 2019

Model Reduction and Neural Networks参考文献 13被引用 7

一句话总结

本文提出一种基于Wasserstein GAN与梯度惩罚（WGAN-GP）的物理信息语义修复框架，通过联合利用直接测量数据与间接压力水头（h）数据，并结合物理约束，实现对非均质地质场——特别是水力传导率（K）——的重建。该方法采用Sobel滤波器近似控制PDE中的空间梯度，从而有效整合守恒定律，并在512维地下水流问题中，相较于仅使用直接测量的方法，展现出更高的重建精度与物理一致性。

ABSTRACT

A fundamental problem in geostatistical modeling is to infer the heterogeneous geological field based on limited measurements and some prior spatial statistics. Semantic inpainting, a technique for image processing using deep generative models, has been recently applied for this purpose, demonstrating its effectiveness in dealing with complex spatial patterns. However, the original semantic inpainting framework incorporates only information from direct measurements, while in geostatistics indirect measurements are often plentiful. To overcome this limitation, here we propose a physics-informed semantic inpainting framework, employing the Wasserstein Generative Adversarial Network with Gradient Penalty (WGAN-GP) and jointly incorporating the direct and indirect measurements by exploiting the underlying physical laws. Our simulation results for a high-dimensional problem with 512 dimensions show that in the new method, the physical conservation laws are satisfied and contribute in enhancing the inpainting performance compared to using only the direct measurements.

研究动机与目标

• 解决现有地质统计建模中语义修复方法仅依赖直接测量所导致的局限性，同时利用通常更为丰富的间接测量（如压力水头）。
• 将物理守恒定律——特别是稳态流方程——整合进深度生成建模框架，以提高重建保真度。
• 开发一种可扩展的高维解决方案，利用稀疏的直接测量与丰富的间接测量，推断非均质水力传导率场。
• 评估在复杂高维地质问题中引入物理约束对语义修复性能的影响。

提出的方法

• 开发了一种物理信息WGAN-GP框架，先在无条件的真实地质场实现上进行预训练，以学习潜在数据分布。
• 使用Sobel滤波器作为偏微分方程（PDE）中空间导数的离散近似，实现在无坐标自动微分情况下的梯度计算。
• 通过惩罚流PDE残差的方式，将物理约束嵌入损失函数，确保生成场满足质量守恒。
• 优化生成器的潜在空间，使其同时匹配已知的直接测量（如K值）与间接测量（如h值），其中物理PDE作为正则化器。
• 执行多目标优化，使生成器同时最小化重建误差、对抗损失与物理一致性损失。
• 在包含20个直接K测量与40个间接h测量的高维（512维）地下水流问题上评估该方法。

实验结果

研究问题

• RQ1 当直接测量稀疏时，能否有效利用如水力水头等间接测量数据，在地质场重建的语义修复中实现有效提升？
• RQ2 将物理守恒定律整合进生成模型后，如何提升重建地质场的准确度与合理性？
• RQ3 在无显式坐标输入的卷积GAN框架中，使用Sobel滤波器近似空间梯度的影响是什么？
• RQ4 在高维地质统计建模中，引入物理约束是否能降低不确定性并提升泛化能力？
• RQ5 在物理信息WGAN-GP中，输入噪声向量的最优维度是多少，以在捕捉空间变异性与优化稳定性之间取得平衡？

主要发现

• 物理信息WGAN-GP框架成功在重建的水力传导率场中强制执行物理守恒定律，确保质量守恒与物理一致性。
• 与仅使用直接测量相比，整合间接压力水头测量显著提升了K场的重建精度，表现为更低的RMSE与更高的R²。
• 在最佳配置下，该方法实现了决定系数（R²）为0.935，表明预测结果与真实K场之间具有高度一致性。
• 输入噪声维度为100时，在捕捉空间变异性与实现稳定优化之间达到最优平衡，更高维度（如200）因难以找到最优潜在变量而导致R²下降。
• Sobel滤波器能有效近似PDE中的空间梯度，实现在无坐标输入的卷积架构中稳健的物理约束强制。
• 该框架在高维问题（512维）中表现出可扩展性与鲁棒性，适用于真实世界地下水流建模应用。