基于三维神经算子的时移（4D）地震叠后阻抗反演

《Geosciences》：Time-Lapse Seismic Inversion Using a 3D Neural Operator

　　

时移（4D）地震反演是监测流体注入与采出引起的地下变化的关键工具，但基于模型的工作流需要重复的正演和伴随评估、每个期次的小波估计以及针对勘测的正则化调参。研究人员提出一种用于叠后时移阻抗反演的三维神经算子框架。一个U形神经算子在合成阻抗模型及其卷积叠后响应上训练，并作为叠后正演算子的网格无关、可微代理。反演期间，该算子被冻结，阻抗模型利用自动微分通过梯度下降更新，且对一次勘测的所有期次使用一套设置。在Kimberlina合成CO₂模型上，反演降低了每个期次初始模型的误差（相对误差从3.1–3.2%降至2.8–2.9%）。在Sleipner现场数据上，恢复的阻抗变化集中在独立成图的CO₂羽状体内部（中位数变化比外部大4.7–7.3倍），预测的4D数据差异与观测到的差异在羽状体内部相关系数为r=0.92–0.93，并且该算子无需重新训练即可应用于完整的1001×468×249勘测网格。研究人员还量化了训练与微调成本，并讨论了学习型卷积代理的局限。

根据提供的标题与摘要，该论文研究将三维神经算子用于时移地震反演，尤其针对叠后时移阻抗反演。摘要未给出正文章节小标题，因此以下按照摘要中呈现的研究背景、方法、结果和讨论信息进行归纳，不添加摘要之外的推测。

研究背景方面，时移（4D）地震反演（time-lapse seismic inversion，4D seismic inversion）被视为监测地下变化的关键工具，这些地下变化由流体注入与采出（fluid injection and production）引起。传统基于模型（model-based）的工作流在实施时移反演时存在若干突出问题：需要重复进行正演（forward）和伴随（adjoint）评估；需要为每一个期次（vintage）估计小波（wavelet）；还需要针对具体勘测（survey）进行正则化（regularization）调参。这些问题使模型驱动时移反演的计算与调参成本较高，也是研究人员开展本项研究、尝试引入学习型神经算子代理的动因。研究人员提出一个三维神经算子（3D neural operator）框架，用于叠后时移阻抗反演（post-stack time-lapse impedance inversion）。其核心是一个U形神经算子（U-shaped neural operator），该算子在合成阻抗模型（synthetic impedance models）及其卷积叠后响应（convolutional post-stack responses）上训练，并作为叠后正演算子（post-stack forward operator）的网格无关（mesh-independent）、可微代理（differentiable surrogate）。在反演过程中，该算子被冻结（frozen），阻抗模型通过梯度下降（gradient descent）和自动微分（automatic differentiation）进行更新，并且对一次勘测的所有期次使用一套设置。研究人员在Kimberlina合成CO₂模型和Sleipner现场数据上验证了该框架，并在Sleipner数据上将其无需重新训练地应用于完整1001×468×249勘测网格。论文结论表明，该框架能够降低初始模型误差、恢复与独立成图CO₂羽状体一致的阻抗变化，并使预测4D数据差异与观测4D数据差异相关；同时研究人员量化训练与微调成本，并讨论学习型卷积代理的局限。其重要意义在于展示了三维神经算子作为时移叠后阻抗反演代理的可行性，以及在同一勘测不同期次和完整网格上无需重新训练的应用潜力。

关键技术方法概括：研究人员训练一个U形神经算子，输入为合成阻抗模型及其卷积叠后响应，使其成为叠后正演算子的网格无关、可微代理。反演时冻结该算子，利用自动微分和梯度下降更新阻抗模型，并对一次勘测的所有期次使用一套设置。验证样本来源包括Kimberlina合成CO₂模型和Sleipner现场数据；Sleipner数据用于完整1001×468×249勘测网格，且算子无需重新训练即可应用。研究人员还量化训练和微调成本，并讨论学习型卷积代理的局限。

研究结果方面，摘要中未出现分节小标题，故以下按数据集和讨论要点组织。对于Kimberlina合成CO₂模型，反演降低了每一期次初始模型的误差，相对误差（relative error）从3.1–3.2%降至2.8–2.9%。这说明在该合成CO₂模型上，采用所提出的三维神经算子框架进行叠后时移阻抗反演，能够在所有期次上改善初始阻抗模型。对于Sleipner现场数据，恢复的阻抗变化集中在独立成图的CO₂羽状体内部，内部的中位数变化比外部大4.7–7.3倍；预测的4D数据差异与观测的4D数据差异在羽状体内部相关系数为r=0.92–0.93；并且该算子无需重新训练即可应用于完整的1001×468×249勘测网格。这说明在现场数据案例中，反演得到的阻抗变化与独立绘制的CO₂羽状体位置一致，预测的4D差异与观测数据在羽状体内具有相关性，同时方法具备应用于完整勘测网格的能力。关于成本与局限，研究人员量化了训练和微调成本，并讨论了学习型卷积代理的局限，但摘要未给出具体成本数值或局限细节。最后，讨论部分可总结为：研究人员在合成和现场案例中检验了三维神经算子时移反演框架，报告了误差降低、CO₂羽状体内阻抗变化恢复、4D数据差异相关性、完整网格应用及成本量化，并讨论了学习型卷积代理的局限。研究结论部分可翻译为：时移（4D）地震反演是监测流体注入与采出引起的地下变化的关键工具，但基于模型的工作流需要重复的正演和伴随评估、每个期次的小波估计以及针对勘测的正则化调参。研究人员提出一种用于叠后时移阻抗反演的三维神经算子框架。一个U形神经算子在合成阻抗模型及其卷积叠后响应上训练，并作为叠后正演算子的网格无关、可微代理。反演期间，该算子被冻结，阻抗模型通过自动微分利用梯度下降更新，且对一次勘测的所有期次使用一套设置。在Kimberlina合成CO₂模型上，反演降低了每个期次初始模型的误差（相对误差从3.1–3.2%降至2.8–2.9%）。在Sleipner现场数据上，恢复的阻抗变化集中在独立成图的CO₂羽状体内部（中位数变化比外部大4.7–7.3倍），预测的4D数据差异与观测差异在羽状体内部相关系数为r=0.92–0.93，并且该算子无需重新训练即可应用于完整的1001×468×249勘测网格。研究人员还量化了训练和微调成本，并讨论了学习型卷积代理的局限。