基于任意核卷积与生成对抗网络融合的电气成像空白条带填充方法

《Applied Sciences》：A Method for Filling Blank Stripes in Electrical Imaging Based on the Fusion of Arbitrary Kernel Convolution and Generative Adversarial Networks Ruhan A, Die Liu, Ge Cao, Kun Meng, Taiping Zhao, Lili Tian, Bin Zhao, Guilan Lin and Sinan Fang

　　

电气成像测井图像在石油勘探中发挥关键作用；然而，在实际应用中，由于仪器故障或数据传输失败，经常会出现空白条带，严重损害地质解释和油气评价。现有的图像修复方法对不同深度尺度的空白条带适应性有限，且表现出模糊的高分辨率地质纹理。为了解决这些问题，本文提出了一种集成任意核卷积（Arbitrary Kernel Convolution, AKConv）与聚合上下文变换生成对抗网络（Aggregated Contextual-Transformations Generative Adversarial Network, AOT-GAN）的空白条带填充方法。具体而言，AKConv的自适应采样机制被整合到AOT-GAN的生成器网络中，使模型能够有效捕捉长程上下文信息，并通过多尺度特征融合自适应地处理不同尺度和形状的空白条带。在真实油田数据集上的实验结果表明，所提出的方法在峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）、结构相似性指数（Structural Similarity Index, SSIM）和平均绝对误差（Mean Absolute Error, MAE）方面取得了显著改进，展现出优越的结构保持能力和纹理清晰度，特别是在恢复深部和大规模空白条带方面。此外，视觉比较证实了该方法在恢复关键地质特征（如层理连续性和断裂结构）方面的卓越性能，从而为电气成像测井图像修复提供了一种有效方法。

**电气成像测井空白条带修复研究解读**

在石油勘探领域，电气成像测井（Formation MicroImager, FMI）技术通过测量井周地层的电阻率分布，生成高分辨率的井壁图像，为地质解释和油气评价提供关键依据^[1,2,3]。然而，在实际作业中，由于仪器故障、数据传输中断或不规则井壁条件，测井图像中频繁出现空白条带（即缺失区域），严重阻碍后续的地质解释与油气评估^[4,5]。这些空白条带通常表现为垂直、倾斜直线、曲线或不规则形状，宽度从几像素到几十像素不等，且在不同垂直深度尺度上表现出显著变异性，给地质解释带来巨大挑战^[4,5]。因此，修复电气成像测井中的空白条带具有重大的实际意义。

针对这一问题，研究人员早期主要采用插值算法和多点地质统计学方法。例如，Hurley等人^[8]利用Filtersim算法直接利用单遍电气成像测井作为训练图像进行条件模拟；Peng等人^[9]开发了基于迭代反距离加权插值和横向均值平滑的图像恢复技术；Luo等人^[10]通过引入梯度变量优化Criminisi算法；Xia等人^[11]提出了整合裂缝形态和分布信息的反距离迭代插值方法。尽管这些方法能在一定程度上重建缺失信息，但其恢复质量高度依赖原始数据，尤其在大规模修复时，往往导致层理边界模糊、纹理不连贯和结构扭曲，显著降低了FMI图像固有的非均质性特征，无法保持地质结构的连续性和完整性^[8-11]。

近年来，随着深度学习在复杂工业场景数据处理中的广泛应用，其在高分辨率图像恢复方面展现出革命性进展^[15-17]。研究人员开始将深度学习技术应用于空白条带修复。Lin等人^[18]提出了基于小波-空间通道协同优化的双流网络方法；Kang等人^[19]引入了基于生成对抗网络（Generative Adversarial Networks, GANs）的裂缝电气成像测井空白条带填充方法；Sun等人^[20]提出了基于多尺度GAN改进的U-Net架构；Du等人^[21]提出了注意力约束的深度生成网络；Wang等人^[22]和Su等人^[23]分别开发了高效恢复增强方法和基于傅里叶卷积的恢复方法。然而，现有的基于深度学习的方法仍面临关键技术瓶颈：一是标准卷积的感受野固定，难以适应不同宽度的空白条带，导致浅层窄条带和深层宽条带的修复性能不一致；二是传统卷积的刚性采样机制与电气成像数据固有的强垂直连续性不匹配，常导致层理结构不连续和边缘模糊^[24,25]。

