FaciesGAN: a conditional GAN framework for realistic facies scenario generation as an efficient alternative to multiple-point statistics

Abstract

Fácies são conjuntos de rochas que mostram ambientes sedimentares particulares e possuem um papel essencial na caracterização de reservatórios. A caracterização precisa das fácies ? incluindo as propriedades físicas, químicas e biológicas das rochas do reservatório ? é essencial para entender os ambientes sedimentares e cruciais para a modelagem do reservatório. Um desafio fundamental na caracterização de reservatórios continua sendo a simulação de realizações de fácies que sejam geologicamente plausíveis e compatíveis com os dados dos poços. Este trabalho apresenta o FaciesGAN, uma nova arquitetura de aprendizado profundo baseada em Redes Generativas Adversariais Condicionais (cGANs). O método utiliza uma estrutura hierárquica de geradores e discriminadores que aprimoram gradualmente as estimativas iniciais em modelos de fácies de alta resolução, assegurando a conformidade com os dados dos poços e os padrões de deposição em cada etapa. O FaciesGAN foi validado com o conjunto de dados limitado da Stanford Earth Science Data, apresentando um desempenho robusto mesmo diante da limitação de dados. A avaliação quantitativa foi realizada utilizando duas métricas principais: o Escalonamento Multidimensional (MDS), que foi aplicado para verificar a preservação das distribuições estatísticas, e o índice de Interseção sobre União (IoU), usado para avaliar a consistência espacial em relação aos dados condicionais de poço. Com base em essas métricas, o modelo atingiu um IoU de 99,96%, quase perfeitamente alinhado com as informações condicionais. Esses resultados comprovaram que o modelo é capaz de criar cenários com alta fidelidade, mantendo as distribuições estatísticas. O FaciesGAN gerou realizações geológicas mais realistas e diversificadas em comparação com uma implementação convencional da Estatística de Múltiplos Pontos (MPS), apresentando uma eficiência computacional significativamente superior. Esses resultados sugerem que métodos baseados em cGAN, como o FaciesGAN, constituem uma direção promissora para modelos de sub-superficie, fornecendo ferramentas robustas para aumento de dados, avaliação melhorada da incerteza e caracterização aprimorada do reservatório.

Abstract: Facies are groups of rocks that represent particular sedimentary environments and have an essential role in reservoir characterization. Accurate characterization of facies?including the physical, chemical, and biological properties of reservoir rocks?is essential for understanding sedimentary environments and crucial for reservoir modeling. A key challenge in reservoir characterization remains the simulation of facies realizations that are geologically plausible and compatible with well data. This work presents FaciesGAN, a new deep learning architecture based on Conditional Generative Adversarial Networks (cGANs). The method uses a hierarchical structure of generators and discriminators that gradually refine initial estimates into high-resolution facies models, ensuring compliance with well data and deposition patterns at each stage. FaciesGAN was validated with the limited Stanford Earth Science Data dataset, showing robust performance even in the face of data limitations. Quantitative evaluation was performed using two main metrics: Multidimensional Scaling (MDS), which was applied to verify the preservation of statistical distributions, and the Intersection over Union (IoU) index, used to assess spatial consistency in relation to conditional well data. Based on these metrics, the model achieved an IoU of 99.96%, almost perfectly aligned with the conditional information. These results proved that the model is capable of creating high-fidelity scenarios while maintaining statistical distributions. FaciesGAN generated more realistic and diverse geological realizations compared to a conventional Multiple Point Statistics (MPS) implementation, with significantly higher computational efficiency. These results suggest that cGAN-based methods, such as FaciesGAN, are a promising direction for subsurface modeling, providing robust tools for data augmentation, improved uncertainty assessment, and enhanced reservoir characterization.