一种先验约束的时频混合域方法用于高分辨率孔隙度预测

《Petroleum Science》：A prior-constrained time-frequency mixed domain method for high-resolution porosity prediction

　　

准确的孔隙度预测对于可靠的储层表征至关重要。尽管监督学习（supervised learning, SL）方法已展现出良好的性能，但其泛化能力常受限于测井数据的稀缺性。半监督学习（semi-supervised learning, SSL）通过利用标记和未标记数据提供了可行的替代方案；然而，现有的大多数SSL方法仅在时间域中运行且依赖固定频带，这限制了垂直分辨率并阻碍了薄层识别。为解决这些限制，研究人员提出了一种先验约束的时频混合域SSL方法。低频先验模型由稀疏测井和地震数据生成，有效缓解了标签稀缺问题并减少了对有限标记样本的过拟合。在SSL框架内，这些先验作为结构约束，使模型能够从大量未标记数据中捕获潜在地质模式，从而提升泛化能力。此外，研究人员整合了通过傅里叶变换（Fourier transform, FT）提取的频域特征，使网络能够利用更宽的频谱范围并提高垂直分辨率。为减轻频域表示固有的噪声敏感性，引入了一种噪声水平估计策略来构建自适应损失函数，该函数动态平衡时域和频域分量的贡献。在合成数据和实际数据上的实验表明，所提方法提供更高分辨率的孔隙度预测，具有更好的横向连续性和更精确的薄层刻画，优于传统SL和时域SSL方法。

**论文解读：先验约束的时频混合域半监督学习方法用于高分辨率孔隙度预测**

**研究背景与问题**

孔隙度是储层岩石的关键物性参数，直接影响油气储集能力和流体流动行为，准确预测孔隙度对于可靠的储层表征和高效油田开发规划至关重要。传统上，孔隙度通过岩心实验室直接测量或基于测井数据的岩石物理模型间接估算，但这些方法在空间上局限于井点位置，外推至井间区域时存在显著不确定性。地震数据具有密集的空间覆盖，并通过岩石物理原理携带与孔隙度相关的弹性信息，因此地震反演成为高维孔隙度预测的核心技术。传统地震驱动方法包括两步级联（先反演弹性参数再转换孔隙度）或贝叶斯/地质统计联合反演，但这类方法通常依赖线性化近似、显式物理模型和强先验假设，难以捕捉复杂非线性关系，且反演过程因带限地震数据、噪声和非唯一解而呈现病态性。

近年来，深度学习（deep learning, DL）在地震数据处理中取得突破，包括插值、断层检测、层位追踪等，并逐步应用于孔隙度预测。早期DL方法主要探索不同网络架构（如卷积神经网络CNN、长短期记忆网络LSTM、时序卷积网络TCN、Transformer等）以提升预测精度，但这些方法大多基于监督学习（supervised learning, SL）框架，需要大量标记测井数据。在实际应用中，测井数据往往稀疏且分布不均，严重限制了SL模型的泛化能力。半监督学习（semi-supervised learning, SSL）通过同时利用少量标记数据和大量未标记地震道，为解决标签稀缺问题提供了可行方案。然而，现有SSL方法大多仅在时间域操作，受限于固定地震带宽，导致垂直分辨率不足，难以识别薄层。此外，低频模型已被引入以约束和稳定SSL反演，但构建准确低频模型通常需要整合多源数据（如测井、解释层位、地质统计模拟），在井控稀疏或地质复杂区域应用受限。

**研究目的与意义**

为解决上述问题，研究人员提出了一种先验约束的时频混合域半监督学习方法（prior-constrained time-frequency mixed domain semi-supervised learning, PC-TFSSL），用于高分辨率孔隙度预测。该方法将傅里叶变换提取的频域特征显式整合到SSL架构中，并引入自适应加权策略动态平衡时域和频域贡献，同时通过二次训练方案直接从地震数据生成低频先验模型，提供结构约束而不依赖外部低频模型。在合成数据和实际数据上的实验表明，PC-TFSSL框架在孔隙度预测中实现了更高的分辨率和准确性，尤其在薄层刻画和强噪声环境下表现优异。该论文发表在《Petroleum Science》。

