基于 SA-GNN 与物理约束 LSTM 的时空地震属性预测

《Scientific Reports》：Spatiotemporal seismic attribute prediction via SA-GNN and physics-constrained LSTM

　　

摘要

地震属性预测的准确性直接影响地下结构的解释和油气储层的识别。鉴于传统方法在建模非欧几里得空间依赖性和物理动力学方面的困难，本文提出了一种结合自注意力图神经网络（SA-GNN）和物理约束 LSTM（PG-LSTM）的联合预测方法。SA-GNN 使用多头自注意力机制来动态分配节点权重，显著提高了复杂地质结构的空间特征表达能力。与传统 LSTM 相比，断层区域的速度预测误差降低了 46.2%（MAE 从 13.82 m/s 降至 7.43 m/s）；PG-LSTM 嵌入了一维波动方程正则化项，以确保时间序列演化符合物理定律，将相位预测误差降低了 22.4%（MAE 从 3.87 rad 降至 3.01 rad）。实验表明，该方法在 SEG SEAM 第一阶段数据集上的速度、振幅和相位预测的平均绝对误差（MAE）分别为 7.43 m/s、5.49（无量纲）和 3.01 rad，决定系数（R2）提高至 0.943、0.893 和 0.871，结构相似性（SSIM）为 0.89。此外，该模型在小样本（25% 训练数据）和高噪声（-10 dB）条件下仍保持稳健，与基线相比，误差波动降低了 35%。本研究为地震属性预测提供了一种结合高精度和物理一致性的新建模框架，可扩展应用于智能反演和实时监测等场景。