A stable deep adversarial learning approach for geological facies generation

La simulation de faciès géologiques dans un volume non observable est essentielle dans diverses applications géoscientifiques. Compte tenu de la complexité du problème, l’apprentissage génératif profond est une approche prometteuse pour surmonter les limites des modèles de simulation géostatistique traditionnels, en particulier leur manque de réalisme physique. Cette recherche étudie l’application des réseaux génératifs antagonistes et de l’inférence bayésienne variationnelle pour la simulation conditionnelle de réservoirs chenalisés dans des volumes souterrains. Dans cet article, nous passons en revue les approches génératives d’apprentissage profond, en particulier les réseaux antagonistes et les techniques de stabilisation qui visent à faciliter leur apprentissage. Nous étudions également le problème du conditionnement de ces modèles aux observations par une approche variationnelle bayésienne, en comparant un modèle de réseau neuronal conditionnel à un modèle de mélange gaussien. L’approche proposée est testée sur des simulations 2D et 3D générées par le modèle Flumy basé sur une modélisation stochastique des processus de dépôts sédimentaires. Des métriques morphologiques sont utilisées pour comparer la méthode proposée avec différentes architectures de réseaux génératifs antagonistes. Les résultats indiquent qu’en utilisant des techniques de stabilisation récentes, les réseaux antagonistes génératifs peuvent échantillonner efficacement des distributions de données cibles complexes.

https://www.sciencedirect.com/science/article/pii/S0098300424001213#d1e4764