**主要关键技术方法**

研究人员主要采用了以下关键技术方法：（1）时频混合域半监督学习框架：结合时间域地震道和傅里叶变换提取的频域特征，通过通道级联融合，使网络利用更宽频谱范围提升垂直分辨率。（2）低频先验生成策略：通过初始监督训练获得全体积孔隙度预测，再经高斯低通滤波器提取低频趋势，作为后续训练的结构约束，无需依赖外部低频模型。（3）噪声自适应损失加权策略：引入噪声振幅比R（基于观测数据方差和噪声方差估计），通过指数衰减函数映射为自适应权重K，动态平衡时域和频域损失贡献，增强鲁棒性。（4）对称编码器-解码器网络架构：采用非因果时序卷积网络（TCN）提取多尺度全局特征，结合双向门控循环单元（Bi-GRU）捕获时间依赖性，形成闭环结构实现地震数据与孔隙度的双向映射。样本来源：合成数据基于Marmousi2地质模型生成；实际数据来自中国南海珠江盆地，包含三口井（J1、J2、J3），其中J1和J3用于训练，J2作为盲井验证。

**研究结果**

**3.1 性能指标与参数确定**：通过敏感性分析确定最佳超参数，包括学习率1×10^-3、dropout率0.2、权重衰减1×10^-4。采用决定系数r²和结构相似性指数（SSIM）作为定量指标。通过系统实验获得噪声振幅比R与自适应权重K的指数衰减拟合关系：K = 0.2398 + 0.6092 × exp(-R/0.2517)，r²达0.9893。

**3.2 合成数据实验**：在无噪声条件下，与SL、先验约束监督学习（PC-SL）、时域半监督学习（PC-TSSL）、频域半监督学习（PC-FSSL）、多任务可变形卷积生成对抗网络（MDGAN）和CNN-轻量Transformer网络（CLWTNet）对比。PC-TFSSL和PC-FSSL均实现最高预测精度，PC-TFSSL的r²为0.9624，SSIM为0.8669，且在薄层表征和断层区域表现优异。在噪声条件下（R=0.18至0.99），PC-TFSSL在所有噪声水平下均保持稳定，优于频域方法，尤其在尖灭区薄层细节恢复方面优势明显。

**3.3 实际数据实验**：应用于珠江盆地实际地震数据，通过岩石物理分析建立P波速度与孔隙度的线性回归关系（r²=0.8603），由速度测井导出孔隙度曲线。噪声估计R=0.1224，K=0.6485。盲井J2验证表明，PC-TFSSL预测结果与实测曲线高度吻合，r²达0.9443，SSIM为0.9098，优于所有对比方法，且损失曲线稳定收敛，证明其泛化能力。

**讨论与结论**

讨论部分重点分析了网络结构、低频先验集成策略、低通滤波器截止频率影响、计算效率及先验质量评估。网络结构对比显示，所提TCN（膨胀率[1,2,3,5]）结合三层Bi-GRU的架构在定性和定量上均优于CNN、TCN、Bi-GRU及其消融变体。三种低频先验集成策略（先验引导、迁移学习、损失正则化）中，先验引导策略（将低频先验与地震数据通道级联）在预测误差（MSE=0.0161）和计算时间（46秒）上取得最佳平衡。截止频率分析表明，不同井数下最优截止频率范围在3-9 Hz，6 Hz能有效平衡稳定性与分辨率。计算效率方面，PC-TFSSL总运行时间153秒，虽高于其他方法，但通过CUDA-FFT和混合精度训练可优化约12%。先验质量评估显示，噪声增加会导致先验质量下降，但先验引导策略通过多域信息整合仍能保持稳定预测。

结论部分翻译如下：本文提出先验引导的时频半监督学习（PC-TFSSL）框架用于高分辨率孔隙度预测，该框架通过在半监督架构中整合时频混合域特征，超越了传统方法。通过引入傅里叶变换的频域特征和基于估计噪声水平的自适应损失加权机制，框架提升了垂直分辨率和噪声鲁棒性。此外，提出低频先验生成策略，提供隐式结构约束，从而在不依赖外部低频模型的情况下增强横向连续性。合成数据和实际数据上的实验结果表明，PC-TFSSL在预测精度、分辨率保持和薄层刻画方面优于现有监督和半监督方法，尤其在噪声地震条件下。未来工作将聚焦于将框架扩展至多道反演，并引入显式地质约束以增强储层表征的物理一致性和空间连续性。