基于生成对抗网络（GAN）增强的极限梯度提升（XGBoost）-双向长短期记忆网络（BiLSTM）-Transformer的高电阻率地层随钻电磁波测井反演方法

《Applied Computing and Geosciences》：Inversion Method for LWD Electromagnetic Wave in High-Resistivity Formations Based on GAN-Enhanced XGBoost-BiLSTM-Transformer

　　

在复杂油气藏勘探开发过程中，随钻测井（Logging While Drilling, LWD）反演是获取地层参数与实现地质导向的核心技术。现有的深度学习反演方法由于高电阻率输入样本稀疏及电磁响应饱和，导致高电阻率地层场景下电阻率反演精度降低，难以满足实际反演需求。针对上述问题，研究人员提出了一种集成极限梯度提升（Extreme Gradient Boosting, XGBoost）特征选择、生成对抗网络（Generative Adversarial Network, GAN）针对性数据增强以及双向长短期记忆（Bidirectional Long Short-Term Memory, BiLSTM）-Transformer模型的优化反演方法。首先，利用XGBoost量化特征贡献度并剔除低贡献冗余信号；其次，采用GAN生成针对性的高电阻率地层样本以改善数据分布；最后，利用BiLSTM-Transformer融合局部时序特征与全局依赖关系，增强模型拟合复杂非线性映射的能力。实验结果表明，所提方法在100 Ω·m至1000 Ω·m电阻率范围内显著降低了反演误差，为高电阻率储层实时LWD评价提供了可行的技术路径。

在复杂油气藏勘探开发领域，随钻测井（Logging While Drilling, LWD）凭借其地质方位探测能力与实时地层评价功能，在复杂地质环境检测中展现出显著优势，是获取地层参数、实现地质导向的核心技术。LWD电磁波响应信号蕴含复杂的地层电阻率与界面信息，具有显著的时间相关性与非线性特征，但无法直接反映真实地层状况，因此必须通过反演处理获取地层电阻率、边界距离等核心参数。若无法获取准确的地层信息，地质导向的可靠性将被削弱，其核心价值亦会丧失。实现快速准确的数据反演对于指导钻具精确钻进、提高油气采收率至关重要。然而，现有深度学习反演方法在高电阻率地层场景中面临两大瓶颈：一是真实地层电阻率数值呈指数分布，导致高电阻率样本天然稀疏；二是横向各向同性（Transverse Isotropy, TI）地层的正演响应与电阻率变化呈非线性关系，电磁响应曲线呈现明显的非线性饱和趋势，响应幅值随电阻率增大变化显著减小并趋于平缓，削弱了反演结果的准确性与可靠性。多数渗透性地层电阻率范围在1000 Ω·m以内，现有方法的电阻率反演范围多局限于100 Ω·m以内，难以解决高电阻率地层下的核心瓶颈问题。为此，研究人员以三维全息LWD仪器为载体，在数据构建基础上搭建基于生成对抗网络（Generative Adversarial Network, GAN）增强的极限梯度提升（Extreme Gradient Boosting, XGBoost）-双向长短期记忆（Bidirectional Long Short-Term Memory, BiLSTM）-Transformer模型的智能LWD反演框架进行探索研究。该研究由Xiao Liu、Jie Wang、Yuyang Qi、Jiaqi Xiao、Shihao Zhou、Meixiang Gao（齐鲁工业大学山东省科学院电气工程与自动化学院）完成，发表于《Applied Computing and Geosciences》。

研究人员开展研究用到的主要关键技术方法包括：基于解析法构建三维全息LWD仪器的正向模拟数据集，建立理想三层水平层状各向异性地层模型，在1 Ω·m至1000 Ω·m对数空间随机采样并设置4 m至7 m目标层厚度，采用多频协同策略构建幅度比、相位差等5类特征信号，形成16×5维连续深度响应样本共57600条；引入极限梯度提升（XGBoost）通过分裂增益量化特征贡献度，筛选前90%高贡献特征以剔除冗余；针对电阻率大于300 Ω·m的高电阻率样本采用生成对抗网络（GAN）进行定向数据增强，通过正交实验优化超参数（学习率5e-4、批大小64等）生成原高电阻率样本数30%的合成样本以修正分布偏差；构建编码器为Transformer（6头注意力、输出维度96）、解码器为BiLSTM（3层隐藏层各96神经元、Dropout 0.1）的混合网络，融合局部时序与全局依赖特征进行训练与反演验证。

FORWARD MODELING DATA CONSTRUCTION BASED ON ANALYTICAL METHOD。研究人员基于三维全息LWD仪器的6发6收复合天线阵列（频率100 kHz、400 kHz、2000 kHz）与三维全息全分量解耦方法，推导时间谐变场下横向各向同性（TI）地层Maxwell方程组的Hertz势解，通过反射-透射系数法与Hankel变换积分获取九分量电磁响应。建立三层水平层状各向异性模型，参数设置为各向异性系数λ范围0.2至5，电阻率于1 Ω·m至1000 Ω·m对数空间随机取500种组合，目标层厚度4 m至7 m；依据物理意义采用多频协同策略，2000 kHz高频构建幅度比各向异性信号A_ratio、相位差各向异性信号Φ_diff，100 kHz低频构建幅度比边界检测信号A_bd、相位差边界检测信号Φ_bd及电阻率信号R_sig；设置3 m窗口长度、0.2 m间隔截取16个连续深度点，每点含5特征形成16×5维样本，共生成57600条合成测井曲线样本，按7:1:2划分为训练集、验证集与测试集。结论为解析法正向建模建立了电磁响应与地层参数的定量映射，为多分量电磁响应数据集构建奠定基础。

