요약 지질학적 정보가 제한되어 있고 채널의 패턴이 복잡하기 때문에, 채널 저류층에서의 불확실성을 고려하기 위해 저류층 모델들의 앙상블을 생성한다. 기존의 앙상블 기반 히스토리 매칭 방법은 가우시안 분포 가정 및 특성화에 대한 초기 모델 의존성 등을 포함하여 많은 한계를 지닌다. 이러한 한계를 극복하기 위해, 우리는 Latent Variable Evolution을 적응하는 새로운 방안을 제안한다. 먼저, 초기 모델들을 사용하여 생성적 적대 신경망(generative adversarial networks, GAN)을 학습한다. 이어서, 입자 군집 최적화(particle swarm optimization, PSO)를 이용하여 학습된 GAN의 잠재 공간(latent space)에서 잠재 벡터(latent vectors)를 탐색하고, 이를 통해 실제 저류층의 생산 거동과 유사한 모델을 생성한다. 제안한 방식을 서로 다른 초기 잠재 벡터 집합을 사용하는 합성 채널 저류층으로 검증하였다. 그 결과, 초기 잠재 벡터가 실제 저류층과 유사한 모델을 생성하지는 못하더라도, PSO가 잠재 벡터를 효율적으로 갱신하며 신뢰할 수 있는 특성화가 가능함을 보여주었다.

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