Paper notes: Conditioning of three-dimensional GAN for pore and reservoir-scale models

Một trong những hệ số quan trọng để đánh giá vỉa dầu là porosity, permeability & water saturation cutoff (ngưỡng lỗ rỗng, ngưỡng thấm & ngưỡng bão hoà nước). Đây là 3 hệ số rất quan trọng để đánh giá 1 vỉa dầu có giá trị kinh tế hay không.

• Cutoff được sử dụng để xác định giá trị “net pay” (giá trị một phần của vỉa có thể thu hồi được về mặt kinh tế) và “reservoir rock” (đá chứa). Đá chứa là đá có độ thấm / độ rỗng đủ để cho phép hydrocarbon di chuyển đến giếng khoan (đáp ứng giá trị porosity & permeability cutoff). Nếu như đá chứa đáp ứng giá trị water saturation cutoff (giá trị Sw / Swe cao nhất mà vẫn tạo ra hydrocaron) thì đá chứa được xem là net pay.
• Giá trị porosity & permeability cutoff điển hình là khoảng 5% trong các bể chứa dầu thông thường. Do đó, chỉ phần của thành tạo địa chất có độ rỗng lớn hơn giá trị này mới được xem xét trong dự báo khả năng thu hồi của hồ chứa. Một thực tế ngầm hiểu là các khoảng địa chất có độ rỗng càng cao thì khả năng thấm càng tốt hơn, dù có một số trường hợp ngoại lệ (thường do các vết nứt).

Trong bài báo, 2 tác giả sử dụng GAN để tạo ra các mô phỏng không điều kiện của các mô hình đá vôi Ketton và phù sa Maules (Úc). Bài viết này tập trung nói đến việc xử lý trên tập dữ liệu đá vôi Ketton.

GAN một mô hình deep learning thuộc nhóm generative model, là mô hình có khả năng sinh ra dữ liệu, được sinh ra với kỳ vọng tạo ra được những hệ thống có độ chính xác cao mà cần ít hoạt động của con người trong khâu huấn luyện.

GAN bao gồm hai mạng: Generator G(z) ánh xạ các mẫu thu được từ phân phối chuẩn đa biến chuẩn hóa thành hình ảnh x và Discriminator D(z) đảm nhận vai trò của bộ phân loại để phân biệt giữa các mô phỏng x ~ G(z) được sinh ra. Cả hai mạng đều được huấn luyện theo quy trình hai bước xen kẽ để tối ưu hóa hàm mục tiêu tối thiểu-tối đa:

Một trong những điểm khá thuận tiện của bài báo là đã có sẵn file notebook và pre-trained GAN models. Bạn có thể xem tại Github repo của tác giả:

Một số kết quả sau khi chạy thử notebook trên Google Colab:

So sánh dữ liệu bằng cách biểu thị hình ảnh điều hòa với hình ảnh từ GAN:

Ở phía trên là ảnh của dữ liệu điều hoà, và ảnh dưới là ảnh được sinh ra từ GAN. Tiếp theo ta sẽ tính sai số bằng cách lấy dữ liệu điều hoà trừ đi dữ liệu được sinh ra từ GAN, với mong muốn là sai số tiến về 0 khi mặt cắt đi ngang điểm gốc, và noise ở các vị trí khác:

Kết quả trong paper gốc:

Mô hình (b) và (c) thu được bằng cách điều hòa mạng đối nghịch chung thành ba mặt cắt trực giao từ (a) (dữ liệu đá vôi Ketton)

References

Bài báo gốc: Mosser, L., Dubrule, O., & Blunt, M. J. (2018). Conditioning of three-dimensional generative adversarial networks for pore and reservoir-scale models. arXiv preprint arXiv:1802.05622.

Arjovsky, M., Chintala, S. and Bottou, L. [2017] Wasserstein GAN. arXiv preprint arXiv:1701.07875.

Generative Adversarial Networks. arXiv preprint arXiv:1708.01810. Goodfellow, I. [2017] NIPS 2016 Tutorial: Generative Adversarial Networks. arXiv preprint arXiv:1701.00160.

Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A. and Bengio, Y. [2014] Generative adversarial nets. In: Advances in Neural Information Processing Systems. 2672–2680.