INVERSION METHOD BASED ON BILSTM-TRANSFORMER。研究人员针对LWD沿深度连续采集的序列数据具局部时序与全局依赖双重需求，阐述长短期记忆（Long Short-Term Memory, LSTM）通过遗忘门、输入门、输出门及细胞状态实现序列信息记忆传输，双向长短期记忆（BiLSTM）由前向与后向LSTM组成以弥补单向LSTM仅用历史信息的缺陷；Transformer通过正弦余弦位置编码注入序列信息，经线性变换生成查询（Query）、键（Key）、值（Value）矩阵，利用缩放点积注意力与多头注意力机制捕获任意两深度点全局关联，后经前馈网络与层归一化形成上下文感知特征。研究人员将Transformer作编码器、BiLSTM作解码器组网（Transformer设6头注意力、输出96维；BiLSTM为3层各96神经元、Dropout 0.1），输入前述数据集训练。扩展至五层地层场景测试泛化能力，结果显示各层电阻率反演误差小于10%的样本占比不超76%；定量误差表中电阻率>750 Ω·m时均方根误差（Root Mean Square Error, RMSE）达3.2505、平均绝对误差（Mean Absolute Error, MAE）达2.8837。结论为BiLSTM-Transformer虽能融合局部与全局特征，但受冗余信号稀释关键特征及高电阻率样本稀疏、响应饱和影响，在高电阻率区难以建立准确映射，精度仍有提升空间。

INVERSION METHOD COMBINING GAN WITH XGBOOST-BILSTM-TRANSFORMER。研究人员提出分阶段优化策略：首先基于XGBoost特征选择，通过迭代计算梯度与残差量化分裂增益评估特征重要性，按累计贡献度达90%保留前42个高贡献特征剔除低贡献冗余以纯化输入信号；其次基于GAN数据增强，生成器接收随机噪声输出与真实数据同维高电阻率响应，判别器区分真伪，经对抗训练达纳什均衡使生成样本逼近真实分布，通过正交实验（L9阵列调学习率、批大小、生成器与判别器神经元结构）以最大均值差异（Maximum Mean Discrepancy, MMD）为指标确定最优超参（学习率5e-4、批大小64、生成器[256,128,64,32]、判别器[64,32,16]），针对>300 Ω·m样本生成原数30%的增强样本合并入训练集；随后经网格搜索确定模型学习率0.001、批大小128训练GAN增强的XGBoost-BiLSTM-Transformer。结果显示单轮训练约4.42秒，单样本推理0.065秒，浮点运算量1326.4M；五层地层测试中电阻率反演误差<10%样本占比提升至89.8%–94.0%，>750 Ω·m区间RMSE从3.2505降至2.3774（降幅26.9%），各电阻率区间RMSE、MSE、MAE均下降。结论为XGBoost剔除冗余与GAN定向增强有效突破高电阻率反演瓶颈，提升理想层状地层反演精度，但研究限于理想数值模拟未采用实测数据。

讨论部分总结指出，现有反演方法对深部高电阻率地层电磁波LWD适应性差，研究人员通过理论推导、模型设计与实验验证得出：结合GAN数据增强与XGBoost-BiLSTM-Transformer的反演方案有效打破现有深度学习方法在高电阻率地层反演的局限，解决理想地层条件下高电阻率样本稀疏与电磁响应饱和导致的精度不足问题，为复杂电阻率分布场景反演提供新思路。其内部机制为GAN通过对抗训练学习真实高电阻率样本分布特征，定向生成的仿真样本修正训练数据分布偏差、缓解高电阻率样本稀缺并增加高电阻率区间信息密度，克服电磁响应饱和效应，使模型捕捉高电阻率区细微响应变化，建立准确非线性映射。模型工程实用性将分阶段验证：先采用含井眼偏心、测量噪声等高保真模拟数据与主流行业迭代反演法定量对比，再将模型部署于高电阻率储层实际现场LWD数据验证真实环境可靠性。

研究结论部分原文翻译如下：聚焦于现有反演方法在深部高电阻率地层电磁波随钻（LWD）适应性差的核心问题，本文开展了针对性研究。通过理论推导、模型设计与实验验证，得出主要结论如下：结合生成对抗网络（GAN）数据增强与极限梯度提升（XGBoost）-双向长短期记忆网络（BiLSTM）-Transformer的反演方案有效突破了现有深度学习方法在高电阻率地层反演的局限性。解决了理想地层条件下高电阻率样本稀疏及电磁响应饱和引起的反演精度不足问题，为复杂电阻率分布场景下的反演任务提供了新思路。其内部机制总结如下：通过对抗训练，GAN学习真实高电阻率样本的分布特征。定向生成的仿真样本不仅修正了训练数据的分布偏差、缓解了高电阻率样本的稀缺性，还增加了高电阻率区间的信息密度。这克服了电磁响应饱和效应，使模型能够捕捉高电阻率区域的细微响应变化，最终建立准确的非线性映射关系。模型的工程实用性将分阶段验证。首先，采用融入井眼偏心与测量噪声等高保真模拟数据，与主流行业迭代反演方法进行定量对比分析。随后，将模型部署于高电阻率储层的实际现场随钻（LWD）测量数据上，以验证其在真实作业环境中的可靠性。