基于线性约束深度生成网络的集合历史拟合模型参数化增强方法

《Artificial Intelligence in Geosciences》：Enhancing model parameterization with linearly constrained deep generative network for ensemble-based history matching

　　

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，但难以处理实际现场应用中普遍存在的复杂非线性和非高斯行为。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。研究人员提出了一种正则化变分自编码器（RVAE），包括三个集成组件：（1）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）解码器，将潜在变量映射回原始模型空间，确保准确且地质一致的重建；（3）轻量级线性子网络，对潜在空间施加额外正则化，强制与观测数据呈线性关系。该RVAE框架通过使参数化更接近其线性-高斯假设，从而增强基于集合的方法，提高兼容性并改善历史拟合精度。考虑到前向储层模拟通常所需的高计算成本和时间，研究人员采用半监督学习方法，利用数据集，其中仅一小部分生成的模型实现与来自这些模拟的生产数据配对。在网络设计方面，RVAE的核心架构基于卷积DenseNet，并集成注意力机制以优化特征表示。实验结果表明，所提出的方法有效捕捉了渗透率场中的非高斯模式，并显著改进了高度非线性生产数据的同化。

**研究背景与问题**
地下储层建模中，地质建模（GM）和历史拟合（HM）是两个关键过程，前者整合静态数据（如测井、岩心）提供地质表征，后者利用动态数据（如产量、时移地震）优化模型预测精度。历史拟合本质上是逆问题，需通过贝叶斯推断估计未知模型参数（如渗透率、孔隙度场）。基于集合的数据同化方法（如集合平滑器）因其无导数、可处理大量变量并提供不确定性量化而被广泛采用，但其性能在高度非线性和非高斯问题中显著下降。非线性源于前向模型（如偏微分方程模拟）对参数与观测数据的复杂映射，非高斯性则来自非高斯先验（如复杂地质相）、非线性映射或非高斯观测噪声。标准方法依赖线性-高斯假设，当这些假设被违反时，会导致参数估计偏差和拟合不佳。尽管迭代集合平滑器（IES）通过逐步优化缓解了非线性问题，但非高斯性仍需通过参数化技术（如截断多高斯、水平集、核主成分分析）转化，然而传统线性变换效果有限。近年来，深度生成模型（如生成对抗网络GAN、变分自编码器VAE）被用于参数化，能有效降维并保留地质一致性，但会引入额外非线性，增加迭代次数和计算成本。为此，本研究提出一种正则化深度生成模型参数化方法，旨在同时解决非高斯性和非线性问题，增强基于集合方法的兼容性和准确性，该方法已发表在《Artificial Intelligence in Geosciences》。

**研究内容与结论**
研究人员开发了一种基于正则化变分自编码器（RVAE）的参数化框架，通过在标准VAE中引入轻量级线性子网络，强制潜在变量与观测数据呈线性关系，从而降低下游反演的非线性。该框架采用半监督学习策略，仅部分模型实现与生产数据配对，以降低前向模拟成本。实验表明，RVAE有效捕捉非高斯渗透率模式，并显著提升高度非线性生产数据的同化精度，使集合历史拟合在更少迭代次数下达到更高准确性。

**主要技术方法**
（1）使用卷积DenseNet作为核心架构，集成极化自注意力（PSA）机制以优化特征表示；
（2）编码器提取高维渗透率场特征并投影至100维潜在空间，解码器实现逆映射；
（3）线性子网络（仅含全连接层，无非线性激活）强制潜在变量与生产数据线性相关，损失函数添加数据失配项（L_DM），权重λ调节；
（4）采用半监督训练：200个标记样本（渗透率-生产数据对）与4300个未标记样本（仅渗透率）混合，标记样本通过t-SNE聚类和k-means选取；
（5）合成2D河道储层模型（45×45网格），基于多点统计模拟和序贯高斯模拟生成渗透率场，使用ECLIPSE模拟器计算生产数据（36个月水油产量及井底压力）。

**研究结果**

**4.1 实验设置与数据集生成**
研究人员构建了合成2D河道储层模型，包含高渗透率河道砂和低渗透率页岩两种相，渗透率场通过层次地质统计建模生成。参考模型随机选取，观测数据由五口井（四口生产井、一口注入井）的产量和压力数据组成，并加入高斯噪声。

**4.2 网络设计与训练**
RVAE采用DenseNet结构，在编码器和解码器末尾添加PSA注意力模块，潜在维度设为100。训练使用AdamW优化器，学习率10^-3，权重衰减10^-3，共2000轮。正则化参数λ在全监督情况下设为10⁵，半监督下设为10²。

**4.3 全监督情况**
对比标准VAE（λ=0）与RVAE（λ=10⁵），两者重建质量相近，均保留主要河道结构但存在平滑化。在单步集合平滑器更新后，RVAE参数化得到更清晰、连通性更好的高渗透率河道均值场，且不确定性在大部分区域显著降低，而VAE仅部分恢复通道结构。均方根误差（RMSE）箱线图显示RVAE更新后误差显著低于VAE。

**4.4 半监督情况**
使用200个标记样本和4300个未标记样本，初始集合为200个标记样本。在非迭代（单步）更新中，RVAE已产生更连贯的河道结构，而VAE更新更模糊。经过4次IES迭代，两种模型均改善，但RVAE每次迭代更新更有效，最终RMSE更低，且仅需4次迭代即可达到VAE用8次迭代的数据失配水平，甚至优于VAE用16次迭代的渗透率RMSE。生产数据拟合图显示，RVAE更新后曲线更接近观测数据，且集合离散度更小。

**讨论与结论**
讨论部分指出，RVAE框架在非高斯设定下通过线性约束潜在空间，显著提升了集合历史拟合的精度和鲁棒性，且半监督策略降低了计算成本。然而，该方法依赖训练数据集的代表性，若不能充分覆盖先验不确定性，潜在表示可能产生偏差。此外，前向模拟仍是大型模型的计算瓶颈，三维应用中的高维度和强非线性带来额外挑战。未来研究将探索自适应正则化、主动学习及替代生成模型。

**研究结论**
本文提出了一种基于深度生成模型的参数化框架，用于集合储层历史拟合。该框架解决了集合数据同化在高度非线性和非高斯设定中的固有限制。开发了一种基于正则化变分自编码器（RVAE）的参数化框架，以学习原始储层参数的低维潜在表示，该表示更符合集合方法所依赖的线性-高斯假设。RVAE的核心架构建立在卷积DenseNet之上，并增强注意力机制以提升特征表示。其编码器-解码器结构实现模型参数的显著降维，同时将其分布转化为更接近高斯分布。为进一步增强同化性能，引入轻量级线性子网络，明确强制潜在变量与观测数据之间的线性关系。此外，采用半监督训练策略以减轻前向储层模拟的计算成本，仅将有限数量的模型实现与模拟生产数据配对。实验结果表明，所提方法显著提高了集合历史拟合的准确性和鲁棒性。RVAE框架不仅捕捉了复杂的参数分布，还增强了非线性生产数据的同化，从而产生更可靠且地质一致的模型更新。在半监督设定中，仅在部分训练样本上施加线性约束降低了训练和前向模拟成本。由于该约束是利用初始集合的前向模拟施加，而未引入额外储层模拟，RVAE的计算成本与标准VAE相当。同时，潜在空间非线性的降低导致历史拟合期间生产数据和模型参数的匹配收敛速度加快。这些发现凸显了潜在空间正则化在处理集合历史拟合中非线性和非高斯性挑战方面的潜力。