《Artificial Intelligence in Geosciences》：GNN-HA-MTRC: An Intelligent Prediction Model for 3D Geological Properties Based on Graph Neural Networks
编辑推荐：
在三维地质建模中，针对同一岩相内部（intra-facies）多属性预测问题，研究人员提出了GNN-HA-MTRC模型。该模型将岩性一致性先验嵌入图神经网络（GNN）的图样本构建过程，采用岩性一致性图（LCG）进行样本准入约束；集成特征选择与注意力-相关性机制
在三维地质建模中，针对同一岩相内部（intra-facies）多属性预测问题，研究人员提出了GNN-HA-MTRC模型。该模型将岩性一致性先验嵌入图神经网络（GNN）的图样本构建过程，采用岩性一致性图（LCG）进行样本准入约束；集成特征选择与注意力-相关性机制（FS+ACM）以及共享图卷积网络（SGCN），分别实现任务特定特征加权与空间拓扑编码；实现了连续型地质属性回归与离散型地质属性分类的联合预测。在所研究区块内，该模型较基线模型提升了岩相内部预测性能。研究将三维地质建模中的复杂任务进行解耦，首先通过岩性一致性规则构建纯净的岩相内部图结构以建立地质同源性约束，随后利用共享主干网络提取公共拓扑表征，从而实现连续属性与离散岩性之间的协同优化。该设计旨在突破传统方法在非平稳边界处的性能瓶颈，恢复储层内部真实的统计耦合与地质关联机制。研究区数据来自鄂尔多斯盆地某研究区块的三维地震解释属性与地质属性体，包含孔隙度（PORO）、自然伽马（GR）、含油饱和度（SOG）、泥质含量（SH）等连续属性以及含油相（OilPhase）和岩性（LITHOLOGIES）等离散属性。结果表明，GNN-HA-MTRC在主要预测指标上优于序列模型与通用图结构基线模型，消融实验验证了LCG、FS+ACM与SGCN各模块的互补贡献，同时研究指出了单区块数据、稀疏八顶点邻域约束及逐点随机划分所带来的空间泛化局限。
一、研究背景与问题
在地质勘探与油气开发等领域，地质体的数字化与精确表征是实现高效资源开采和工程安全的基础。三维地质建模的目标不仅是地质信息的空间可视化，更重要的是通过高分辨率网格模型支撑储层表征与开发方案优化。随着人工智能技术的发展，地质建模正由经验驱动逐步转向智能化方法，研究人员开始利用测井、地震等丰富数据源，通过卷积神经网络（CNN）、循环神经网络（RNN）等深度学习方法提升储层属性预测精度。然而，地质采样点往往呈现非均匀空间分布，CNN等模型难以有效捕捉地质单元间的拓扑依赖与非欧几里得结构特征，在复杂地质结构的自适应表征方面存在瓶颈。为此，图神经网络（GNN）被引入地质建模领域，三维点云数据与图节点在结构上具有类比性，GNN可通过"节点-边"结构有效表达地质体间的复杂空间关系。
然而，三维建模中未知数据点的多属性预测仍面临三方面关键挑战：（1）地质约束不足，现有方法常将数据点视为独立统计样本，忽略同一岩性单元内固有的空间连续性，导致预测结果虽在数学上拟合良好，却可能偏离地质与物理有效性；（2）特征依赖处理不足，传统方法倾向于孤立建模不同属性，忽略了属性间存在的统计耦合与地质关联机制，且为每个属性单独建模增加了参数调优复杂度；（3）空间拓扑捕捉有限，CNN虽擅长处理规则网格，却难以自适应捕捉复杂地质结构中中心节点与其特定三维邻域间的非欧几里得拓扑关系。鉴于地质边界处的非平稳噪声常掩盖储层内岩石物理属性的真实变化规律，本研究采用分而治之的建模策略，将研究主要目标定义为在隔离边界噪声的条件下实现地质单元内部微观非均质性的高保真重建。为此，研究人员提出GNN-HA-MTRC模型，其核心思想在于解耦复杂三维建模任务：首先通过岩性一致性规则构建纯净的岩相内部图结构以建立地质同源性约束；然后利用共享主干网络提取公共拓扑表征，实现连续属性与离散岩性间的协同优化。该设计旨在突破传统方法在非平稳边界处的性能瓶颈，恢复储层内部真实的统计耦合与地质关联机制。
