Dissertação

{pt_PT=Geostatistical Subsurface Modeling Using Generative Adversarial Networks} {} EVALUATED

{pt=A Rede Generativa Adversária (GAN) é um modelo de rede composta de duas redes neuronais com múltiplas camadas escondidas (deep neural networks), que apresentam caráter distinto, i. e. discriminativa e geradora. A GAN, após treinada, será capaz de gerar amostras que reproduzem a distribuição de dados, inclusive espacialmente, a partir de um conjunto de treino. Em geociências, o uso GAN’s para geração não condicionada de modelos de propriedades de rocha por meio de imagens de treino, e em métodos probabilísticos de inversão sísmica. Nesse trabalho, a GAN é proposta como uma técnica de reprodução de modelos de subsuperfície, onde há acesso uma escassa base de dados das propriedades de interesse. Como dados de treino para a rede, são usadas realizações geoestatísticas e modelos são criados a partir de dados experimentais. A GAN é utilizada para reconstruir canais não estacionários e propriedades elásticas contínuas, na presença de dados condicionantes ou não. Os exemplos apresentados mostram a capacidade da GAN em aprender a estrutura espacial dos dados a partir de realizações estocásticas, reproduzindo as principais estatísticas de primeira e segunda ordem e os padrões de continuidade espacial, como expressado por modelos de variograma (i. e. matriz de covariância espacial). Também é explorado o uso da GAN no método de inversão sísmica na tentativa de reproduzir estruturas não-estacionárias por meio de uma inversão simultânea dos dados sísmicos para modelos de fácies e impedâncias acústicas. Tal método permitirá produzir modelos de reservatórios geologicamente mais consistentes e confiáveis. , en=Generative Adversarial Network (GAN) is a model that considers two distinct deep neural networks, i. e. a discriminator and a generator. The GAN, after trained, is capable of generating samples that reproduce the data distribution, including spatial distribution, of the training dataset. In geosciences, GAN’s have been successfully applied to generate unconditional realizations of rock properties from geological priors described by training images, and within probabilistic seismic inversion methods. Here, the use of generative adversarial networks is proposed not as a model generator but as model reconstruction technique for subsurface models where we do have access to sparse measurements of the subsurface properties of interest. Sets of geostatistical realizations as training datasets combined with observed experimental data. These networks are applied to reconstruct non-stationary sedimentary channels and continuous elastic properties, such as P-wave propagation velocity, in the presence and absence of conditioning data. The application examples show the suitability of generative adversarial networks in learning the spatial structure of the data from sets of stochastic realizations, reproducing the original main statistics of first and second order and the spatial continuity pattern as expressed by a variogram model (i.e. a spatial covariance matrix). This thesis also explores the application of GAN’s in a seismic inversion algorithm in attempt to incorporate non-stationary geological structures by a performing a simultaneous inversion of the seismic data to facies and acoustic impedance models. This mechanism will enable to produce reservoir models more geologically consistent and reliable.}
{pt=Redes Generativas Adversárias, Modelos de Subsuperfície, Modelação de Reservatórios, Inversão Sísmica, en=Generative Adversarial Networks, Subsurface Model, Reservoir Modeling, Seismic Inversion}

Julho 24, 2019, 10:0

Orientação

ORIENTADOR

Gustavo André Paneiro

Departamento de Engenharia Civil, Arquitectura e Georrecursos (DECivil)

Professor Auxiliar

ORIENTADOR

Leonardo Azevedo Guerra Raposo Pereira

Departamento de Engenharia Civil, Arquitectura e Georrecursos (DECivil)

Professor Auxiliar