99905银河官方网李少华教授团队长期从事储层地质建模,人工智能建模等方向的研究。团队成员卢昌盛博士在遥感技术和地球科学领域期刊《IEEE Geoscience and Remote Sensing Letters》上发表了题为《Combining Image Editing and SinGAN for Conditional Sedimentary Facies Modeling》的研究论文,99905银河官方网为论文第一署名单位,博士生卢昌盛为论文第一作者,其导师李少华教授为该文通讯作者。
论文提出了一种全新的沉积相建模方法——基于单一训练图像的条件生成对抗网络(CSinGAN)。该研究为传统的沉积相建模方法带来了革命性的创新,解决了在数据集有限的情况下,如何高效、准确地进行沉积相建模的问题。传统的沉积相建模方法通常依赖于大量的训练数据,这对于地质建模领域尤其具有挑战性,因为获得符合储层沉积特征的大规模数据集既复杂又昂贵。卢昌盛博士的研究通过提出CSinGAN,首次展示了如何利用单一训练图像,通过图像编辑技术在生成阶段调整模型,实现条件性沉积相的模拟。该方法不仅避免了对大规模数据集的依赖,还显著提高了建模效率。研究表明,CSinGAN能够通过替代输出模型中的井位数据来实现条件性相模拟。这一基于图像编辑的条件方法比传统的生成对抗网络(GAN)方法更加简便且高效,且能更好地捕捉训练图像中的异质结构,优于传统的多点地质统计(MPS)方法。通过变差函数和连通性函数的验证,研究表明,CSinGAN能够生成符合训练图像统计特征的异质结构,并通过多尺度切片Wasserstein距离验证了其优于传统MPS方法的效果。卢博士指出,这一研究开辟了生成对抗网络(GAN)在地质建模中的新应用领域。未来,CSinGAN方法有望扩展到更多的地质建模场景,尤其是通过加入地震数据和生产动态数据的约束,进一步提升地质模拟的精度和实际应用价值。本研究的成功发表,不仅展示了深度学习与传统地质建模技术相结合的潜力,也为地质科学和油气勘探领域提供了一种更加经济、可行的建模方法,具有广泛的应用前景。
论文链接:https://ieeexplore.ieee.org/document/10713405
图1 CSinGAN网格结构
图2 在相同条件数据下的三组不同CSinGAN实现。
图3 论文首页