通过一种新的自适应延迟接受的梅特罗波利斯-哈斯廷斯算法对大规模地热储层模型进行贝叶斯校准

本研究的目的是在贝叶斯推理框架下，通过马尔可夫链蒙特卡洛（MCMC）采样来估计大规模地热储层数值模型的参数。所有与测量数据一致的可行参数由后验分布总结，因此，参数估计和不确定性量化都是通过计算后验分布中感兴趣统计量的期望值来进行的。使用标准的梅特罗波利斯-哈斯廷斯算法（MH）来采样高维的计算成本昂贵的后验分布似乎在计算上不可行。为改善采样效率，实施了一种新的自适应延迟接受MH算法（ADAMH），以适应性地构建由使用降阶模型引入的误差的随机模型。这种自适应性使用与现有调整梅特罗波利斯-哈斯廷斯算法（MH）提议分布的自适应MCMC算法有所不同，虽然ADAMH也实施了该技术。对于我们在此展示的3D地热储层模型，ADAMH在MCMC采样的计算效率方面显示了显著改善，并获得了有希望的参数估计和不确定性量化的结果。当在其他大规模逆问题中实施基于样本的推理时，该算法可能在计算效率上提供显著改善。