Well2Flow: Reconstruction of reservoir states from sparse wells using score-based generative models
作者: Shiqin Zeng, Haoyun Li, Abhinav Prakash Gahlot, Felix J. Herrmann
分类: cs.LG, cs.AI
发布日期: 2025-04-07
备注: 7 pages, 5 figures
💡 一句话要点
Well2Flow：利用基于分数的生成模型，从稀疏井数据重建油藏状态
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 油藏模拟 生成模型 分数模型 渗透率 饱和度 井数据 条件生成 物理约束
📋 核心要点
- 现有油藏模拟方法难以有效利用稀疏井数据重建准确的渗透率和饱和度场，限制了油藏管理的效率。
- Well2Flow利用基于分数的生成模型，学习渗透率和饱和度的联合分布，并结合物理约束和测井数据进行条件生成。
- 该框架在不同地质场景下表现出强大的泛化能力，能够准确重建地下状态，为数据稀缺的油藏管理提供有效工具。
📝 摘要（中文）
本研究探索了基于分数的生成模型在油藏模拟中的应用，重点是从两个井位置的稀疏观测数据推断盐水含水层中空间变化的渗透率和饱和度场。通过对高精度油藏模拟得到的渗透率和饱和度的联合分布进行建模，所提出的神经网络被训练来学习控制多孔介质中多相流动的复杂时空动态。在推理过程中，该框架通过以从测井数据中提取的稀疏垂直剖面为条件，有效地重建渗透率和饱和度场。这种方法引入了一种将物理约束和测井指导纳入生成模型的新颖方法，显著提高了重建的地下状态的准确性和物理合理性。此外，该框架展示了在不同地质场景中的强大泛化能力，突出了其在数据稀缺的油藏管理任务中实际部署的潜力。
🔬 方法详解
问题定义：论文旨在解决油藏模拟中，如何利用稀疏的井数据（如渗透率和饱和度垂直剖面）重建整个油藏区域的渗透率和饱和度场的问题。现有方法通常难以有效融合物理约束和井数据，导致重建结果的准确性和物理合理性不足。
核心思路：论文的核心思路是利用基于分数的生成模型学习高精度油藏模拟数据的渗透率和饱和度联合分布。通过将稀疏井数据作为条件，引导生成模型生成与观测数据一致且符合物理规律的油藏状态。这种方法能够有效地将物理约束和数据驱动的方法相结合。
技术框架：整体框架包含训练和推理两个阶段。在训练阶段，使用高精度油藏模拟数据训练基于分数的生成模型，学习渗透率和饱和度的联合分布。在推理阶段，将从井数据中提取的垂直剖面作为条件输入到训练好的生成模型中，生成与观测数据一致的渗透率和饱和度场。该框架主要包含数据预处理模块、生成模型训练模块和条件生成模块。
关键创新：该论文的关键创新在于提出了一种将物理约束和井数据指导纳入生成模型的新颖方法。与传统的生成模型不同，该方法能够有效地利用稀疏的井数据，并结合油藏模拟的物理规律，生成更准确、更符合实际情况的油藏状态。此外，使用基于分数的生成模型也提高了生成结果的多样性和质量。
关键设计：论文中使用了基于分数的生成模型，具体实现细节未知。关键设计可能包括：1) 如何将井数据作为条件输入到生成模型中；2) 如何设计损失函数，以保证生成结果与观测数据的一致性，并符合油藏模拟的物理规律；3) 如何选择合适的网络结构，以有效地学习渗透率和饱和度的复杂时空动态。
🖼️ 关键图片
📊 实验亮点
该研究通过实验验证了所提出的框架能够有效地重建渗透率和饱和度场，显著提高了重建结果的准确性和物理合理性。实验结果表明，该框架在不同地质场景下具有强大的泛化能力，能够为数据稀缺的油藏管理任务提供有效的解决方案。具体的性能数据和对比基线未知。
🎯 应用场景
该研究成果可应用于油气田开发、地下水资源管理、二氧化碳地质封存等领域。通过利用稀疏的井数据重建油藏状态，可以提高油藏管理的效率和精度，降低勘探和开发成本，并为环境风险评估提供更准确的依据。未来，该方法有望推广到其他地球物理反演问题中。
📄 摘要（原文）
This study investigates the use of score-based generative models for reservoir simulation, with a focus on reconstructing spatially varying permeability and saturation fields in saline aquifers, inferred from sparse observations at two well locations. By modeling the joint distribution of permeability and saturation derived from high-fidelity reservoir simulations, the proposed neural network is trained to learn the complex spatiotemporal dynamics governing multiphase fluid flow in porous media. During inference, the framework effectively reconstructs both permeability and saturation fields by conditioning on sparse vertical profiles extracted from well log data. This approach introduces a novel methodology for incorporating physical constraints and well log guidance into generative models, significantly enhancing the accuracy and physical plausibility of the reconstructed subsurface states. Furthermore, the framework demonstrates strong generalization capabilities across varying geological scenarios, highlighting its potential for practical deployment in data-scarce reservoir management tasks.