ترجمه فارسی مقاله آموزش سریع مدل‌های جایگزین یادگیری عمیق برای جابجایی سطح و جریان، با استفاده از تطبیق تاریخچه مبتنی بر MCMC عملیات ذخیره‌سازی CO2

چکیده

Deep learning surrogate modeling shows great promise for subsurface flow applications, but the training demands can be substantial. Here we introduce a new surrogate modeling framework to predict CO2 saturation, pressure and surface displacement for use in the history matching of carbon storage operations. Rather than train using a large number of expensive coupled flow-geomechanics simulation runs, training here involves a large number of inexpensive flow-only simulations combined with a much smaller number of coupled runs. The flow-only runs use an effective rock compressibility, which is shown to provide accurate predictions for saturation and pressure for our system. A recurrent residual U-Net architecture is applied for the saturation and pressure surrogate models, while a new residual U-Net model is introduced to predict surface displacement. The surface displacement surrogate accepts, as inputs, geomodel quantities along with saturation and pressure surrogate predictions. Median relative error for a diverse test set is less than 4% for all variables. The surrogate models are incorporated into a hierarchical Markov chain Monte Carlo history matching workflow. Surrogate error is included using a new treatment involving the full model error covariance matrix. A high degree of prior uncertainty, with geomodels characterized by uncertain geological scenario parameters (metaparameters) and associated realizations, is considered. History matching results for a synthetic true model are generated using in-situ monitoring-well data only, surface displacement data only, and both data types. The enhanced uncertainty reduction achieved with both data types is quantified. Posterior saturation and surface displacement fields are shown to correspond well with the true solution.

چکیده به فارسی (ترجمه ماشینی)

مدل سازی جانشین یادگیری عمیق وعده بزرگی را برای برنامه های جریان زیرسطحی نشان می دهد ، اما تقاضای آموزش می تواند قابل توجه باشد.در اینجا ما یک چارچوب جدید مدل سازی جانشین را برای پیش بینی اشباع CO2 ، فشار و جابجایی سطح برای استفاده در تاریخ تطبیق عملیات ذخیره کربن معرفی می کنیم.به جای اینکه قطار با استفاده از تعداد زیادی از شبیه سازی های گران قیمت و ژمکانیک گران قیمت اجرا شود ، آموزش در اینجا شامل تعداد زیادی از شبیه سازی های ارزان قیمت فقط با تعداد بسیار کمتری از اجراهای همراه است.فقط جریان جریان از یک تراکم موثر سنگ استفاده می کند ، که نشان داده می شود پیش بینی های دقیقی برای اشباع و فشار برای سیستم ما ارائه می دهد.یک معماری مکرر باقیمانده U-Net برای مدل های اشباع و فشار فشار استفاده می شود ، در حالی که یک مدل جدید U-Net باقیمانده برای پیش بینی جابجایی سطح معرفی می شود.جانشین جابجایی سطح ، به عنوان ورودی ، مقادیر ژئومودل به همراه اشباع و پیش بینی های جانشین فشار را می پذیرد.خطای نسبی متوسط ​​برای یک مجموعه تست متنوع برای همه متغیرها کمتر از 4 ٪ است.مدل های جانشین در یک زنجیره سلسله مراتبی مارکسف مونت کارلو تاریخ تطبیق جریان کار گنجانیده شده است.خطای Surrogate با استفاده از یک روش درمانی جدید شامل خطای کامل خطای کواریانس ماتریس درج شده است.درجه بالایی از عدم اطمینان قبلی ، با ژئومودل ها که با پارامترهای سناریوی زمین شناسی نامشخص (متاپرامترها) و تحقق مرتبط با آن مشخص می شوند ، در نظر گرفته شده است.نتایج تطبیق تاریخ برای یک مدل واقعی مصنوعی با استفاده از داده های چاه مانیتورینگ درجا ، فقط داده های جابجایی سطح و هر دو نوع داده ایجاد می شود.کاهش عدم اطمینان افزایش یافته با هر دو نوع داده اندازه گیری می شود.اشباع خلفی و زمینه های جابجایی سطح نشان داده شده است که به خوبی با محلول واقعی مطابقت دارد.