Fugu-MT 論文翻訳(概要): Autoregressive Physics-Informed Neural Operator Surrogates and Joint 4-D Seismic-Production Bayesian History Matching

論文の概要: Autoregressive Physics-Informed Neural Operator Surrogates and Joint 4-D Seismic-Production Bayesian History Matching

arxiv url: http://arxiv.org/abs/2610.31677v1
Date: Tue, 29 Sep 2026 19:55:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-02 06:06:26.103461
Title: Autoregressive Physics-Informed Neural Operator Surrogates and Joint 4-D Seismic-Production Bayesian History Matching
Title（参考訳）: 自己回帰物理インフォームドニューラルネットワークサロゲートと4次元地震探査ベイズ履歴マッチング
Abstract要約: 本稿では,現実的な合成モデルで実証された,サロゲート加速ベイズ履歴マッチングフレームワークを提案する。我々は,適応正規化アンサンブルカルマンインバージョン(aREKI)を用いて生産データと4次元地震波を同化し,ロールアウト内でV_p$を合成する。ロールアウトのために、小さな欠陥の下で、W_1lesum_j L,n-1-jmathbbEe_j$, a Physics-penalty inversion $|D_xmathcalG_|le1$
参考スコア（独自算出の注目度）: 0.1527458325979785
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a surrogate-accelerated Bayesian history-matching framework, demonstrated on a realistic synthetic model ($N=100{,}188$ cells). The forward map $\mathcal{G}$ is replaced by a Fourier neural operator $\mathcal{G}_θ$ trained in a closed loop, $\hat{x}_{n+1}=\mathcal{G}_θ(u,\hat{x}_n)$, with the discrete black-oil residual $R(x_{n+1},x_n)$ as a physics-informed neural operator (PINO) penalty, truncated backpropagation and noise injection. We assimilate production data and 4-D seismic using adaptive regularised ensemble Kalman inversion (aREKI), and synthesise $ΔV_p$ inside the rollout via a closed-form Gassmann transform of the surrogate, under a two-stage schedule (aREKI on production, then an ensemble smoother with multiple data assimilation, ES-MDA, on both). To temper the ill-posedness, we invert $(\log K,φ)$ not in $\mathbb{R}^{2N}$, where $N_e\ll 2N$ leaves a rank-deficient covariance and a null space the data never inform, but on a chart $u=Ψ(\tilde m)$, $\tilde m\in\mathbb{R}^{d}$, $d\ll 2N$, given by a Parseval-exact truncated cosine transform or a variational auto-encoder decoder. The ensemble then spans its own search space; the directions the data cannot constrain are cut to those the chart can express, and every member decodes to a geologically plausible field. For the rollout we prove an exposure bound $W_1\le\sum_j L^{\,n-1-j}\mathbb{E}e_j$, a physics-penalty contraction $\|D_x\mathcal{G}_θ\|\leα<1$ under a small residual defect, and an $\mathcal{O}(ρ^K)$ truncation bias. A Loewner-order inequality $\mathcal{I}_p\preceq\mathcal{I}_p+\mathcal{I}_s$ explains why joint assimilation is no less informative. On held-out data, $\mathcal{G}_θ$ attains $R^2>0.999$ on pressure and saturation and rolls out in $0.579$ s, a $\sim2500\times$ speed-up, bringing an $N_e=190$-member, $N_a=10$-iteration joint inversion within one GPU-hour.
Abstract（参考訳）: 本研究では, 現実的な合成モデル(N=100{,}188$セル)で実証した, サロゲート加速ベイズヒストリーマッチングフレームワークを提案する。フォワードマップ $\mathcal{G}$ は、閉じたループで訓練されたフーリエニューラル演算子 $\mathcal{G}_θ$ に置き換わる、$\hat{x}_{n+1}=\mathcal{G}_θ(u,\hat{x}_n)$ は、離散ブラックオイル残差 $R(x_{n+1},x_n)$ を物理インフォームドニューラル演算子(PINO)ペナルティとして、逆プロパゲーションとノイズ注入を行う。本研究では,アダプティブ・正規化アンサンブル・カルマン・インバージョン(aREKI)を用いて生産データと4次元地震を同化し,サロゲートの閉形式ガスマン変換によりロールアウト内部に$ΔV_p$を合成する(aREKIは生産時,ES-MDAは両方)。不正を抑えるために、$(\log K,φ)$ not in $\mathbb{R}^{2N}$, where $N_e\ll 2N$ is a rank-deficient covariance and a null space without the data never inform, $\tilde m\in\mathbb{R}^{d}$, $d\ll 2N$, given by a Parseval-exact truncated cosine transform or a variational auto-encoder decoder。その後、アンサンブルは独自の検索空間にまたがり、データに拘束できない方向はグラフが表現できる方向へカットされ、全てのメンバーは地質学的に可算なフィールドにデコードされる。ロールアウトのために、露光バウンダリ$W_1\le\sum_j L^{\,n-1-j}\mathbb{E}e_j$、物理対価収縮$\|D_x\mathcal{G}_θ\|\leα<1$、および$\mathcal{O}(ρ^K)$ truncation biasを証明した。 Loewner-次不等式 $\mathcal{I}_p\preceq\mathcal{I}_p+\mathcal{I}_s$ は、なぜ関節同化が有益でないのかを説明する。ホールドアウトデータでは、$\mathcal{G}_θ$は圧力と飽和で$R^2>0.999$を獲得し、$0.579$ s、$\sim2500\times$ Speed-upでロールアウトし、1GPU時間以内に$N_e=190$-member、$N_a=10$-iterationジョイントインバージョンを提供する。

論文の概要: Autoregressive Physics-Informed Neural Operator Surrogates and Joint 4-D Seismic-Production Bayesian History Matching

関連論文リスト