二、主要关键技术方法
本研究采用的主要关键技术方法包括：（1）基于KDTree空间索引的局部子体构建与岩性一致性图（LCG）样本准入约束，将岩性一致性先验转化为图样本构建阶段的约束条件；（2）差分相关性特征硬选择机制（FS），结合Pearson相关系数、Cramer's V系数和方差分析效应量进行多维度相关性分析并生成特征掩码；（3）上下文感知注意力加权策略（ACM），对硬选择特征进行任务特定的非线性细加权；（4）共享图卷积网络（SGCN），提取任务无关的局部空间拓扑表征；（5）基于拼接-压缩策略的特征融合与双分支多任务预测头，配合任务感知加权损失函数实现联合优化。研究数据来源于鄂尔多斯盆地某研究区块的三维地震解释属性与地质属性体，共524,287个有效空间采样点，采样间隔为X、Y方向10 m、Z方向5 m，经LCG筛选后获得194,980个严格岩相内部训练样本。
三、研究结果
（一）样本分布分析。通过对比LCG筛选前后的样本分布发现，严格岩相内部LCG样本至岩性边界的平均距离由8.85 m增至16.47 m，中位距离由5.00 m增至14.14 m，薄层代理样本比例由2.88%降至0.30%，表明LCG筛选使训练样本向岩相内部稳定区偏移、远离边界区域，与研究解耦非平稳边界噪声的目标一致，但也说明模型对薄互层与复杂边界区域的适用性仍需进一步验证。
（二）特征选择阈值敏感性分析。阈值变化改变了保留特征数量，六个任务的平均保留特征数由s=0.05时的9.83降至s=0.45时的6.33。随着s由0.05增至0.30，验证性能总体提升，综合验证得分由0.837升至0.893；s=0.30时PORO、GR、SOG、SH的平均验证R2分别为0.861、0.879、0.855、0.889，OilPhase与LITHOLOGIES的平均Macro-F1分别为0.906、0.968。s增至0.35、0.40、0.45时综合得分分别降至0.892、0.885、0.877。结果表明0.30–0.35为当前数据划分与训练配置下相对稳定的操作区间，而非确立s=0.30为普遍唯一最优值。
（三）模型对比实验。在连续属性回归方面，GNN-HA-MTRC在多数指标上表现更优，PORO、GR、SOG、SH的R2分别达0.86、0.88、0.85、0.89，RMSE分别为0.512、4.155、1.473、1.096，优于Seq2Seq、EGNN、Pre-GNN、Meta-MGNN、FS-CrossTR、GraphSAGE与GAT等基线模型。在离散属性分类方面，OilPhase与LITHOLOGIES的Accuracy分别达0.95与0.99，F1-score分别为0.91与0.97。研究指出SH较SOG更易预测具有地质合理性，SH与泥质含量、岩性类型及GR属性具有较稳定的成因对应关系，而SOG还受孔隙连通性、烃类运移通道、局部充注差异、成岩改造及地质属性响应不确定性等多因素影响，非线性更强、空间非均质性更显著。
（四）消融实验。去除LCG后模型性能显著下降，PORO的RMSE由0.512升至0.682，GR的RMSE由4.155升至5.732，表明岩性一致性样本准入约束对岩相内部属性预测具有重要作用。去除SGCN后连续属性R2整体下降，GR的R2由0.88降至0.73，表明仅依赖属性特征难以充分表征三维地质体的局部空间连续性与拓扑依赖。去除FS或ACM均导致不同程度性能退化，说明任务相关特征选择与注意力加权在降低冗余输入、增强有效特征表征方面具有积极作用。联合消融LCG与SGCN导致最显著的性能退化，PORO的RMSE升至0.728，GR的RMSE升至6.084，OilPhase的Accuracy降至0.51，LITHOLOGIES的Accuracy降至0.67，表明两模块在样本级地质同源约束与空间拓扑表征方面具有互补性而非简单可替代。
