Geological parameterization enables the representation of geomodels in terms of a relatively small set of variables. Parameterization is therefore very useful in the context of data assimilation and uncertainty quantification. In this study, a deep-learning-based geological parameterization algorithm, CNN-PCA, is developed for complex 3D geomodels. CNN-PCA entails the use of convolutional neural networks as a post-processor for the low-dimensional principal component analysis representation of a geomodel. The 3D treatments presented here differ somewhat from those used in the 2D CNN-PCA procedure. Specifically, we introduce a new supervised-learning-based reconstruction loss, which is used in combination with style loss and hard data loss. The style loss uses features extracted from a 3D CNN pretrained for video classification. The 3D CNN-PCA algorithm is applied for the generation of conditional 3D realizations, defined on $60\times60\times40$ grids, for three geological scenarios (binary and bimodal channelized systems, and a three-facies channel-levee-mud system). CNN-PCA realizations are shown to exhibit geological features that are visually consistent with reference models generated using object-based methods. Statistics of flow responses ($\text{P}_{10}$, $\text{P}_{50}$, $\text{P}_{90}$ percentile results) for test sets of 3D CNN-PCA models are shown to be in consistent agreement with those from reference geomodels. Lastly, CNN-PCA is successfully applied for history matching with ESMDA for the bimodal channelized system.

中文翻译：

---

3D CNN-PCA：复杂地理模型的基于深度学习的参数化

地质参数化能够根据相对较小的变量集来表示地理模型。因此，参数化在数据同化和不确定性量化的背景下非常有用。在这项研究中，为复杂的 3D 地质模型开发了一种基于深度学习的地质参数化算法 CNN-PCA。CNN-PCA 需要使用卷积神经网络作为地理模型的低维主成分分析表示的后处理器。此处介绍的 3D 处理与 2D CNN-PCA 程序中使用的处理略有不同。具体来说，我们引入了一种新的基于监督学习的重建损失，它与样式损失和硬数据损失结合使用。样式损失使用从为视频分类预训练的 3D CNN 中提取的特征。3D CNN-PCA 算法用于生成条件 3D 实现，定义在 $60\times60\times40$ 网格上，用于三种地质场景（二元和双峰通道化系统，以及三相通道-堤防-泥浆系统）。CNN-PCA 实现显示出与使用基于对象的方法生成的参考模型在视觉上一致的地质特征。3D CNN 测试集的流响应统计（$\text{P}_{10}$、$\text{P}_{50}$、$\text{P}_{90}$ 百分位结果）- PCA 模型与参考地理模型中的模型一致。最后，CNN-PCA 成功应用于双峰信道化系统的历史匹配与 ESMDA。适用于三种地质情景（二元和双峰渠道化系统，以及三相渠道-堤防-泥浆系统）。CNN-PCA 实现显示出与使用基于对象的方法生成的参考模型在视觉上一致的地质特征。3D CNN 测试集的流响应统计（$\text{P}_{10}$、$\text{P}_{50}$、$\text{P}_{90}$ 百分位结果）- PCA 模型与参考地理模型中的模型一致。最后，CNN-PCA 成功应用于双峰信道化系统的历史匹配与 ESMDA。适用于三种地质情景（二元和双峰渠道化系统，以及三相渠道-堤防-泥浆系统）。CNN-PCA 实现显示出与使用基于对象的方法生成的参考模型在视觉上一致的地质特征。3D CNN 测试集的流响应统计（$\text{P}_{10}$、$\text{P}_{50}$、$\text{P}_{90}$ 百分位结果）- PCA 模型与参考地理模型中的模型一致。最后，CNN-PCA 成功应用于双峰信道化系统的历史匹配与 ESMDA。3D CNN 测试集的流响应统计（$\text{P}_{10}$、$\text{P}_{50}$、$\text{P}_{90}$ 百分位结果）- PCA 模型与参考地理模型中的模型一致。最后，CNN-PCA 成功应用于双峰信道化系统的历史匹配与 ESMDA。3D CNN 测试集的流响应统计（$\text{P}_{10}$、$\text{P}_{50}$、$\text{P}_{90}$ 百分位结果）- PCA 模型与参考地理模型中的模型一致。最后，CNN-PCA 成功应用于双峰信道化系统的历史匹配与 ESMDA。