تقريب مدل تراوايي مخزن با استفاده از روش هاي تعليم لغت نامه ILS-DLA و كدگذاري تنك LARS

Approximation of the reservoir permeability model using ILS-DLA learning algorithm and LARS sparse coding method

در اين مقاله از روش‌هاي كدگذاري تنك و تعليم لغت‌نامه به منظور ايجاد مدل تقريب تنك از يك مدل اصلي استفاده شده است. ايجاد مدل تقريب تنك از يك مدل اصلي شامل دو مرحله است؛ كدگذاري تنك و تعليم لغت‌نامه. در كدگذاري تنك در هر تكرار با انتخاب مناسب‌ترين متغير و اضافه نمودن آن به مجموعه متغيرهاي بكار برده شده، مدل رگرسيون بهينه مي‌شود. لغت نامه در واقع ماتريسي است كه بر اساس آن، مدل‌ها كدگذاري مي‌شوند. براي ايجاد ماتريس لغت نامه مجموعه‌اي از مدل-هاي قابل قبول از يك خاصيت را به عنوان مجموعه تعليم در نظر مي‌گيرند و مراحل كدگذاري تنك و تعليم لغت‌نامه به صورت متناوب روي اين مجموعه تعليم انجام مي‌گيرد. در هر تناوب لغت‌نامه بهينه‌تر مي‌شود. مجموعه تعليم را مي‌توان با روش‌هاي زمين‌آمار چند نقطه‌اي و بر اساس بهترين مدل‌هاي موجود از آن خاصيت ايجاد كرد. در اين مقاله، از روش زمين‌آمار چند نقطه-اي DisPat براي ايجاد تحقيق‌هاي مورد نياز در مجموعه آموزشي استفاده شده است. روش ILS-DLA به منظور تعليم لغت-نامه و روش LARS به منظور كدگذاري تنك به كار برده شده اند. روش ILS-DLA فرآيند وارون سازي در تعليم لغت نامه را بر اساس ساختار داخلي لغت نامه و با بلوك كردن لغت نامه به زير-ماتريس هاي كوچكتر انجام مي دهد. اساس روش LARS همان رگرسيون خطي است ولي سعي مي كند به جاي استفاده از همه متغيرها، تعداد مناسبي از آنها را انتخاب و در رگرسيون استفاده كند. بر اساس آزمايش‌هاي انجام شده مدل تقريب تنك نهايي به احتمال 90 درصد نسبت به 90 درصد از مدل هاي موجود در مجموعه آموزشي به مدل اصلي نزديك‌تر است. از مدل تقريب تنك مي‌توان در مدل‌سازي و شناسايي خواص مخزن به عنوان نماينده‌اي از مدل اصلي و به عنوان حد پايين در انتخاب مجموعه مدل‌هاي نزديك به مدل اصلي استفاده كرد.

In this paper, the task is to return from a set of multiplicities from a model to obtain an approximation of that model using sparse approximation. The term ‘approximation’ indicate the sufficiency of an interpretation that is close enough to the true mode, i.e. reality. In geosciences, the multiplicities are provided by multiple-point statistical (MPS) methods. Realistic modeling of the earth interior demands for more sophisticated geostatistical methods based on true available images, i.e. the training images. Among the available MPS methods, the DisPat algorithm is a distance-based MPS method, which generates appealing realizations for stationary and non-stationary training images by classifying the patterns based on distance functions using kernel methods. Advances in non-stationary image modeling is an advantage of the DisPat method. Realizations generated by the MPS methods form the training set for the sparse approximation. The sparse approximation is comprising of two steps, sparse coding and dictionary update, which are alternately used to optimize the trained dictionary. Model selection algorithms like LARS are used for sparse coding. LARS optimizes the regression model sequentially by choosing a proper number of variables and adding the best variable to the active set in each iteration. The ILS-DLA dictionary learning algorithm addresses the internal structure of the dictionary by considering the overlapping or non-overlapping blocks and the inversion task according to the internal structure of the trained dictionary. The ILS-DLA is fast in the sense that it inverts smaller blocks constructing the trained dictionary rather than inverting the entire dictionary. The trained dictionary is sequentially updated by alternating between sparse coding and dictionary training steps. According to the experiments, the compressed sparsity-based image model is superior to 90% of the generated realizations by 90% probability.