基于深度学习的混合模型，结合迭代岩性约束方法，用于提高缺失测井数据的预测精度

《Computers & Geosciences》：Deep-learning-based hybrid model with iterative lithology constraints for the enhanced prediction of missing well-logs

本研究提出Iterative Lithology-Constrained Hybrid CVAE–LSTM Network（ILCH-Net）框架，通过融合条件变分自编码器（CVAE）与基于LSTM的岩性预测模块，嵌入地质约束以提升缺失测井数据的重建精度。在挪威海上Volve油田六口井的实测数据验证中，ILCH-Net在GR、RHOB、NPHI、DTC和DTS等缺失数据场景下均优于基准模型，实现10.43的最低均方根误差，并通过岩性特异性分析验证了地质一致性提升效果。该框架为地质建模中多日志缺失问题提供了可扩展的解决方案。

　　

朴在成|郑智娜

韩国大邱庆北国立大学地质系，41566

摘要

准确重建缺失的测井数据对于地下特征描述和水库建模至关重要，但在地层不均匀性和多测井数据不完整的情况下，这一任务仍然具有挑战性。本研究引入了一种深度学习框架，通过将岩性信息作为上下文约束来增强缺失测井数据的预测能力。该框架将条件变分自编码器（CVAE）与基于长短期记忆（LSTM）的岩性预测器相结合，形成了迭代岩性约束混合CVAE-LSTM网络（ILCH-Net），并在迭代过程中进行优化。该模型在挪威北海Volve油田的45,809个样本上进行了训练和验证，这些样本包含了五种常见的测井数据（GR、RHOB、NPHI、DTC、DTS），涵盖了三种岩性（泥岩、砂岩和石灰岩）。定量评估表明，ILCH-Net的表现优于基线方法（自编码器、迭代优化自编码器、LSTM），其均方根误差更低（ILCH-Net为10.43，而LSTM为12.84），并且分布相似性更好（六个测试井的中位数Kolmogorov-Smirnov统计量为0.15，四分位数范围为0.09）。针对特定岩性的分析进一步显示，石灰岩和泥岩的重建精度最高，这反映了它们在测井数据中的独特特征；而砂岩由于受深度影响的压实效应，其重建精度较低。这些结果证实，岩性约束不仅提高了预测精度，还减少了井间数据的变异性，从而获得了地质上一致的重建结果。通过将地质先验信息嵌入到数据驱动的框架中，ILCH-Net为水库特征描述、数字岩石建模和地质力学分析等应用提供了一种强大且可扩展的解决方案，尤其是在测井数据不完整或不规则的情况下。

引言

测井是获取地下信息的一种常用方法，这些信息对于描述地质构造的物理性质至关重要（Wang和Cao，2023；Khan和Kirmani，2024）。在各种测井技术中，声波测井（测量压缩波速DTC和剪切波速DTS）对于解释复杂和不均匀的地下构造尤为重要（Elkatantny等人，2018；Wang等人，2024）。DTC和DTS被广泛用于评估地层强度、孔隙压力和流体饱和度等参数，同时考虑了地下变异性（Sulaimon和Teng，2020；Eyinla等人，2021；Najafi-Silab等人，2023）。

尽管声波测井非常有用，但由于在未固结或断裂地层中信号传输较差、富含粘土或流体饱和区域中的衰减以及斜井中的测量难度，其采集成本较高且技术上具有挑战性（Onalo等人，2018；Khatibi和Aghajanpour，2020）。此外，测井数据不完整、数据质量下降以及频繁出现数据缺失等问题，加上高昂的采集和处理成本，进一步限制了剪切波速度在地下解释和建模中的可靠应用（Boulassel等人，2025）。

传统的DTS预测方法依赖于基于物理的模型，这些模型探讨了剪切波速度与岩石参数（如粘土含量、矿物模量和孔隙形状比）之间的关系（J?rstad等人，1999）。然而，这些模型往往过于简化了地质结构。另一种方法是基于可获取的测井数据建立统计相关性模型（Ameen等人，2009；Oloruntobi和Butt，2020），但由于地质变量的非线性和相互依赖性，这些模型的性能往往不佳（Rajabi等人，2023）。

为了解决这些问题，机器学习模型作为从现有测井数据中预测DTS的强大工具应运而生。最近的研究表明，机器学习框架可以从不完整或噪声较大的数据集中可靠地预测动态剪切波速度，从而克服了传统物理方法的采集和质量限制（Boulassel等人，2025）。例如，人工神经网络（ANNs）和支持向量机等方法比经验模型具有更高的预测精度（Bagheripour等人，2015；Onalo等人，2018）。更先进的模型，包括循环神经网络及其变体（如长短期记忆LSTM和双向LSTM（bi-LSTM），已被用于捕捉时间依赖性和非线性。Zhang等人（2020）应用LSTM网络预测碳酸盐岩储层中的剪切波速度，Feng等人（2024）通过结合一维卷积神经网络（CNNs）和带有注意力机制的bi-LSTM进一步改进了预测结果。

虽然这些判别模型展示了数据驱动方法的潜力，但它们的应用范围主要限于在假设所有其他测井数据都完整的情况下恢复DTS（或DTC）。然而，在现实中，测井数据的不完整性不仅影响DTS，还影响其他重要的测井数据，如伽马射线（GR）、体积密度（RHOB）和中子孔隙度（NPHI）。技术和操作限制常常导致多测井数据缺失的情况，即多个测井数据同时缺失或质量下降（Ng和Jordan，2001；Lu等人，2021）。这种情况大大降低了水库特征描述、地质力学建模和数字岩石分析的可靠性，但在以往主要关注DTS恢复的研究中，这些问题往往被忽视。

