.png){kind=icon}
返回
A conditional denoising diffusion probabilistic model for continuous subsurface property modeling
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cageo.2026.106260.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
地质统计学建模被广泛认可为一种稳健的方法，用于模拟地下系统的空间变异性并量化不确定性。随着地质异质性和数据集成挑战的增加，生成式人工智能（GenAI）方法在地下建模中正受到越来越多的关注。提出了一种新颖的生成式条件去噪扩散概率模型（DDPM），用于在规则网格上模拟连续的地下属性。通过将硬数据值及其二进制掩码作为辅助通道连接到U-Net去噪器，并嵌入在整个网络中注入的变异函数描述符（方位角、变程、各向异性比和块金效应），实现了基于观测值和空间连续性的条件约束。采用了一种复合损失函数，其中标准噪声预测目标被增强了一个硬数据项，该硬数据项在保持目标空间连续性的同时促进条件值的精确再现。DDPM在连续高斯数据上进行训练和评估，这些数据为开发和评估所提出的条件框架提供了可控的基准。多个测试案例的数值实验（包括训练域内和域外）表明，条件DDPM能够再现直方图和变异函数，提供与简单克里金法相当的局部不确定性估计，并捕捉参考集合的全局变异性，这些通过多维缩放和覆盖分析进行评估。这些结果表明，条件DDPM能够为连续地下建模提供一个灵活的基于GenAI的框架。
Keyword:
Generative artificial intelligence
Conditional subsurface modeling
Denoising diffusion probabilistic models
Hard data conditioning
Variogram embedding
Continuous property simulation
