Enhancing model parameterization with linearly constrained deep generative network for ensemble-based history matching

Zhang, Yanhui

doi:10.1016/j.aiig.2026.100201

Enhancing model parameterization with linearly constrained deep generative network for ensemble-based history matching

2026-03-01

0

PRE

AI

DOI：10.1016/j.aiig.2026.100201

原文链接

原文求助

摘要

En 中文

基于集合的数据同化方法已广泛应用于地下储层建模中的历史拟合，但在处理实际油田应用中普遍存在的复杂非线性与非高斯行为时面临挑战。为解决这些局限性，本文引入了一种基于深度生成模型的参数化方法，该方法能有效降低维度、保留非高斯模式并增强与观测数据的线性关系。我们提出了一种正则化变分自编码器（RVAE），包含三个集成组件：（1）一个编码器，将高维储层模型参数投影到低维潜在空间，捕捉复杂的非高斯分布；（2）一个解码器，将潜在变量映射回原始模型空间，确保准确且地质上合理的重建；（3）一个轻量级线性子网络，对潜在空间施加额外正则化，强制与观测数据建立线性关系。该RVAE框架通过使参数化更接近集合基方法的线性-高斯假设，从而增强兼容性并提高历史拟合精度。鉴于前向储层模拟通常需要高昂的计算成本和时间，我们采用半监督学习方法，利用一个仅包含少量生成模型实现与模拟生产数据配对的数据集。在网络设计中，RVAE的核心架构基于卷积DenseNet，并集成了注意力机制以优化特征表示。实验结果表明，所提出的方法能有效捕捉渗透率场中的非高斯模式，并显著改善对高度非线性生产数据的同化效果。

Keyword:

Variational autoencoder

Ensemble methods

Data assimilation

Semi-supervised learning

Attention mechanism

Enhancing model parameterization with linearly constrained deep generative network for ensemble-based history matching

摘要

期刊

机构

引用论文