《Energy Geoscience》：Joint prediction and inversion of porosity and oil saturation based on MAE-MoE
编辑推荐：
掩码自编码器-专家混合模型（MAE-MoE）可从连续测井序列中联合预测孔隙度与含油饱和度。掩码预训练可捕获多通道测井中的曲线间耦合与深度连续性模式。物理启发特征与六专家负载均衡路由机制可改善对非均质储层响应的建模能力。跨井测试中，孔隙度预测精度达91.2%，含
掩码自编码器-专家混合模型（MAE-MoE）可从连续测井序列中联合预测孔隙度与含油饱和度。掩码预训练可捕获多通道测井中的曲线间耦合与深度连续性模式。物理启发特征与六专家负载均衡路由机制可改善对非均质储层响应的建模能力。跨井测试中，孔隙度预测精度达91.2%，含油饱和度预测精度达91.0%。
论文解读
一、研究背景与问题
孔隙度与含油饱和度是储层评价中两个基础且关键的参数，分别表征储层的储集能力与油气赋存状况。对二者的可靠估计直接支撑有效储层识别、产层评价、储量计算与开发方案设计等核心工作。在砂泥岩储层中，测井响应同时受岩性、泥质含量、孔隙结构、流体分布、井眼条件及侵入效应等多重因素影响。传统解释方法通常依赖经验公式、交会图与人工校正，尽管具有明确的岩石物理意义，但在表征非线性测井曲线关系与非均质储层响应方面能力有限，尤其在薄互层与过渡带中表现更为突出。
已有机器学习研究证明，测井数据与储层参数之间可建立有效的非线性映射。早期研究采用优化的最近邻与数据挖掘方法联合估计孔隙度、渗透率与含水饱和度；集成方法进一步提升了非均质条件下的预测稳定性。深度学习方法则通过显式建模纵向连续性与非线性多测井交互关系，进一步扩展了这一能力。长短时记忆网络、集成神经网络、时空循环架构等已在孔隙度预测中取得改进。注意力机制与Transformer模型可捕获长距离深度依赖关系，掩码自编码器则通过重构随机掩码输入产生稳健的潜在表征。
然而，现有研究仍存在若干局限：多数模型仅针对单一属性，饱和度研究仍以含水饱和度预测为主，孔隙度与含油饱和度之间的物理耦合关系未被充分利用；单一共享网络难以表征由泥质含量、孔隙结构、侵入及流体赋存状态差异导致的显著不同响应模式。专家混合模型通过动态路由实现子网络对不同数据模式的专门化处理，同时保持共享表征，为上述问题提供了潜在解决方案。
二、研究内容与意义
本研究提出一种掩码自编码器-专家混合模型（MAE-MoE）联合预测-反演框架，用于从连续多通道测井数据中联合预测孔隙度与含油饱和度。数据集包含686口井、超过81000米有效解释层段、超过620000个深度窗口样本，训练、验证与测试严格按井级划分以避免信息泄漏。该框架将掩码自编码适应于多测井深度窗口重建，从无标签序列中学习曲线间关联与纵向连续性；负载均衡的专家混合模块通过自适应专家路由实现响应模式专门化。孔隙度与含油饱和度通过共享表征与任务自适应优化联合预测，同时引入泥质含量与深浅电阻率分离度作为物理启发输入特征而非目标衍生变量。该框架旨在提升非均质砂泥岩储层中的联合反演精度、跨井适应能力与地质可解释性。
三、关键技术方法
研究采用的主要技术方法包括：第一，掩码自编码预训练策略，通过随机掩码多通道测井深度窗口并重建，学习曲线间耦合关系与深度连续性模式；第二，负载均衡的专家混合（MoE）模块，包含六个专家子网络，通过自适应路由机制对不同储层响应模式进行专门化建模；第三，物理启发特征工程，将泥质含量与深浅电阻率分离度作为输入特征，而非由目标参数衍生；第四，联合预测与任务自适应优化策略，利用共享表征同时预测孔隙度与含油饱和度；第五，严格按井级划分的数据集设计，包含686口井、超过620000个深度窗口样本，避免信息泄漏。研究数据来源于大庆油田N区块L井组。
四、研究结果
4.1 掩码预训练效果
研究表明，掩码自编码预训练能够有效捕获多通道测井数据中的曲线间耦合关系与深度连续性模式。通过从无标签序列中学习表征，模型在后续联合预测任务中获得更稳健的特征基础，预训练策略对提升最终预测精度具有显著贡献。
4.2 专家混合路由机制
负载均衡的六专家路由机制可有效处理非均质储层中不同的响应模式。通过动态路由将不同数据模式分配给专门化的子网络，模型能够同时保持共享表征并实现响应模式专门化，从而提升对复杂储层条件的建模能力。
4.3 物理启发特征的作用
将泥质含量与深浅电阻率分离度作为物理启发输入特征，而非目标衍生变量，增强了模型的物理可解释性。该设计使模型在依赖数据驱动学习的同时保留岩石物理指导意义，减少了对纯统计相关性的依赖。
4.4 联合预测精度
跨井测试结果表明，所提出的MAE-MoE框架在孔隙度预测中达到91.2%的精度，在含油饱和度预测中达到91.0%的精度。这一结果验证了联合预测策略的有效性，表明共享表征能够支持耦合的孔隙度与含油饱和度估计，同时保持良好的跨井泛化能力。
五、讨论与结论
讨论部分指出，传统单一属性预测方法未能充分利用孔隙度与含油饱和度之间的物理耦合关系，而单一共享网络难以表征非均质储层中显著不同的响应模式。本研究所提出的MAE-MoE框架通过掩码预训练捕获深层表征、通过专家混合实现响应模式专门化、通过物理启发特征增强可解释性，有效解决了上述问题。
研究结论可归纳为：本研究提出的MAE-MoE联合预测-反演框架，能够从连续多通道测井数据中有效联合预测孔隙度与含油饱和度。掩码自编码预训练可捕获曲线间耦合与深度连续性模式，负载均衡的专家混合路由机制可实现对非均质储层响应的专门化建模，物理启发特征增强了模型的地质可解释性。跨井测试中孔隙度预测精度达91.2%、含油饱和度预测精度达91.0%，验证了该框架在非均质砂泥岩储层中的有效性，为智能储层表征提供了新的技术途径。
