基于扩散模型的地质反问题求解方法

《Water Resources Research》：Geological Inverse Problem-Solving Method Based on Diffusion Models

　　

传统地质参数反演方法通常需要重复进行正向模拟以实现历史匹配，导致计算成本高且反演效率有限。当地质场表现出强非高斯特征时，其性能也可能受到限制。为了解决这些挑战，本研究提出了一种端到端反演建模工作流程，称为DDPM-DSI，该流程集成了去噪扩散概率模型（DDPM）与数据空间反演（DSI）。在所提出的工作流程中，研究人员使用概率稀疏注意力编码器从多变量生产数据中提取时间特征，并为扩散模型提供条件信息。地质参数场通过主成分分析（PCA）用于高斯类情形，以及向量量化变分自编码器（VQ-VAE）用于通道化非高斯情形，在降维的潜在空间中进行表示。然后应用DSI方法从观测数据和先验模拟中生成后验动态响应样本，这些样本用于条件化训练好的扩散模型，以直接生成后验地质参数场。研究人员使用二维合成油藏模型、三维Brugge基准模型以及非高斯Egg基准模型对所提出的工作流程进行了评估。结果表明，DDPM-DSI能够恢复测试案例中的主要地质结构并再现生产响应趋势。与传统的基于生成对抗网络（GAN）的反演相比，DDPM-DSI通常产生更清晰且地质上更一致的后验实现，尤其是在非高斯通道化场中。与多重数据同化集合平滑器（ESMDA）相比，DDPM-DSI在问题特定训练后能够提供快速的在线推理，并避免反演过程中基于模拟器的重复参数更新。这些结果表明，DDPM-DSI为复杂地质条件下的高效历史匹配和地质参数估计提供了一种有前景的生成式反演框架。

**基于扩散模型的地质反问题求解方法解读**

**研究背景与问题**

在地球科学和水资源应用中，反问题普遍存在，即需要从间接且往往不完整的观测数据中推断未知的系统属性或结构。地质参数反演是一个经典的反问题，其核心目标是从井压力、产量等观测数据中重构地下岩石物理参数场（如渗透率、孔隙度）。早期研究主要依赖基于梯度的方法，但易陷入局部最优、对初始值敏感，且梯度难以计算或目标函数非光滑时表现不佳。随后，集合卡尔曼滤波（EnKF）被用于实现实时反演，但需要重复启动数值模拟器处理新观测数据，导致计算成本增加。当前工业界主流方法是多重数据同化集合平滑器（ESMDA），其在每次数据同化步骤中对集合成员引入高斯扰动，并使用卡尔曼增益矩阵更新模型参数，过程更稳定且便于不确定性量化。然而，这些基于优化的方法每次迭代都需要多次数值模拟来验证解的有效性，整个拟合过程耗时，尤其在大规模数据中，迭代方法的计算负担限制了反演效率和响应速度。

为应对数值模拟器的高成本和时间消耗，研究人员转向深度学习构建数据驱动的代理模型作为传统模拟器的替代。这些代理模型近似大部分搜索空间，可在特定任务中替代部分模拟角色，从而提高反演效率。尽管许多研究在降低单次正向模拟计算成本方面取得了显著进展，但许多基于代理的历史匹配框架仍涉及基于优化的迭代求解过程，需重复参数更新和多次正向评估，影响整体计算速度。近年来，研究人员提出了基于生成模型的端到端历史匹配方法，通过学习从观测数据到原始油藏状态的直接映射，将数据和参数调整整合到统一框架中，减少人工干预。其中最具代表性的是生成对抗网络（GAN），但GAN不适合建模非高斯分布，且训练困难，存在生成器与判别器之间的收敛不稳定问题。

近年来，扩散模型在解决逆问题方面展现出独特优势，已成功应用于图像生成、时间序列数据建模、复杂场景生成，以及地下系统建模和历史匹配。例如，潜在扩散模型（LDM）已用于相参数化和数据同化；扩散模型已成功应用于条件油藏相生成；此外，还提出了使用扩散模型进行多变量地下生成和高效概率反演的方法。这些研究表明，扩散模型不仅能有效捕捉复杂地质模式，还能提供高效、准确的地下参数反演方法，为地质建模和历史匹配提供了新的技术方向。

**研究内容与结论**

为实现更快、更准确的地质参数反演，本研究提出了一种基于扩散模型的端到端反演建模方法，集成了扩散模型、概率稀疏注意力编码器、向量量化变分自编码器（VQ-VAE）以及数据空间反演（DSI），构建了一个高效、准确的反演框架。具体研究贡献包括：提出了DDPM-DSI工作流程，用于生成以动态生产响应为条件的后验地质实现；引入了基于概率稀疏注意力机制的编码器，从长期、多变量生产数据中提取有效特征，提供条件输入并降低计算开销；针对训练样本有限和非高斯特征的技术挑战，在扩散框架中引入基于VQ-VAE的潜在空间表示，以提高反演精度并降低结果不确定性；在二维、三维和非高斯基准模型上系统验证了所提出的DDPM-DSI框架，并与Pix2pixGAN-DSI和ESMDA进行了对比。

研究结果表明，DDPM-DSI能够恢复测试案例中的主要地质结构并再现生产响应趋势。与基于GAN的反演相比，DDPM-DSI通常产生更清晰且地质上更一致的后验实现，尤其是在非高斯通道化场中。与ESMDA相比，DDPM-DSI在问题特定训练后能够提供快速的在线推理，并避免了反演过程中基于模拟器的重复参数更新。这些结果表明，DDPM-DSI为复杂地质条件下的高效历史匹配和地质参数估计提供了一个有前景的生成式反演框架。该论文发表在《Water Resources Research》。