（五）计算效率分析。在统一验证设置下（3,000样本、5个训练轮次、批大小256、NVIDIA GeForce GTX 1650 GPU），GNN-HA-MTRC参数量为67,108，与GraphSAGE、GAT处于同一数量级，显著低于Seq2Seq的280,524；每轮训练时间0.867 s，总运行时间4.813 s，推理时间0.0576 s，峰值GPU内存638.4766 MB。
（六）可视化分析。三维真值与预测值对比表明，GNN-HA-MTRC能够合理再现研究区块内多属性的空间分布趋势，并在岩性、地质属性响应、储层物性与含油特征之间保持良好地质一致性。岩性与地质属性响应呈现协同匹配，LITHOLOGIES预测精度达0.99，泥岩对应高GR与高SH值、砂岩对应低GR与低SH值；储层物性非均质性得到重建，PORO（R2=0.864）与SOG（R2=0.859）合理再现了物性分带与甜点富集特征；含油相态三维分布得到表征，OilPhase预测精度达0.95，垂向上油相主要分布于Z=560 m以上的高孔渗段、水相在更深层段占优，符合重力分异原理；多属性协同呈现"岩性—地质属性响应—储层物性—含油特征"的逻辑链条。
四、讨论与结论
讨论部分指出本研究存在若干局限：实验数据来自鄂尔多斯盆地单一区块，仅支持该区块岩性组合下的岩相内部属性预测评价，不足以证明跨区块、跨盆地或跨岩性系统的广泛泛化能力；LCG筛选可能使样本池偏向厚层、稳定岩相内部或远离岩性边界的区域，限制了对薄互层与复杂边界区域的适用性；八顶点表征为稀疏空间约束，可能忽略子体内部更细尺度的非均质性，未来需比较26邻域、KNN邻域、半径邻域及内部稠密采样等替代邻域构建方式；当前损失函数采用任务感知预设权重而非严格的动态权重学习，未来应评估不确定性加权与梯度归一化策略；计算效率分析仅在单一数据规模与硬件配置下比较相对成本，全规模训练、跨区块迁移与生产部署下的时间复杂度与GPU内存消耗仍需系统评估；LCG筛选后的训练、验证与测试集由逐点随机划分而非空间分离生成，空间相邻样本分布于不同子集可能引入空间信息泄漏，当前测试结果反映的是岩相内部、区块内类插值性能，可能高估对空间独立区域的 extrapolation，未来将采用空间块留出验证评估空间泛化；断层密集区、强非平稳边界环境与跨盆地泛化场景需更多数据与实验验证。
结论部分翻译如下：本研究针对传统三维地质属性预测中地质规则约束融入不足与属性间耦合机制利用不充分的问题，提出了一种基于图神经网络的多属性协同预测模型GNN-HA-MTRC。基于实验结果与理论分析，可得出以下结论：（1）本研究并非首次提出相控建模或边界解耦，而是将岩性一致性先验转化为GNN图样本构建阶段的LCG样本准入约束，该策略可降低训练过程中跨岩性边界混合样本的非平稳噪声影响，使模型优先学习岩相内部沉积与成岩模式；（2）FS+ACM与SGCN的组合分别从任务相关特征选择与空间拓扑编码角度提升了模型表征能力，FS+ACM有助于抑制冗余特征通道，SGCN有助于提取局部空间连续性信息，二者共同增强了岩相内部多属性预测的稳定性；（3）多任务预测框架可利用"岩性—地质属性响应—储层物性—含油特征"间的统计耦合与地质关联机制，联合优化连续属性回归与离散属性分类，与序列模型及通用图结构基线相比，GNN-HA-MTRC在当前研究区块的主要预测指标上取得更优结果；（4）消融实验表明LCG、FS+ACM与SGCN均对模型性能有贡献，其中同时去除LCG与SGCN导致最显著的性能退化，表明岩性同源样本准入约束与空间拓扑编码之间具有互补效应。综上，本研究验证了深度学习与沉积学先验相结合用于研究区块内岩相内部属性预测的可行性，当前模型更适用于岩性标签相对稳定、边界效应可分离且以岩相内部属性预测为主要目标的储层场景，对于断层密集区、薄互层储层、强非平稳边界环境及跨盆地泛化场景仍需进一步实验验证。
