基于局部边缘模式学习的深度生成神经网络在地热储层结构表征中的应用

《Applied Sciences》：Characterization of Geothermal Reservoir Structures Based on a Deep Generative Neural Network with Local Edge Pattern Learning

　　

准确的三维(3D)地热储层表征对于资源评估与开发至关重要，但由于直接观测稀疏且地下地质具有复杂非均质性，该任务仍具显著挑战。尽管深度学习已成为地下建模的有力工具，现有方法常难以保留关键细尺度结构细节并自适应聚焦于地质信息丰富区域，限制了其在地热应用中的有效性。为解决上述局限，研究人员提出Gen-LEP，一种专为地热储层表征设计的新型深度生成神经网络。所提框架集成局部边缘模式(LEP)学习模块这一关键组件，以增强对岩性边界与结构不连续面的保持。LEP学习模块嵌入于条件生成框架内，有效学习稀疏条件数据与复杂3D储层结构间的非线性关系。研究人员在地热储层建模数据集上评估该方法，实验结果表明Gen-LEP能够实现准确重建并保留复杂地质边界。Gen-LEP提供了一种有效的深度学习框架，通过显式处理地下地质系统的特定空间特征，提升地热储层重建的保真度。

研究背景与动机

地热储层表征是理解地下热聚集、评估资源潜力及支撑地热开发系统设计与优化的基础。准确的3D储层模型提供岩性架构、结构不连续面与空间非均质性信息，直接控制热传输、流体迁移与储层产能。随着地热勘探向深部复杂地质环境推进，可靠表征地下结构对降低勘探不确定性与改进资源评估日益重要。然而该任务面临直接观测有限与地下系统强空间异质性的挑战：钻孔提供高可靠岩性信息但稀疏不均，地球物理勘探提供连续区域信息但分辨率有限且为间接物理响应，致使储层建模本质为病态反问题。传统插值（如克里金、反距离加权）可建平滑模型但难复现复杂边界；多点地质统计与基于对象模拟可生成逼真实现但需大量先验知识与计算量。深度学习通过非线性映射提供新机会，卷积神经网络(CNN)、编码器-解码器与生成对抗网络(GAN)已在地震解释、岩性预测与储层重建中展现潜力；深度生成模型能学习复杂概率分布并在稀疏观测下生成逼真结构。但现有方法多关注全局上下文而忽视局部结构模式（如岩性突变、断层边界、裂缝带），常规卷积下采样易平滑高频结构特征；且空间特征被均匀处理，未显式强调边界、断层交汇等富含信息区域。已有边缘感知损失、形态学边界加权与空间注意力机制或把边界当作通用图像梯度、或静态掩膜、或隐式学习，未显式区分地质意义岩相接触且在条件生成框架中耦合稀疏条件强制。上述缺口促使研究人员提出Gen-LEP框架。

主要技术与方法

研究人员采用公开CarbGeo-3D合成数据集（5000个128×128×128体素3D岩性体及对应电阻率体，含微孔白云岩、孔隙白云岩、泥质白云岩、溶蚀裂缝白云岩四类岩相），从中抽取2D剖面与3D体块构建训练/验证/测试集（比8:1:1）。核心方法为Gen-LEP：多源数据编码器融合辅助变量（区域趋势/地球物理先验）、空间位置与稀疏观测（井间岩相点），按信息密度选用不同3D卷积核；生成器接收编码器潜特征与32维高斯随机向量，经转置卷积上采样输出Softmax多类岩相；判别器为3D CNN输出真实性概率；局部边缘模式(LEP)模块从参考岩相体提取各类岩相形态学腐蚀内核之差得边界带，按到边界欧氏距离构建连续空间权重图W(x)，在损失中对边界体素放大梯度。总目标为对抗损失、硬条件L1损失与LEP加权分类损失的加权和，端到端训练。2D输入为8个点观测+位置+电阻率剖面，3D输入为8口虚拟井+位置+电阻率体。

研究结果

5.1 二维测试

在500个2D测试样本上，Gen-LEP生成实现与8点观测完全匹配；与参考相比，微孔白云岩背景与厚层泥质白云岩体积比例与接触面清晰，主溶蚀裂缝走廊走向与交切关系被准确捕获。100次重复模拟的变程函数与连通性函数在X/Y向与参考高度一致，证明宏观空间连续性与方差结构复现。但在主裂缝伴生分散微溶蚀斑点（单像元红绿点）上，因编码器下采样抑制超高频孤立特征及LEP形态学腐蚀优先连续边界，生成结果将其合并入裂缝核或吸收进基质，属卷积聚合固有局限。

5.2 三维测试

500个3D体中每体取8口虚拟井，条件点准确率≥92.86%。生成3D实现复现微孔/泥质白云岩背景连续性，大尺度溶蚀裂缝走向与交汇准确。100次独立模拟变程函数包络与参考重叠良好；连通性函数在极短与长滞后距吻合，中间滞后距存在偏差带，对应中尺度裂缝周边微溶蚀被轻度平滑，但整体随机稳定性与多尺度连通性保持。

5.3 对比测试

以15口虚拟井条件对比GAN与VAE：GAN与VAE对溶蚀裂缝白云岩过平滑致边界模糊；Gen-LEP因LEP策略捕获高频边缘梯度，部分重建主裂缝周边散点，背景层理清晰。定量上Gen-LEP的MSE=0.098（较GAN降15.5%、较VAE降35.1%），SSIM=0.581（优于GAN 0.569、VAE 0.501），边界距离误差BDE=0.259（较GAN降11.0%、较VAE降17.5%）。变程与连通性统计包络最接近参考。

5.4 局限与未来工作

验证基于合成CarbGeo-3D，野外数据含噪声、覆盖不全与多源尺度失配，LEP在噪声井日志与不确定标签下鲁棒性待察；极小孤立微溶蚀特征仍被平滑，因卷积下采样偏好连贯结构。未来将接入真实田间数据（井日志、地球物理反演、地质解译）验证。

讨论与结论翻译

讨论指出，Gen-LEP在合成基准与所选基线中提升了重建精度、边界一致性与参考空间统计复现，但野外适用性需真实数据验证；LEP虽改善边界保持，在噪声与不完整约束下仍需研究；微尺度孤立特征丢失源于卷积聚合偏好。

结论：本研究提出Gen-LEP新型深度生成框架，用于2D/3D碳酸盐地热储层高精度表征，通过多源编码器、LEP模块与GAN架构提升常规深度方法性能；CarbGeo-3D基准实验表明其在稀疏条件下改进3D重建，但极小孤立微溶蚀特征仍可能因卷积聚合强调连贯结构而被平滑；未来工作将用真实地热田数据评估并改进细尺度分散特征重建能力。论文发表于《Applied Sciences》。