**主要技术方法**

本研究的关键技术方法包括：1) 去噪扩散概率模型（DDPM），用于在潜在空间中生成地质参数场的后验实现，通过反向扩散过程从噪声中恢复样本；2) 基于概率稀疏注意力机制的编码器（ProbSparse Attention），用于从多变量生产时间序列中提取条件特征，降低计算复杂度至O(L log L)；3) 向量量化变分自编码器（VQ-VAE），用于将非高斯通道化地质参数场映射到离散潜在表示，避免后验坍塌；4) 数据空间反演（DSI），用于从观测数据和先验模拟中采样后验动态响应，无需重新训练扩散模型。先验模型通过SGeMS地统计工具箱生成（二维和三维案例）或使用Egg模型提供的103个先验实现（非高斯案例）。训练数据包括1000个先验实现（二维和三维）或100个（Egg模型）。所有模型训练在配备RTX 4070 GPU的个人计算机上进行。

**研究结果**

**Case 1: 2D Waterflood Reservoir Model**
通过构建一个60×60网格的二维合成油藏模型，使用1000个先验实现，训练DDPM和Pix2pixGAN模型。DSI方法将前300天观测数据转换为后验生产数据，显著缩小了预测不确定性区间。后验渗透率场对比显示，DDPM-DSI能够清晰区分高低渗透率区域，边界更自然，而Pix2pixGAN存在模糊和局部伪影，ESMDA由于解的多重性出现偏差。定量评估（MAPE和Std）表明，DDPM的后验生产曲线与Pix2pixGAN相当，但ESMDA由于迭代数据同化匹配误差较低。然而，DDPM-DSI的在线计算成本远低于ESMDA，训练后只需数秒推理。

**Case 2: Three-Dimensional Brugge Benchmark Model**
构建三维Brugge模型（139×48×9网格，60,192个网格），使用1000个先验实现，反演参数包括孔隙度、x方向渗透率、z方向渗透率和净毛比。DSI方法使用前1200天观测数据（40个观测点）生成后验生产数据。后验参数场对比显示，DDPM-DSI在选定层中产生地质上一致的结果，Pix2pixGAN-DSI存在局部纹理伪影，ESMDA提供参考但需结合生产响应评估。定量结果（MAPE和Std）表明，DDPM-DSI的平均MAPE为0.0953，优于Pix2pixGAN-DSI的0.1861，但仍高于ESMDA的0.0117；DDPM-DSI的Std较低（30.9453），表明后验集合更紧凑。

**Case 3: Non-Gaussian Egg Benchmark Model**
使用Egg模型（60×60×7，仅顶层的2,491个活跃网格），先验仅100个实现。DSI方法使用前300天观测数据（10个观测点）。后验渗透率场对比显示，DDPM-DSI能够学习复杂非线性映射，近似真实地质特征并描绘高渗透率通道结构，而Pix2pixGAN仅能粗略区分高低渗透率区域，ESMDA由于高斯假设偏离真实数据。进一步通过扩散模型生成400个无条件样本扩充训练集（共500个），或使用VQ-VAE潜在空间表示，均改善了后验集合的紧凑性和稳定性，平均Std从8.3920降至3.6567（500样本）和1.8846（VQ-VAE），但MAPE略有上升。

**讨论与结论**

讨论部分指出，当前DDPM-DSI工作流程仍具有问题依赖性，反演模型针对固定的先验地质概念和特定流动问题设置训练，当先验、网格、井配置、生产控制或观测格式发生显著变化时，可能需要重新训练或迁移学习。提高可迁移性并在更现实的现场规模问题上评估工作流程是未来研究的重要方向。

结论部分翻译如下：本研究提出了一种端到端油藏参数反演框架，称为DDPM-DSI，该框架集成了去噪扩散概率模型（DDPM）与数据空间反演（DSI）。在该框架中，高维地质参数首先通过主成分分析（PCA）或向量量化变分自编码器（VQ-VAE）映射到低维潜在空间。然后使用DSI构建后验动态响应，并由概率稀疏注意力编码器提取条件信息来约束扩散模型。在固定的油藏先验分布和特定流动问题设置下，训练好的扩散模型可以直接从DSI更新的生产动态响应中生成后验地质实现，从而减少对高维不确定参数重复在线校准的需求。所提出的框架使用二维合成油藏模型、三维Brugge基准模型和非高斯Egg通道化模型进行了评估，并与Pix2pixGAN-DSI和多重数据同化集合平滑器（ESMDA）进行了比较。数值结果表明，DDPM-DSI能够再现测试案例中的主要地质模式和生产响应趋势。与Pix2pixGAN-DSI相比，DDPM-DSI在选定案例中通常提供更稳定的地质重建。与ESMDA相比，DDPM-DSI在离线训练后能够实现快速在线后验生成。尽管取得了这些有希望的结果，但当前的DDPM-DSI工作流程仍然是问题依赖的。反演模型针对固定的先验地质概念和特定流动问题设置进行训练，尽管DSI允许在该设置内同化新的生产观测而无需重新训练扩散模型。当先验、网格、井配置、生产控制或观测格式发生显著变化时，可能需要重新训练或迁移学习。提高这种可迁移性并在更现实的现场规模问题上评估工作流程仍然是未来研究的重要方向。