用基于深度生成模型的随机反演特征化断裂网络
摘要：裂缝网络的分布对于表征流场和溶质运移的行为至关重要，尤其对于增强型地热系统而言，因为裂缝提供了首选流动路径。然而，基于观测数据估计裂缝网络参数并量化其不确定性是一项非平凡的任务，因为裂缝模型的逆建模具有强非线性和非高斯分布特性。为了解决这个问题，提出了一种新的逆建模框架用于估计裂缝网络。本研究采用了层次参数化方法。对于少数大型裂缝，每个裂缝由裂缝长度、方位角和裂缝中心协调性来表征。对于密集的小型裂缝，利用裂缝密度和分形维数来表征裂缝网络。此外，我们采用变分自编码器和生成对抗网络（VAE-GAN），将GAN目标与先验约束信息融合，以捕捉复杂裂缝网络参数的分布并满足裂缝场的先验知识，从而将高维复杂参数分布映射到低维连续参数场。接下来，依靠贝叶斯框架，基于水力层析成像收集的数据，采用集合平滑器来减小裂缝分布的不确定性。采用两个具有不同复杂性的数值例子来测试所提出的框架的性能。结果表明，在提供足够的先验约束信息和水头测量后，所提出的算法能够有效地估计裂缝场的分布。
作者：Guodong Chen, Xin Luo, Jiu Jimmy Jiao, Chuanyin Jiang
论文ID：2302.02786
分类：Geophysics
分类简称：physics.geo-ph
提交时间：2023-02-08