Towards geological inference with process-based and deep generative modeling, part 2: inversion of fluvial deposits and latent-space disentanglement
Guillaume Rongier, Luk Peeters
高成本和不确定性使地下决策具有挑战性,因为获取新数据很少具有可扩展性。 将地质知识直接嵌入到预测模型中提供了一个有价值的选择。 共同方法仅实现这一点:模拟地质过程的基于过程的模型可以帮助训练生成模型,从而更有效地进行预测。 这项研究探讨了生成对抗网络(GAN) - 一种用于生成建模的深度学习算法 - 训练产生流性沉积物是否可以倒置以匹配良好和地震数据。 应用于3个测试样本的4个反转方法,其中4个,8个和20个井难以匹配这些井数据,特别是随着井数量的增加或测试样本与训练数据不同。 关键的瓶颈在于GAN的潜在表示:它是纠缠的,因此具有类似沉积特征的样品不一定在潜伏空间中接近。 标签调理或潜伏过度参数化可以在训练过程中部分解开潜伏空间,尽管还不足以成功反转。 微调GAN以在本地重组潜在空间,在所有测试用例中,无论是否有地震数据,将不匹配减少到可接受的水平。 但这种方法取决于初始的,部分成功的倒置步骤,该步骤会影响最终样品的质量和多样性。 总的来说,GAN已经可以处理集成到地理建模工作流程中所需的任务。 我们仍然需要进一步评估它们的稳健性,以及如何最好地利用它们来支持地质解释。
High costs and uncertainties make subsurface decision-making challenging, as acquiring new data is rarely scalable. Embedding geological knowledge directly into predictive models offers a valuable alternative. A joint approach enables just that: process-based models that mimic geological processes can help train generative models that make predictions more efficiently. This study explores whether a generative adversarial network (GAN) - a type of deep-learning algorithm for generative modeling -...
