用于平面沉积相解释的知识约束改进平均流方法

《Journal of Hydrology》：A knowledge-constrained improved Mean Flow method for planar sedimentary facies interpretation

　　

• 提出了一种知识约束改进均值流（K-iMF）方法。• 将各向异性变异函数作为知识嵌入，以约束空间连续性。• 多方向变异函数对两个沉积相数据集非常有用。• K-iMF增强了空间结构并降低了随机实现的确定性。引言在相和微相尺度上的平面沉积相解释，对于基于井资料重建沉积单元的横向分布至关重要（Xu等，2015；Lu等，2025）。在河流和三角洲环境中，这项任务尤为具有挑战性，因为相体在横向上是非均匀的，几何结构复杂，且通常表现出快速的空间过渡（Chen等，2022a；Pan等，2021）。这些特征直接影响储层构型和连通性。然而，仅依靠井资料对相进行可靠解释仍然约束不足，因为相边界和井间连续性很少被直接观测到，这使得恢复横向连贯且地质上合理的相模式变得困难。平面沉积相解释本质上是基于井资料条件的空间重构问题。两类点地统计方法，如序贯指示模拟，依赖于随机变量假设，通过变异函数表征空间连续性，并在井数据约束下生成相分布的随机实现（de Vries等，2009；Al-Mudhafar等，2024）。然而，此类方法仅描述两点空间相关性，因此不足以表征受多点关系控制的复杂沉积结构。此外，在具有明显方向性变异的强非均质环境中，基于主方向的变异函数参数化限制了模型捕捉地质结构空间变化的能力（Guo等，2015）。多点地统计（MPS）通过引入训练图像来表征高阶空间结构，从而部分解决了两点方法在表征复杂空间模式方面的局限性（Chen等，2015）。通过从训练图像中提取空间模式，它能够实现条件模拟并更有效地表征强非均质沉积结构（Honarkhah和Caers，2012；Zhang等，2012）。例如，在珠江口盆地中，利用多尺度训练图像在多点地统计框架内建模非平稳沉积相。在分类和模拟过程中，空间模式的位置被作为约束条件纳入，从而改善了对相连续性的表征。在数据受限条件下，所得相模型与FILTERSIM相比显示出更好的水平连续性，具有更清晰的相边界和更稳定的空间分布（Zhang等，2023）。为了将层序地层学约束整合到相建模中，基于INPEFA获得的地层学信息已被纳入多点地统计框架。γ射线测井定义层序边界并约束随机模拟中使用的训练图像，而模糊粗糙集属性选择和高阶相容性约束则指导模式再现。该方法应用于松辽盆地某油田，产生的相分布与井资料一致，并识别出三个沉积阶段，其特征分别为条带状、席状和横向连续的砂体（Wang等，2025）。基于小波的互相关模拟（CCWSIM）方法将CCSIM与离散小波变换相结合。它在压缩后的小波空间中测量模式相似性，并选取与硬条件数据一致的候选模式。所选模式随后通过逆离散小波变换重建为原始分辨率。在多种分类训练图像上应用CCWSIM后，模式再现和计算效率均有提高，尽管小波压缩可能会在非平稳训练图像中遗漏细尺度结构（Bavandsavadkoohi等，2025；Fang等，2026）。尽管取得了这些进展，MPS的实际应用仍受到获取高质量训练图像和参数化复杂储层构型困难的限制。近年来，深度学习为沉积相的空间建模提供了一种替代方法，生成对抗网络（GAN）和扩散模型等生成模型正越来越多地应用于平面相解释（Chen等，2022b；Sun等，2023）。这些方法直接从训练图像中学习空间特征和高阶相模式（Chen等，2026a；Dong等，2026）。通过生成器与判别器之间的对抗训练，基于GAN的模型从训练数据中提取空间模式，并能捕捉沉积体系的高阶空间依赖关系和多尺度特征（Cui等，2025；Song等，2026）。