ディープVAE-GANを用いたデータ同化のための貯留層特性のパラメータ化の高度化

概要: 現在、Iterative Ensemble Smoothers と呼ばれる手法、特に Ensemble Smoother with Multiple Data Assimilation (ESMDA) と呼ばれる手法は、石油貯留層シミュレーションにおける履歴マッチングの最先端とみなすことができます。しかし、このアプローチには二つの重要な制約があります。分布を表現するために有限サイズのアンサンブルを用いること、およびパラメータとデータ不確かさにおけるガウス仮定です。この点は特に重要です。多くの貯留層特性は非ガウス分布をとるからです。パラメータ化は、更新前に非ガウスなパラメータをガウス場へ写像し、その後元のドメインへ戻してアンサンブルを貯留層シミュレーターへ前方伝搬させる、という手順を含みます。パラメータ化を実行する有望なアプローチは、深層学習モデルを用いることです。最近の研究では、Generative Adversarial Networks (GAN) はデータ同化に関しては成績が芳しくなかったが、貯留層の地質学的により妥当な実現を生成した。一方、Variational Autoencoder (VAE) はデータ同化でGANよりも優れていたが、地質学的に現実的なモデルの生成は少なかった。この研究は、両者の長所を組み合わせ、ESMDAに組み込んだ深層学習モデル「Variational Autoencoder Generative Adversarial Network（VAE-GAN）」を実装する点で革新的です。この手法は二つのケーススタディに適用され、ひとつはカテゴリカルで、もうひとつは透過性の連続値を持つケースでした。我々の知見は、VAE-GANモデルを適用することで、GANのように高品質な貯留層の記述を得られ、VAEsのように生産曲線の履歴マッチングを同時に得られる、ということを示しています。