Resumen

Para un emparejamiento histórico basado en conjuntos de un yacimiento canalizado, la pérdida de plausibilidad geológica es un reto debido a la manipulación basada en píxeles de la forma y la conectividad del canal, a pesar de un condicionamiento suficiente a las observaciones dinámicas. Teniendo en cuenta la pérdida como ruido artificial, este estudio diseña un autocodificador de eliminación de ruido en serie (SDAE) compuesto por dos filtros de red neuronal, utiliza este algoritmo de aprendizaje automático para aliviar los efectos del ruido en el proceso de suavización de conjuntos con asimilación de datos múltiples (ES-MDA), y mejora el rendimiento general de la correspondencia histórica. Como conjunto de datos de entrenamiento del SDAE, los modelos de yacimientos estáticos se realizan en base a geoestadística multipunto y se contaminan con dos tipos de ruido: ruido de sal y pimienta y ruido gaussiano. El SDAE aprende a eliminar el ruido y a restaurar los modelos de depósito limpios. Lo hace mediante procesos de codificación y decodificación utilizando las realizaciones con ruido como entradas y las realizaciones originales como salidas del SDAE. El SDAE entrenado se integra en el ES-MDA. Los modelos posteriores del depósito actualizados mediante la ganancia de Kalman se importan al SDAE, que a su vez exporta los modelos previos depurados de la siguiente asimilación. De este modo, se mantiene un claro contraste entre los parámetros de las facies rocosas durante las múltiples asimilaciones de datos. Un estudio de caso en un yacimiento de gas indica que el ES-MDA acoplado al eliminador de ruido supera al ES-MDA convencional. También se observa una mejora en el rendimiento de la concordancia histórica resultante de la eliminación de ruido para los algoritmos ES-MDA combinados con enfoques de reducción de dimensión como la transformada coseno discreta, la descomposición vectorial K-singular y un autoencoder apilado. Los resultados de este estudio implican que un SDAE bien entrenado tiene el potencial de ser un método auxiliar fiable para mejorar el rendimiento de los algoritmos de asimilación de datos si el coste computacional requerido para el aprendizaje automático es asequible.

• Materias:Agua Carbón Residuos quí­micos Yacimientos minerales Ondas sísmicas Estudio de laboratorio
• Subjects:Water Coal Chemical waste Mineral deposits Seismic Waves Lab study
• Palabras claves:asimilación de datos múltiples, sdae, sdae entrenado, mda, rendimiento de los datos, filtro de red neuronal, métodos auxiliares fiables, enfoque de reducción de dimensiones, modelo de yacimiento limpio, parámetros de facies de roca
• Keywords:multiple data assimilation, sdae, trained sdae, mda, performance of data, neural network filter, reliable auxiliary methods, dimensions reduction approach, clean reservoir model, rock facies parameters