近日，张凯团队在高维不确定地质参数反演建模研究领域取得新进展，相关研究成果在期刊Water Resources Research上发表，论文题为《Deep Conditional Generative Adversarial Network Combined With Data-Space Inversion for Estimation of High-Dimensional Uncertain Geological Parameters》（深度条件生成对抗网络与数据空间反演相结合用于高维不确定地质参数的估计）。

创新性：数值模拟是表征地下流体流动、实现地下资源高效开发的有效手段。反演建模可以校准数值模型的不确定参数，从而确保模拟的准确性。然而，大多数反演建模方法都是基于迭代调整不确定参数，这需要进行大量耗时的数值模拟。在过去的几十年里，机器学习领域，特别是深度学习领域取得了重大进展。在本研究中，我们使用生成对抗性网络（深度学习的关键成果）与数据空间反演方法相结合，建立了一种新的反演建模工作流程。

中文摘要：反演建模可以为地下流体数值模拟提供可靠的地质模型，这是一个具有挑战性的问题，需要校准地质模型的不确定参数，以在模拟数据和观测数据之间建立可接受的匹配。一般的反演建模方法需要迭代调整不确定的参数，这是一个困难且耗时的高维采样问题。为了解决这个问题，我们提出了一种基于深度学习的反演建模方法，称为pix2pixGAN-DSI。在该方法中，构建了基于深度学习的图像到图像生成对抗性网络（pix2pixGAN），以根据数据空间反演（DSI）方法获得的后验动态响应直接预测后验参数场。这种反演建模方法不需要迭代调整不确定的参数，提高了计算效率。通过一个高斯模型和两个非高斯通道化模型验证了该方法的有效性。通过对后验实现、生产数据的匹配和预测以及不确定性量化的分析，结果表明，该方法可以在不进行迭代和参数化的情况下获得合理的估计。

Water Resources Research发表了关于水文、水资源和水的社会科学的原创研究文章和评论，提供了对水在地球系统中的作用的广泛理解。该期刊最新影响因子为5.4，近3年平均影响因子IF为5.6，JCR分区为Q1区，中科院工程技术大类1区。

文章链接：

https://doi.org/10.1029/2022WR032553

引用格式：

Fu, W., Zhang, K., Ma, X., et al. Deep conditional generative adversarial network combined with data-space inversion for estimation of high-dimensional uncertain geological parameters[J] Water Resources Research, 2023, 59(3): e2022WR032553.