例如，ALLUVSIM-GANSim框架通过结合过程模拟与生成建模来模拟点砂坝储层中的细尺度泥岩覆盖层。改进的ALLUVSIM首先生成沿加积面的无条件泥岩覆盖层模式，用作训练数据。GANSim然后将这些模式条件化于井数据和概率图上。动态数据通过马尔可夫链蒙特卡罗采样额外纳入。在合成数据和现代蜿蜒河道案例中应用该方法后，它捕捉到了泥岩覆盖层的几何形态和间距，并生成了条件化实现（Song等，2022；Hu等，2024）。CSPA-CAGAN在GAN框架内执行条件沉积相模拟。空间自适应条件化模块根据稀疏条件数据的空间布局调制特征图，以改善条件化传播。综合注意力机制捕捉空间模式、特征通道和多尺度坐标信息。结合Wasserstein距离与梯度惩罚的联合损失函数强制生成的相与条件数据之间保持一致。该方法应用于河流、三角洲和扇三角洲储层，再现了与地质模式一致的河道几何形态和非均质相结构（Liu等，2025）。CMS-PCSinGAN使用双网络框架执行条件沉积相模拟，其中一个并行的多阶段SinGAN训练网络从单个训练图像中学习多尺度空间模式，而一个独立的后约束网络逐步引入稀疏井相数据，以在生成过程中实施条件化。该方法在数据受限条件下应用于河流相模型，将模式学习与约束执行分离开来，减少了传统基于GAN的方法中样本多样性与条件化精度之间的冲突（Zhang等，2025）。这些方法直接从数据中学习复杂相几何形态，但条件化精度、训练稳定性和实现变异性取决于模型架构和训练策略。与对抗生成方法不同，扩散模型在前向过程中引入随机噪声，并在逆向过程中逐步恢复数据结构，从而实现对沉积相分布的概率建模（Huang等，2024；Chen等，2026b）。它们表现出稳定的训练行为，并生成具有复杂沉积构型和改善横向连续性的地质连贯相分布。在此基础上，DiffSIM通过基于扩散的去噪学习相分布，使用50步去噪采样加速推理，并通过在井间预测中的掩膜操作来尊重井位置上的相观测值。在二维蜿蜒河道、二维点砂坝和三维点砂坝案例中，它再现了关键空间统计特征，保持了井间变异性，并精确尊重井数据，尽管三维计算仍然代价高昂（Xu等，2024）。潜空间扩散模型在潜空间中进行条件相生成，其中去噪U-Net通过多层映射和保留损失（强制与观测值一致）在条件数据引导下运行。在波浪主导的浅海环境中垂直二维岸滩切片上应用该模型后，与基于GAN的基线相比，其生成的实现更加稳定且具有更高的保真度。它还表明，需要同时使用交叉熵损失和多层条件化来维持条件化精度（Lee等，2025）。基于扩散的多类别生成网络将类别标签纳入潜空间扩散框架，以生成不同的含水层构型。在多个含水层数据集上的测试表明，生成的结构再现了特定类别的空间模式，同时尊重条件数据和预设标签（Chen等，2026b）。然而，扩散模型通常在训练期间需要大量优化，在推理期间需要多步去噪，导致计算成本高昂。多步去噪可能带来巨大的推理成本，尤其是在大规模应用中。为了解决扩散模型中多步随机去噪的局限性，改进均值流（iMF）构建了连续时间速度场来描述数据分布的演化，从而实现从随机噪声到目标地质结构的一步映射（Geng等，2025）。通过学习连续时间动力学，iMF在保持表征复杂空间结构能力的同时提高了推理效率。然而，其在条件沉积相解释中的应用仍然有限。总体而言，iMF等深度生成方法能够学习复杂模式和高维非线性映射，为数据驱动的沉积相预测提供了一种实用方法。然而，实践中仍存在几个问题：（1）稀疏井数据提供的空间约束有限。因此，井间和未钻区域的相分布难以预测，可能缺乏空间连续性。（2）现有的数据驱动生成方法依赖隐式特征学习，缺乏对方向性连续性和横向延伸的显式表征。这限制了它们约束相连续性和几何形态的能力。