A principled deep learning approach for geological facies generation

要約

観察不可能な体積内の地質相のシミュレーションは、さまざまな地球科学アプリケーションに不可欠です。
問題の複雑さを考慮すると、深層生成学習は、従来の地球統計シミュレーション モデルの限界、特に物理的現実性の欠如を克服するための有望なアプローチです。
この研究は、地下ボリューム内の曲がりくねった水路を条件付きでシミュレートするための、敵対的生成ネットワークと深層変分推論のアプリケーションを調査することを目的としています。
この論文では、生成的深層学習のアプローチ、特に敵対的なアプローチと、そのトレーニングを容易にすることを目的とした安定化技術をレビューします。
提案されたアプローチは、確率過程ベースのモデル Flumy によって生成された 2D および 3D シミュレーションでテストされます。
形態学的メトリクスは、私たちが提案する方法を敵対的生成ネットワークの以前の反復と比較するために利用されます。
この結果は、最近の安定化技術を利用することで、敵対的生成ネットワークがターゲット データ分布から効率的にサンプリングできることを示しています。
さらに、提案されたアプローチの潜在変数モデルのプロパティを通じて、条件付きシミュレーションをシミュレートする機能を実証します。

要約(オリジナル)

The simulation of geological facies in an unobservable volume is essential in various geoscience applications. Given the complexity of the problem, deep generative learning is a promising approach to overcome the limitations of traditional geostatistical simulation models, in particular their lack of physical realism. This research aims to investigate the application of generative adversarial networks and deep variational inference for conditionally simulating meandering channels in underground volumes. In this paper, we review the generative deep learning approaches, in particular the adversarial ones and the stabilization techniques that aim to facilitate their training. The proposed approach is tested on 2D and 3D simulations generated by the stochastic process-based model Flumy. Morphological metrics are utilized to compare our proposed method with earlier iterations of generative adversarial networks. The results indicate that by utilizing recent stabilization techniques, generative adversarial networks can efficiently sample from target data distributions. Moreover, we demonstrate the ability to simulate conditioned simulations through the latent variable model property of the proposed approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google