近日，张凯团队在油藏自动历史拟合研究领域取得新进展，相关研究成果在期刊Journal of Hydrology上发表，论文题为《Deep Bayesian surrogate models with adaptive online sampling for ensemble-based data assimilation》（基于深度贝叶斯代理模型与自适应在线采样的集合数据同化方法）。

创新性：我们提出了一种基于深度贝叶斯代理模型与自适应在线采样的集合数据同化方法，用于解决数据同化中的计算耗费问题。传统的基于代理模型的历史拟合方法是首先构建数据集，训练代理模型，进而在自动历史拟合过程中替代数值模拟进行求解，然而该方法容易受到训练样本数量与质量的影响，导致代理模型泛化性不足，进一步影响历史拟合效果。而提出方法在历史拟合油藏模型参数迭代过程中进行在线收集样本，训练代理模型，并结合了代理模型预测的不确定性进行自适应采样，方法适用性更强，历史拟合效果更优。

中文摘要：基于深度学习的代理模型在应对数据同化中的计算负担方面表现出广阔的前景。虽然代理模型可以降低计算成本，但其结果会受到替代模型逼近误差的影响。在线学习方法通过在迭代过程中使用新生成的样本对代理模型进行重训练，以提高模型的准确性。然而，如何确定哪些样本应被选用来更新代理模型，仍然是一项挑战。在本研究中，我们提出了一种贝叶斯代理模型及其在线学习方法，以增强代理模型在数据同化中的可行性和效率。首先，基于深度学习架构和随机失活（Dropout）机制构建贝叶斯代理模型。在代理模型训练完成后，通过多次前向推理并保持随机失活激活状态，可以估计样本的不确定性。其次，将贝叶斯代理模型与多次数据同化的集合平滑器（ES-MDA）算法相结合，更新不确定参数。在每次迭代中，我们设计了一种基于代理模型预测不确定性的自适应在线学习方法，动态选择用于模拟的样本并对代理模型进行重训练。该研究提出了一种高效的框架，能够量化深度学习代理模型的不确定性，并确定用于重训练替代模型的样本。此方法适用于大多数深度学习代理模型架构，且易于集成到数据同化问题中。我们在一个复杂的三维三相油藏模型上验证了所提出的方法。结果表明，与基于数模的方法相比，该方法能够在保持相似反演结果的同时，将计算成本降低超过45%；与其他代理模型方法相比，所提出的方法使替代模型更具鲁棒性，并生成与数值模拟结果最接近的反演结果。

《Journal of Hydrology》发表关于水文科学各个子领域的原创研究论文和综合评述，涵盖涉及经济和社会影响的水资源管理和政策问题。2023年的影响因子为5.9，2023年的CiteScore为11.0，2023年JCR分区为Q1区, 2025年中科院地球科学大类1区TOP期刊。

文章链接：

https://doi.org/10.1016/j.jhydrol.2024.132457

引用格式：

Zhang Jinding, Zhang Kai, Liu Piyang, Zhang Liming, Fu Wenhao, Chen Xu, Wang Jian, Liu Chen, Yang Yongfei, Sun Hai, Yao Jun. Deep Bayesian surrogate models with adaptive online sampling for ensemble-based data assimilation[J]. Journal of Hydrology, 2025, 649: 132457.