요약 앙상블 기반 데이터 동화는 생성적 적대 신경망(generative adversarial networks, GANs)과 결합될 때 석유공학 연구에서 생산 데이터를 바탕으로 한 역사적 매칭(history matching)에 효과적인 것으로 입증되었다. 그러나 생성된 지질 실현(geological realizations)은 초기 앙상블의 특성에 의해 종종 제약을 받으며 다양성을 확보하기 위해 방대한 훈련 데이터 세트가 필요하다. 이러한 한계를 해결하기 위해 본 연구는 저장소 시뮬레이션에서 역사적 매칭을 향상시키는 새로운 방법을 제안하며, 이를 위해 지질 스타일-혼합(geological-style-mixing) 접근법과 GAN 기반 최적화(StyleGAN)를 통합한다. 본 방법은 저장소 성능에 영향을 미치는 복잡한 지질 특징과 이질성(heterogeneities)을 포착하는 데서 발생하는 문제를 다룬다. 우리는 StyleGAN 아키텍처를 사용하여 스타일 다양성을 향상시킨 다양한 지질 시나리오를 생성한다. 지질 모델링에 StyleGAN의 스타일-믹싱(style-mixing) 메커니즘을 적용함으로써, 서로 다른 여러 지질 스타일을 생성할 수 있는 프레임워크를 개발하였다. 각 스타일은 초기 앙상블과 구별되는 고유한 특성을 지닌다. 이 접근법은 서로 다른 지질 실현으로부터 스타일을 결합하여, 광범위한 지질 특징을 나타내는 새로운 실현을 만들어냄으로써 역사적 매칭 과정을 유의미하게 개선한다. 본 방법의 효과는 2D 이성분(이진) 투과도 필드(2D binary permeability field), 2D 가우시안 투과도 필드(2D Gaussian permeability field), 그리고 3D 쌍봉(bimodal) 로그 투과도 분포(3D bimodal log permeability distribution)를 포함하는 사례 연구(case studies)로 입증하였다. 최적화된 모델은 기존의 GAN 기반 최적화 대비 상당한 개선을 보였다. 상관성은 이진 투과도 필드에서 0.94에서 0.98로, 가우시안 투과도 필드에서 0.97에서 0.99로, 3D 쌍봉 투과도 필드에서 0.97에서 0.99로 증가하였다. 또한 생산 레이트 매칭 오류(production rate matching error)는 이진 투과도 필드에서 66%에서 86%로, 가우시안 투과도 필드에서 81%에서 93%로, 3D 쌍봉 로그 투과도 필드에서 81%에서 88%로 개선되었으며, 초기 모델 대비 제곱평균제곱근오차(root mean squared error, RMSE)가 실질적으로 감소하였다. 제안된 방법은 기존에 개발된 합성곱 신경망-주성분분석(convolutional neural network-principal component analysis, CNN-PCA)과 비교되었고 유사한 역사적 매칭 성능을 보였다. 그러나 정성적으로는 훈련된 저장소 앙상블의 지질 스타일을 더 잘 보존하는 것으로 나타났다. 이러한 결과는 지질 스타일-혼합 접근법을 GAN 기반 최적화와 통합하는 것이, 특히 높은 지질 복잡성과 데이터 불확실성이 특징인 시나리오에서 현행 앙상블 기반 역사적 매칭 방법의 한계를 극복하기 위한 유망한 방향임을 시사한다. 본 연구는 역사적 매칭 방법론을 발전시키며, 저장소 시뮬레이션 및 관리에서 기계학습과 인공지능의 잠재력을 보여준다.