論文の概要: Enhancing the Parameterization of Reservoir Properties for Data Assimilation Using Deep VAE-GAN

• arxiv url: http://arxiv.org/abs/2603.18766v2
• Date: Sun, 22 Mar 2026 16:21:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 14:46:12.186067
• Title: Enhancing the Parameterization of Reservoir Properties for Data Assimilation Using Deep VAE-GAN
• Title（参考訳）: 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促進
• Authors: M. A. Sampaio, P. H. Ranazzi, M. J. Blunt,
• Abstract要約: この研究は、ESMDAと統合された変分オートエンコーダ生成適応ネットワーク(VAE-GAN)と呼ばれるディープラーニングモデルを実装するために、両者の強みを組み合わせることに革新的である。 その結果,VAE-GANモデルを適用することで,高品質な貯水池記述(GAN)と生産曲線(VAEと同様)の整合性が得られることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Currently, the methods called Iterative Ensemble Smoothers, especially the method called Ensemble Smoother with Multiple Data Assimilation (ESMDA) can be considered state-of-the-art for history matching in petroleum reservoir simulation. However, this approach has two important limitations: the use of an ensemble with finite size to represent the distributions and the Gaussian assumption in parameter and data uncertainties. This latter is particularly important because many reservoir properties have non-Gaussian distributions. Parameterization involves mapping non-Gaussian parameters to a Gaussian field before the update and then mapping them back to the original domain to forward the ensemble through the reservoir simulator. A promising approach to perform parameterization is through deep learning models. Recent studies have shown that Generative Adversarial Networks (GAN) performed poorly concerning data assimilation, but generated more geologically plausible realizations of the reservoir, while the Variational Autoencoder (VAE) performed better than the GAN in data assimilation, but generated less geologically realistic models. This work is innovative in combining the strengths of both to implement a deep learning model called Variational Autoencoder Generative Adversarial Network (VAE-GAN) integrated with ESMDA. The methodology was applied in two case studies, one case being categorical and the other with continuous values of permeability. Our findings demonstrate that by applying the VAE-GAN model we can obtain high quality reservoir descriptions (just like GANs) and a good history matching on the production curves (just like VAEs) simultaneously.
• Abstract（参考訳）: 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見なすことができる。 しかし、このアプローチには2つの重要な制限がある: 分布を表すために有限の大きさのアンサンブルを使うことと、パラメータとデータの不確実性におけるガウスの仮定である。 後者は、多くの貯水池特性が非ガウス分布を持つため、特に重要である。 パラメータ化では、更新前に非ガウスのパラメータをガウスのフィールドにマッピングし、それらを元のドメインにマッピングし、貯水池シミュレータを通してアンサンブルを転送する。 パラメータ化を行うための有望なアプローチは、ディープラーニングモデルを通じてである。 近年の研究では、GAN (Generative Adversarial Networks) はデータ同化に関してあまり機能していないが、より地質学的に妥当な貯水池の実現を生み出し、一方、変動オートエンコーダ (VAE) はデータ同化においてGANよりも優れた性能を示したが、地質学的に現実的なモデルは得られなかった。 この研究は、ESMDAと統合された変分オートエンコーダ生成適応ネットワーク(VAE-GAN)と呼ばれるディープラーニングモデルを実装するために、両者の強みを組み合わせることに革新的である。 この手法は2つのケーススタディで適用され、1つは分類学的であり、もう1つは透過性の連続的な値である。 その結果,VAE-GANモデルを適用することで,高品質な貯水池記述(GAN)と生産曲線(VAEと同様)の整合性が得られることがわかった。

関連論文リスト

• Likelihood-Free Inference and Hierarchical Data Assimilation for Geological Carbon Storage [0.0]
  我々は,CO2 ストレージアプリケーションのための階層型データ同化フレームワークを開発した。 我々は超パラメータ推定における計算的に難解な確率関数を扱う。 3次元逐次R-U-Net深層学習に基づく代理モデルを適用し,フォワード関数の評価を行った。
  論文  参考訳（メタデータ） (2024-10-20T06:15:56Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• AI enhanced data assimilation and uncertainty quantification applied to Geological Carbon Storage [0.0]
  本稿では,Surrogate-based hybrid ESMDA (SH-ESMDA)を導入し,Surrogate-based hybrid ESMDA (SH-ESMDA)について述べる。 また,SurrogateをベースとしたHybrid RML(SH-RML)も導入する。 以上の結果より,SH-RMLは従来のESMDAと比較して不確実性が高いことが示唆された。
  論文  参考訳（メタデータ） (2024-02-09T00:24:46Z)
• History Matching for Geological Carbon Storage using Data-Space Inversion with Spatio-Temporal Data Parameterization [0.0]
  データ空間インバージョン(DSI)では、履歴にマッチした興味の量は、後続のジオモデルを構築することなく直接推測される。 これは、ベイズの設定内でのO(1000)事前シミュレーション結果、データパラメータ化、および後続サンプリングのセットを用いて効率よく達成される。 新たなパラメータ化では、次元縮小のための対向オートエンコーダ(AAE)と畳み込み長短期メモリ(convLSTM)ネットワークを使用して、圧力場と飽和場の空間分布と時間的進化を表す。
  論文  参考訳（メタデータ） (2023-10-05T00:50:06Z)
• Heterogeneous Multi-Task Gaussian Cox Processes [61.67344039414193]
  異種相関タスクを共同でモデル化するためのマルチタスクガウスコックスプロセスの新たな拡張を提案する。 MOGPは、分類、回帰、ポイントプロセスタスクの専用可能性のパラメータに先行して、異種タスク間の情報の共有を容易にする。 モデルパラメータを推定するための閉形式反復更新を実現する平均場近似を導出する。
  論文  参考訳（メタデータ） (2023-08-29T15:01:01Z)
• Understanding Overparameterization in Generative Adversarial Networks [56.57403335510056]
  generative adversarial network (gans) は、非凹型ミニマックス最適化問題を訓練するために用いられる。 ある理論は、グローバル最適解に対する勾配降下 (gd) の重要性を示している。 ニューラルネットワークジェネレータと線形判別器を併用した多層GANにおいて、GDAは、基礎となる非凹面min-max問題の大域的なサドル点に収束することを示す。
  論文  参考訳（メタデータ） (2021-04-12T16:23:37Z)
• DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
  ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。 本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。 提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
  論文  参考訳（メタデータ） (2020-08-20T17:25:16Z)
• Recent Developments Combining Ensemble Smoother and Deep Generative Networks for Facies History Matching [58.720142291102135]
  本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。 本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
  論文  参考訳（メタデータ） (2020-05-08T21:32:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。