[论文解读] Recent Developments Combining Ensemble Smoother and Deep Generative Networks for Facies History Matching

Smith W. Arauco Canchumuni, José David Bermúdez Castro+3 more|arXiv (Cornell University)|May 8, 2020

Reservoir Engineering and Simulation Methods参考文献 48被引用 9

一句话总结

本文提出了一种基于深度学习的参数化框架，结合变分自编码器（VAEs）、生成对抗网络（GANs）和主成分分析（PCA）以及循环生成对抗网络（Cycle-GANs），以通过集合平滑器多数据同化（ES-MDA）改进相带历史拟合。该研究对比了七种架构，并引入两种定位策略，实现在深度生成参数化中的基于距离的定位，显著提升了大规模油藏模型中的集合稳定性与地质合理性。

ABSTRACT

Ensemble smoothers are among the most successful and efficient techniques currently available for history matching. However, because these methods rely on Gaussian assumptions, their performance is severely degraded when the prior geology is described in terms of complex facies distributions. Inspired by the impressive results obtained by deep generative networks in areas such as image and video generation, we started an investigation focused on the use of autoencoders networks to construct a continuous parameterization for facies models. In our previous publication, we combined a convolutional variational autoencoder (VAE) with the ensemble smoother with multiple data assimilation (ES-MDA) for history matching production data in models generated with multiple-point geostatistics. Despite the good results reported in our previous publication, a major limitation of the designed parameterization is the fact that it does not allow applying distance-based localization during the ensemble smoother update, which limits its application in large-scale problems. The present work is a continuation of this research project focusing in two aspects: firstly, we benchmark seven different formulations, including VAE, generative adversarial network (GAN), Wasserstein GAN, variational auto-encoding GAN, principal component analysis (PCA) with cycle GAN, PCA with transfer style network and VAE with style loss. These formulations are tested in a synthetic history matching problem with channelized facies. Secondly, we propose two strategies to allow the use of distance-based localization with the deep learning parameterizations.

研究动机与目标

• 解决集合平滑器在处理复杂相带分布时因高斯假设带来的局限性。
• 评估多种深度生成网络作为相带模型参数化工具的性能，以提升数据同化效果。
• 开发并验证基于深度学习的参数化定位策略，以实现在大规模油藏模型中的可扩展应用。
• 通过引入空间局部化更新，克服在使用深度生成模型时ES-MDA中的集合坍塌问题。

提出的方法

• 对比七种深度生成架构：VAE、GAN、Wasserstein GAN、VAE-GAN、Cycle-GAN、风格迁移网络，以及带有风格损失的VAE，用于相带重参数化。
• 将每种生成模型与ES-MDA结合，用于在合成2D层状油藏中对静态（硬数据）和动态（生产）数据进行历史拟合。
• 提出一种基于潜在空间局部分析的通用定位策略，以缓解深度生成参数化中的集合坍塌问题。
• 引入基于PCA的潜在空间与Cycle-GAN结合，以保持空间关系，实现有效的基于距离的定位。
• 使用包含3600个网格块的2D油藏模型，测试不同架构和定位方案的性能。
• 在ES-MDA更新后，使用基于VAE的解码器重建相带实现，以确保一致性并减少重建中的噪声。

实验结果

研究问题

• RQ1 不同深度生成网络（如VAE、GAN、WGAN等）在生成用于历史拟合的逼真相带实现方面的能力如何比较？
• RQ2 潜在空间扰动对生成模型在相带建模中的稳定性与敏感性有何影响？
• RQ3 基于距离的定位能否有效应用于集合平滑器框架中的基于深度学习的参数化？
• RQ4 不同定位策略如何影响相带历史拟合中的集合方差与地质合理性？
• RQ5 在所评估的架构中，训练时间、重建质量与数据同化性能之间的计算权衡如何？

主要发现

• 所有七种深度生成模型在合成测试案例中均成功生成了具有清晰河道结构的逼真相带实现。
• GAN生成器对潜在向量扰动表现出不敏感性，表明训练过程中可能存在模式坍塌。
• 训练时间差异显著，单个GPU上每种模型的训练时间从23分钟到4.5小时不等，凸显计算成本为主要瓶颈。
• 使用VAE但未采用定位的ES-MDA导致严重的集合方差坍塌，证明了定位的必要性。
• 将局部分析策略与VAE结合应用于ES-MDA后，成功减少了重建中的噪声，恢复了集合稳定性。
• 所提出的两种定位策略均有效防止了集合坍塌，并在生产数据条件下生成了地质上合理的相带分布。