为克服上述局限性，本研究提出了一种新颖的电气成像测井空白条带填充方法，该方法集成了任意核卷积（Arbitrary Kernel Convolution, AKConv）^[24]与聚合上下文变换生成对抗网络（Aggregated Contextual-Transformations Generative Adversarial Network, AOT-GAN）^[25]。主要贡献在于：(1) 将AKConv的自适应采样机制引入AOT-GAN的生成器网络，通过动态调整卷积核的采样位置和形状，有效解决了标准卷积感受野固定引起的尺度适应问题，能够鲁棒地处理不同宽度的空白条带。(2) 结合AKConv的方向自适应采样能力与AOT-GAN中针对缺失区域进行细粒度合成的判别器机制，有效减少了常见的大面积修复伪影，包括层理边界模糊、纹理不连贯和结构扭曲，从而提高了地质连续性和结构保真度^[24,25]。

为了开展研究，研究人员使用了从中国南海Y油田实际测井操作中收集的1950张电气成像图像。数据经过标准成像处理和严格的质量筛选后，按8:1:1的比例划分为训练集、验证集和测试集，共1560、195和195张图像。考虑到电气成像测井中相邻样本之间的强相关性，采用了基于相同测井部分连续深度区间的分组分割策略，以避免数据泄漏。在模型构建方面，研究采用编码器-解码器架构的生成器，并在编码器部分靠近输入端的选定标准卷积层以及AOT模块内集成AKConv模块。AKConv通过可学习的偏移量调整采样形状，使网络能够在早期特征提取阶段根据输入图像内容自适应调整采样模式，更好地捕捉电气成像数据中独特的方向性地质结构（如层理面和断裂）。判别器采用软掩码引导的PatchGAN结构，专注于评估缺失区域内的修复质量。损失函数包括重建损失、感知损失、风格损失和对抗损失，以增强语义一致性和视觉真实感。

研究结果方面，在均匀背景场景下的修复结果显示，所提出的模型不仅有效填充了空白条带，还成功恢复了断裂的连续性，修复区域与原始区域的像素-频率相关性高达0.923，二值化分析证实了修复后的结构完整性。在复杂多层背景结构下的性能分析表明，原始模型在修复过程中出现纹理模糊和层理不连续，而所提出的模型生成了清晰连贯的层理结构，像素-频率相关性达到0.9013，进一步验证了AKConv模块在增强模型鲁棒性和修复质量方面的核心作用^[24,25]。在工程验证中，该方法被应用于不同深度尺度（1:50至1:400）的关键评价井的电气成像测井数据处理。结果表明，所提出的方法在所有选定的深度尺度上均保持了与相邻有效区域良好的像素-频率连续性相关性，平均连续性相关性在0.865至0.911之间，总体平均值为0.888，表明该方法在实际工程条件下保持了局部纹理一致性和跨边界结构连续性^[24,25]。

讨论部分指出，尽管本研究主要关注电气成像测井本身的修复，而地质解释是一个综合过程，通常需要整合多种测井曲线（如声波、密度和中子测井）及地质信息，但该方法为实际现场条件下的电气成像测井图像修复提供了有效的解决方案^[24,25]。未来工作将探索多源地质信息融合，旨在将所提出的方法扩展为多模态修复框架，以提高修复结果的地质合理性和解释价值^[24,25]。

结论部分总结道，本研究提出了一种通过集成AKConv与AOT-GAN来修复电气成像测井图像空白条带的方法。通过引入AKConv的自适应采样机制，该模型缓解了标准卷积在处理不同宽度和形态空白条带方面的局限性，同时提高了方向性地质结构的保留能力。实验结果表明，与原始AOT-GAN基线相比，该方法在定量性能和视觉修复质量上均有提升，并在不同深度尺度上保持了良好的修复能力，同时保留了层理连续性和断裂结构等重要地质特征^[24,25]。

^[1-25]