앙상블 칼만 필터(Ensemble Kalman filter)는 불확실성이 큰 저류층(reservoir)을 특성화하기 위해 통상적으로 활용된다. 그러나 구성원들에 대한 안정적이고 신뢰할 수 있는 갱신을 위해 다수의 저류층 모델이 필요하여 높은 시뮬레이션 시간을 초래한다. 본 연구에서는 합성곱 오토인코더(convolutional autoencoder)와 주성분 분석(principal component analysis)을 이용한 샘플링 기법을 제안하여 채널 저류층(channel reservoir)의 신속하고 신뢰할 수 있는 특성화를 수행하고자 한다. 제안된 방법은 기준(reference) 모델과 유사한 양질의 초기 모델을 제공하며, 채널 저류층의 향후 성능을 신뢰성 있게 정량화하기 위한 성공적인 모델 갱신을 가능하게 한다. 50개 미만의 저류층 모델을 사용함에도 불구하고, 본 연구에서는 400개의 초기 모델 전체를 사용했을 때와 유사하거나 더 나은 결과를 달성하였다. 또한, 앙상블 칼만 필터와 함께 제안된 방안이 계산 시간을 절감하면서도 충실한 동화(assimilation) 결과를 제공함을 입증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.