Использование графовых свёрток и генеративного глубокого обучения для адаптации геологических моделей

Аннотация 2
ПЕРЕЧЕНЬ УСЛОВНЫХ ОБОЗНАЧЕНИЙ И ТЕРМИНОВ 5
ВВЕДЕНИЕ 7
1 Описание задачи 9
1.1 Существующие методы 10
1.2 Графовые сети 12
2 Датасет 14
3 Машинное обучение и используемые модели 19
3.1 Генеративная сеть 19
3.1.1 Графовые свёртки 19
3.1.2 Автокодировщики 19
3.2 Метрики и функции потерь 23
3.2.1 Среднеквадратичное отклонение (англ. Mean Squared Error, MSE) . 23
3.2.2 Коэффициент Жаккара (англ. Intersection over Union, IoU) 23
3.3 Оценка плотности пространства автокодировщика 25
3.3.1 Риманова геометрия 25
3.4 CMA-ES 27
3.4.1 Эволюционные стратегии 27
4 Эксперименты 29
4.1 Сравнение графовых свёрток 29
4.2 Влияние WMSE на качество восстановления гридов 31
4.3 Методика обучения 31
4.4 Используемые инструменты 32
4.4.1 Машинное обучение 32
4.4.2 tNavigator 32
5 Результаты 34

Купить

Адаптация геологической модели (англ. History matching, АГМ) - процесс, в котором входные параметры симулятора месторождений (пористость, проницаемость, насыщенность почвы) изменяются по отдельности или вместе, чтобы минимизировать разницу между результатами симуляции и наблюдаемыми историческими данными месторождения, такими как дебиты воды, нефти или газа. Пространственная неоднородность и анизотропность пород-коллекторов приводят к большой размерности геологической модели, что усложняет задачу адаптации.
Все чаще для автоматического подбора лучших параметров используются методы генеративного машинного обучения. Существуют различные решения на основе генеративных состязательных сетей [12] и вариационных автоэнкодеров [15], однако они состоят из конвенциональных свёрточных сетей, где ядра свёрток являются многомерными матрицами, из- за чего данные приходится приводить к прямоугольной форме, что является ограничением.
В данной работе геологические карты являются графами, что позволяет анализировать месторождения со сложной геометрией - сдвигами пород, большими непроницаемыми участками. Это достигается за счёт использования графовых свёрток в архитектуре генеративной модели.
Помимо обученной генеративной сети для задачи адаптации также необходим алгоритм, интерпретирующий скрытое пространство
автокодировщика для нахождения грида, наиболее подходящего под статические и динамические данные месторождения. Однако АГМ - некорректно поставленная обратная задача, ведь одни и те же результаты симуляцию достигаются бесконечным множеством различных гридов, многие из которых нереалистичны. Чтобы избежать риска генерации неправдоподобных карт, в оптимизируемую метрику была добавлена оценка плотности скрытого пространства автокодировщика.
Таким образом, в данной работе описываются двухэтапный процесс адаптации геологических моделей. На первом этапе обучается генеративная сеть-автокодировщик. Затем, данная сеть используется вкупе с эволюционным алгоритмом для получения грида, соответствующего требуемым гидродинамическим свойствам. Для построения такого процесса были поставлены следующие задачи:
Задачи работы
1. Сгенерировать датасет геологических карт стандартными методами моделирования.
2. Подобрать архитектуру модели-автокодировщика, основанную на графовых операциях.
3. Обучить полученную модель на датасете гридов.
4. Модифицировать архитектуру для оценки плотности скрытого пространства автокодировщика.
5. Подобрать алгоритм оптимизации и метрики качества адаптации геологических моделей.
6. Оценить возможность использования разработанной системы алгоритмов для решения задачи АГМ.

Купить