基于测井先验信息的深度学习三维重力反演

《Sensors》：Deep Learning-Based 3D Gravity Inversion with Well-Logging Prior Information

　　

摘要翻译：作为地球物理勘探中的一项基础技术，重力反演在地质构造解释和矿产资源评估中发挥着至关重要的作用。近年来深度学习的进展，特别是卷积神经网络（CNN）在图像识别、目标检测和语义分割方面的卓越能力，为地球物理中的非线性反演问题提供了创新性解决方案。然而，传统的数据驱动方法由于解固有的非唯一性，往往产生物理上不切实际的反演结果。本研究提出了一种新的三维深度学习重力反演框架，该框架融合了测井先验约束，通过地表重力异常数据与井下岩石物理参数的综合集成，建立了一种基于密度-位置关系的约束机制。研究人员开发了一种新的神经网络架构，将测井数据作为硬约束纳入重力反演，同时保留了地下地层的密度特征和空间信息。重要的是，在网络优化过程中，研究人员引入了卷积块注意力模块（CBAM），能够在反向传播期间选择性增强岩性特征。这种注意力引导机制实现了位场异常与测井岩石物理参数之间的稳健耦合，显著提高了三维密度重建的空间精度。数值实验表明，该方法能够准确恢复地下矿体的密度分布。对比结果表明，与纯地表数据驱动方法相比，测井信息的集成显著提高了解的可靠性和构造一致性。在墨西哥圣尼古拉斯硫化物矿床的实际应用中，该方法在反演性能上优于传统的基于UNet的方法。

基于测井先验信息的深度学习三维重力反演研究解读

一、研究背景与问题

重力反演是地球物理勘探中的基础方法，旨在通过地表观测的重力异常数据重建地下密度分布，从而为地质构造解释和矿产资源评估提供关键信息。传统重力反演方法主要分为线性和非线性两类，但在三维反演中面临两个重大挑战：一是计算成本极高，二是所得模型的空间分辨率有限，尤其在刻画地质边界方面能力不足。近年来，卷积神经网络（CNN）在图像处理领域取得的突破性进展，为重力反演提供了新思路。数据驱动的深度学习方法能够直接从二维重力异常映射到三维密度模型，避免了传统方法的迭代计算负担。然而，仅依赖重力异常数据的反演本质上具有非唯一性，即不同地下密度分布可能产生相同的地表响应，这导致反演结果可能在地质上不一致或模糊。为了缓解这一问题，引入互补的地球物理观测和结构约束是有效途径。测井数据提供了直接、随深度分辨的地下地质和岩石物理性质的测量结果，可以作为有价值的先验约束。然而，已有研究如Li等人（Li et al.）提出的自监督网络框架虽引入了测井约束，但一维集成方式未能充分利用空间分布特征，限制了对三维地质构造的表征能力。因此，开展本研究旨在克服一维测井信息在三维重力反演中的局限性，通过空间映射将测井先验转化为空间分布约束，从而提升反演结果的可靠性和地质一致性。

二、研究内容与结论

针对上述问题，研究人员提出了一种新的三维深度学习重力反演框架UCA-W（具有CBAM注意力和井约束的UNet）。该方法的核心创新在于：首先，将一维测井密度剖面根据钻孔位置和深度空间映射到三维模型域，保留密度-深度-位置关系，将孤立的垂直剖面转化为空间显式先验；其次，在编码器中引入注意力引导的特征融合机制，通过通道注意力和空间注意力分支自适应地强调与钻孔信息和异常密度结构相关的特征通道和空间区域；最后，建立了联合约束反演框架，使用空间映射的测井信息作为显式先验、Dice损失作为结构约束、重力正演残差作为物理一致性约束。通过合成实验和墨西哥圣尼古拉斯矿床的实际应用，验证了该方法的有效性。研究结论表明，UCA-W网络在合成数据上显著提高了反演精度，尤其在ACC（平均精度）和SSIM（结构相似性）指标上表现优异；在测井位置偏移测试中表现出良好的鲁棒性；在多密度体场景中能清晰区分密度边界并准确恢复几何形状；在噪声鲁棒性实验中，该方法在低噪声条件下能保持主体结构，但高噪声下会出现局部偏差和伪影。在圣尼古拉斯矿床的实际应用中，UCA-W网络的预测结果与钻孔信息一致，预测的几何形状和物理边界与实际情况吻合良好，优于传统的UNet网络和预条件共轭梯度（PCG）方法。该研究的重要意义在于，通过有效整合测井先验信息，显著提高了三维重力反演的可靠性和结构一致性，为矿产资源勘探提供了更精确的技术手段。论文发表在《Sensors》期刊上。