（3）传统的各向异性变异函数模型通常沿预定义的主方向和次方向进行参数化，可能忽略其他方位角上的空间相关性，从而限制其表征复杂各向异性的能力。为解决这些问题，本研究提出了一种知识约束iMF（K-iMF）方法用于沉积相解释，该方法将多方向变异函数纳入连续时间速度场学习。条件iMF部分从数据中学习高阶相模式，而变异函数约束则用域尺度上的方向性空间相关性信息补充稀疏点观测。在训练过程中，在多个方位角和滞后距离上评估各向异性变异函数以正则化K-iMF速度场，引导模型生成保留方向趋势和沉积体连续性的相实现。在推理过程中，网络参数保持不变，独立采样的高斯潜变量被并行映射为多个候选相实现。保留与条件井所估计变异函数最匹配的候选方案。这一设计保留了方向性空间特征，同时保持了iMF的推理效率。本文其余部分组织如下。第2节介绍用于沉积相解释的K-iMF方法。第3节报告了该方法在来自海拉尔河体系的河流沉积相数据集上的评估结果。第4节进一步考察了该方法在中国松辽盆地沉积微相数据集上的性能。第5节分析结果并讨论其适用性和启示。第2节片段K-iMF用于沉积相解释的工作流程K-iMF用于沉积相解释的工作流程（图1）包括两个主要阶段：模型训练和预测。在训练阶段（图1a），来自三角洲前缘数据集的沉积微相图和来自海拉尔河数据集的河流相图首先被划分为空间不相交的训练区和测试区。然后在每个区域内分别应用重叠滑动窗口技术构建相应的块集，确保没有空间…内蒙古中国海拉尔河体系的河流沉积相解释在本工作中，所有实验均使用Python 3.12.12实现，并在配备AMD EPYC 9124 CPU（3.7 GHz）、64 GB系统内存和NVIDIA RTX PRO 6000 GPU（96 GB显存）的计算机上完成。数据集研究区位于中国松辽盆地北部中央坳陷区的A油田内（图10a）。该层段代表典型的远端三角洲前缘沉积环境（Meng等，2010；Huang等，2025）。由于距物源输运距离较长，分流河道的输运能力显著减弱，而波浪改造对沉积物再分配的控制作用更强。储层由…地统计约束的敏感性分析图17展示了K-iMF性能对两个数据集变异函数约束权重λ的敏感性。对于每个测试值，K-iMF从初始化独立训练，λ固定为该值。所有其他训练设置保持不变，未使用动态调度。对于河流数据集，随着λ从0增加到1，准确率从95.7%提高到约97.0%，然后保持稳定。曲线在λ≥1时达到平台。与此同时，标准…结论提出了一种知识约束改进均值流（K-iMF）方法用于平面沉积相解释。该方法将多方向变异函数约束纳入连续时间速度场学习，以捕捉各向异性空间相关性。这缓解了纯数据驱动模型在井数据条件下空间连续性方面的局限性。（1）K-iMF改善了随机实现中的空间连续性表征。与iMF相比，准确率和F1分数从…提升至…。CRediT作者贡献声明Xu Yang：撰写–原始草稿，方法论。Shaoqun Dong：撰写–审阅与编辑，资金获取，概念构思。Xu Bai：撰写–原始草稿，形式分析。Junkun Quan：撰写–原始草稿。Tao Xu：方法论，形式分析。Sai Yao：可视化，调查研究。Lianbo Zeng：撰写–审阅与编辑。Mingxuan Han：可视化。Naiyang Sun：数据整理。

孔皇帅：调查。
利益冲突声明
作者声明不存在任何可能影响本文所述工作的已知竞争性财务利益或个人关系。
致谢
本研究得到了国家自然科学基金委员会（项目编号：42002134）和中国石油大学（北京）科研基金（项目编号：2462024YJRC013）的资助。我们还要感谢李东营在校对稿件格式方面提供的协助。
徐杨 | 董少群 | 徐白 | 全俊坤 | 徐涛 | 姚赛 | 曾连波 | 韩明轩 | 孙乃阳 | 孔皇帅