为了解决这一问题，越来越多的研究开始关注生成式方法，这些方法通过学习输入变量的联合分布来处理缺失数据（Camio等人，2019；Mattei和Frellsen，2019）。例如，Guo等人（2023）提出了一个基于GAN的框架，结合LSTM和CNN来重建页岩气储层中的DTS数据。然而，GANs常常存在不稳定性和模式崩溃的问题（Tang，2020；Saxena和Cao，2021；Chakraborty等人，2024）。条件变分自编码器（CVAE）通过在概率潜在空间中对数据进行建模，提供了一个更稳定的解决方案（Bao等人，2017）。例如，Jeong等人（2021）证明了CVAE可以在捕获测井测量不确定性的同时有效重建DTS值。尽管如此，大多数生成式方法尚未解决涉及多个缺失输入的现场规模问题的复杂性。此外，判别方法和生成方法往往缺乏地质一致性，因为它们主要依赖于统计相关性而非领域知识，这可能导致地质上不合理的预测结果。

为了提高预测的地质真实性，一些研究将岩性数据（如岩相序列）纳入建模流程。来自岩心的岩性数据已被证明可以反映测井数据的趋势，从而提高预测精度（Jeong等人，2014；Al-Mudhafar，2019；Ren等人，2019, 2023；Liu等人，2021；Hou等人，2024）。例如，Al-Mudhafar（2019）表明岩性整合可以提高渗透率预测的准确性，而Ren等人（2019, 2023）开发了结合岩相和基于ANN的时间序列回归的模型来进行测井数据重建。这些发现强调了岩性约束在引导模型做出地质上合理预测方面的重要性。

基于这些见解，本研究提出了一个混合深度学习框架，该框架不仅限于传统的DTS预测，还能同时重建多种类型的测井数据。所提出的迭代岩性约束混合CVAE-LSTM（ILCH-Net）在迭代反馈过程中结合了CVAE和基于LSTM的岩性预测器。通过嵌入岩性约束，该模型能够实现DTS以及其他缺失测井数据（GR、RHOB、NPHI和DTC）的地质上一致且可靠的重建。

为了验证所提出的框架，我们将ILCH-Net应用于挪威北海Volve油田的真实测井数据和岩性数据。首先进行了初步的主成分分析（PCA），以评估岩性类别与测井数据之间的关系，为嵌入岩性约束提供了依据。该模型在单测井数据缺失和双测井数据缺失的情况下都进行了评估，并与基线方法进行了对比，包括标准自编码器（AE）、迭代优化自编码器（Iter-AE）和LSTM网络。在所有测试井中，ILCH-Net表现出高精度和鲁棒性，岩性约束使得重建结果在地质上更加一致。

数据部分

材料

本研究使用了位于挪威北海中部地区、Sleipner ?st油田以北约5公里处的Volve油田的测井数据和岩性信息来验证ILCH-Net（图1）。所使用的测井数据来自六个井（W1：15/9-F-1 A；W2：15/9-F-1 B；W3：15/9-F-11 A；W4：15/9-F-11 T2；W5：15/9-F-14；W6：15/9-F-4），包括GR、NPHI、RHOB、DTC和DTS测井数据。以下是一个测井数据和岩性序列的示例

DTS测井数据预测性能

图5展示了在其他测井数据完整的情况下，六个测试井的DTS预测结果。每个面板中的黑点代表实际数据，红点代表预测值。Iter-AE模型的结果在AE面板（中间面板）中用蓝线突出显示以供比较。总体而言，ILCH-Net和LSTM模型的预测效果均优于AE模型，除了W2和W5井外，大多数井的预测结果相似。

潜在空间中岩性约束的有效性

通过分析DTS数据缺失情况下预测值与实际潜在分布（μ和Σ）之间的相似性，评估了岩性约束对缺失测井数据预测的影响（第3.1节）。这种方法与Gonzalez等人（2023）的研究思路一致，他们证明了潜在空间特征可以揭示特定领域的结构，并支持地球科学模型的可解释性。在CVAE框架中，潜在向量z是从

结论

总之，ILCH-Net通过将岩性约束纳入重建过程，提出了一个强大且灵活的生成式框架，用于预测缺失的测井数据。通过将条件变分自编码器（CVAE）与基于LSTM的岩性预测模块相结合，该模型有效地将地质背景整合到了潜在空间表示中，提高了重建精度。在不同缺失数据情况下的比较实验表明

CRediT作者贡献声明

朴在成：撰写——原始草稿、可视化、验证、软件开发、调查、形式分析。郑智娜：撰写——审稿与编辑、验证、资源准备、方法论构建、概念化。恩静·霍尔登：撰写——审稿与编辑、验证、方法论构建。

代码可用性

ILCH-Net代码可供获取。

联系方式：[e-mail]。

硬件要求：笔记本电脑或台式电脑。

编程语言：Python。

所需软件：Python（3.9），TensorFlow（2.6.0）。

程序大小：174 KB。

本研究的Python代码可在线获取（https://github.com/JaesungPark95/ILCH-Net.git）。

数据可用性

本研究使用的Volve数据可通过Equinor网站获取（https://www.equinor.com/news/archive/14jun2018-disclosing-volve-data）。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

本研究得到了韩国国家研究基金会（NRF）的资助（由韩国政府（MSIT）提供，项目编号RS-2024-00341207）以及韩国能源与矿产资源开发协会（EMRD）的资助（由韩国贸易、工业与能源部（MOTIE）提供，项目名为“基于数据科学的石油/天然气勘探联盟”）的支持。