三、主要技术方法

研究人员主要采用了以下关键技术方法：（1）基于随机游走算法生成具有多样几何特征的合成地下密度模型，并通过重力正演计算对应的地表重力异常；（2）将一维测井密度剖面根据钻孔位置和深度空间映射到三维模型网格，形成稀疏三维先验张量；（3）构建联合输入张量，将二维重力异常与空间映射的测井信息沿通道维度拼接；（4）在UNet架构的编码器中集成卷积块注意力模块（CBAM），实现通道和空间双注意力机制；（5）采用Dice损失和均方误差（MSE）损失的加权组合作为复合损失函数，分别约束结构性重建和重力数据一致性；（6）针对圣尼古拉斯矿床，利用克里金插值对不规则分布的重力异常数据进行网格化，并构建现场标定数据集进行微调。样本队列来源包括合成数据集（包含22600个模型）和墨西哥圣尼古拉斯矿床的实测数据（来自SAL-25钻孔的测井信息）。

四、研究结果

1. 网络架构对比实验：在合成数据集上对比了UCA-W、UNet-W（加入测井约束的UNet）、SSGI-W（Li等人提出的方法）以及无测井约束的UCA网络。结果表明，UCA-W网络在ACC和SSIM指标上表现最佳，尤其在深部密度体的刻画上显著优于其他网络，产生的伪影更少。这验证了测井约束和注意力机制的有效性。

2. 测井位置偏移测试：通过随机偏移测井位置（水平和垂直方向各三个单元），评估网络对测井位置偏差的鲁棒性。结果显示，即使测井位置有偏差，方法仍能保持良好的反演性能，密度结构的整体空间分布特征得到较好重建，证明了该方法在实际勘探中的适应性。

3. 多密度体验证：构建了包含两个不同密度对比度（1 g/cm3和0.6 g/cm3）的合成模型，模拟真实地质中的岩性界面。结果表明，UCA-W网络能清晰区分密度边界，准确重建几何形状，并可靠恢复目标密度值，展现了在复杂地质条件下的适应性。

4. 噪声鲁棒性实验：在重力异常数据中添加0%、2%、3%的高斯白噪声，保持测井约束不变。结果显示，在2%噪声下，主异常体仍能有效识别，但边界变得不规则；在3%噪声下，出现明显的离散伪异常和浅部异常体，边界完整性下降。这表明模型在低噪声下具有鲁棒性，但对高噪声敏感，未来可通过噪声增强训练提高稳定性。

5. 现场应用：针对墨西哥圣尼古拉斯矿床，利用SAL-25钻孔的测井数据作为先验约束，对插值后的重力异常进行反演。UCA-W网络的预测结果高度集中，预测位置与钻孔信息一致，几何形状和物理边界与实际情况吻合良好。相比之下，传统PCG方法只能大致恢复异常源的几何轮廓，但密度值普遍被低估。

五、讨论与结论

讨论部分指出，测井约束的引入使深度学习模型能够更准确地表征地下地质结构，提高了反演结果的精度和可靠性。注意力机制（CBAM）在特征融合中起到了关键作用，通过选择性增强与测井信息相关的特征，有效实现了重力异常与岩石物理参数的耦合。研究结论部分翻译如下：本研究提出了一种基于UNet框架的新型UCA-W网络架构。该网络同时处理二维地表重力异常和地下测井数据，其中测井数据作为反演过程中的硬约束。值得注意的是，研究人员在下采样路径中集成了卷积块注意力模块（CBAM），增强了模型捕捉关键空间特征和地质构造细节的能力。这种创新设计显著提高了网络性能，确保反演结果在精细尺度特征上与真实地下构造表现出极好的一致性。测井约束的引入使深度学习模型能够更准确地表征地下地质结构，从而提高了反演结果的精度和可靠性。该方法的有效性已通过合成建模测试和墨西哥圣尼古拉斯矿区的实际应用得到全面验证。未来的研究应着重于开发更有效的测井信息利用策略和设计更稳健的网络架构，以进一步优化反演性能。