基于不同条件模拟策略的生成对抗网络沉积相建模

朱家为; 李少华; 李进步; 白玉奇; 李浮萍; 卢昌盛; 柳幪幪; 窦梦皎

doi:10.19509/j.cnki.dzkq.tb20250431

您当前的位置：

首页 >

文章列表页 >

基于不同条件模拟策略的生成对抗网络沉积相建模

更新时间：2026-11-05

- 基于不同条件模拟策略的生成对抗网络沉积相建模
- Bulletin of Geological Science and Technology Vol. 45, Issue 3, Pages: 374-388(2026)
- 作者机构：
  
  1. 长江大学地球科学学院
  2. 中国石油天然气股份有限公司长庆油田分公司勘探开发研究院
- 作者简介：
- 基金信息：
- DOI：10.19509/j.cnki.dzkq.tb20250431
  CLC： TP18;P618.13
- Published：2026
- 稿件说明：
移动端阅览
朱家为, 李少华, 李进步, et al. 基于不同条件模拟策略的生成对抗网络沉积相建模[J]. Bulletin of Geological Science and Technology, 2026, 45(3): 374-388.
DOI：

朱家为, 李少华, 李进步, et al. 基于不同条件模拟策略的生成对抗网络沉积相建模[J]. Bulletin of Geological Science and Technology, 2026, 45(3): 374-388. DOI： 10.19509/j.cnki.dzkq.tb20250431.

摘要

已有的生成对抗网络条件化建模研究主要集中于理论方法的发展和应用探索，缺乏对不同井网密度下各类条件化方法模拟效果的系统性定量评估，难以给实际沉积相建模的方法选择提供精准参考。针对生成对抗网络地质建模的条件化方法开展研究，系统评估不同井网密度下3种条件化方法的模拟效果，具体为：(1)在训练中显式引入井点条件损失优化生成器的条件损失函数法；(2)基于梯度下降的输入向量搜索方法；(3)基于前置神经网络的输入向量搜索方法。以井点匹配率、砂体连通性为评价指标，在2%～10%井密度下开展对比实验，同时探究了条件损失权重与井网密度的交互作用对建模效果的影响。实验表明，条件损失约束法在操作便捷性与建模效率上整体更优，且可通过调整损失权重灵活平衡约束精度与模式多样性，适配兼顾全局结构与局部精度的场景；梯度下降法在匹配率上有优势，但计算成本高；神经网络映射法生成速度快，适合快速推断场景，且该方法存在100～1 000的损失权重临界区间，可实现约束精度与地质模式多样性的合理平衡。研究结果揭示了不同条件化方法在不同井网密度下的性能差异，明确了各方法的适用场景，为不同井网密度下沉积相建模的条件化策略选择提供了定量参考与实操参数依据。

Abstract

关键词

Keywords

references

卢昌盛.基于生成对抗网络的储层地质建模[D].长江大学,2025(12).

王清媛.基于深度学习的沉积微相识别研究[D].西安石油大学,2021(09).

李逸达,朱双,郑贵洲.一种基于不规则三角网的精确求交方法及三维地质建模应用[J].地质科技通报,2026(01).

王海峰,任梦怡,李伟,岳大力,林津,刘警阳,吴胜和.复合砂体构型约束的井间连通性定量评价[J].中国海上油气,2025(05).

丁祖鹏,张雨晴,王俊杰,方洪峰,陈大颉,陈麒玉.基于自注意力机制生成对抗网络的三维储层建模方法[J].地质科技通报,2025(04).

陈麒玉,荀磊,崔哲思,周瑞鸿,陈大颉,刘刚.三维地质建模技术的最新进展和发展趋势[J].地质科技通报,2025(03).

周静萍,李震,吴迪,肖飞,吴迎彰,刘昕.稀井网条件下基于单砂体构型的井间连通性评价[J].重庆科技大学学报(自然科学版),2025(02).

李宏达,吴志春,柏瑞,董冲,马粉玲,李华亮,贾飞,李斌,祝一丹.复杂脉状矿体精细化三维建模方法探讨[J].地质科技通报,2025(04).

孙福街.中国海上油田高效开发与提高采收率技术现状及展望[J].中国海上油气,2023(05).

曹砚锋,李汉兴,黄辉,程载斌,张磊,潘豪,邢希金,任革学,王利华,易会安,舒福昌,王超.海上油田高效开发钻完井关键技术研究新进展[J].中国海上油气,2022(06).

宋随宏,史燕青,侯加根.基于生成对抗网络的储层地质建模方法研究进展[J].石油科学通报,2022(01).

贾爱林,郭智,郭建林,闫海军.中国储层地质模型30年[J].石油学报,2021(11).

Tuan-Feng Zhang,Peter Tilke,Emilien Dupont,Ling-Chen Zhu,Lin Liang,William Bailey.Generating geologically realistic 3D reservoir facies models using deep learning of sedimentary architecture with generative adversarial networks[J].Petroleum Science,2019(03).

王立鑫,尹艳树,冯文杰,段太忠,赵磊,张文彪.多点地质统计学中训练图像优选方法及其在地质建模中的应用[J].石油勘探与开发,2019(04).

王鸣川,段太忠.基于图型矢量距离的多点地质统计相建模算法[J].石油学报,2018(08).

喻思羽,李少华,段太忠,王鸣川.基于局部各向异性的非平稳多点地质统计学算法[J].物探与化探,2017(02).

刘振峰.致密砂岩油气藏储层建模技术方案及其应用[J].地球物理学进展,2014(02).

Song Suihong,Zhang Dongxiao,Mukerji Tapan,Wang Nanzhe.GANSim-surrogate: An integrated framework for stochastic conditional geomodelling[J].Journal of Hydrology,2023.

Song Suihong,Mukerji Tapan,Hou Jiagen,Zhang Dongxiao,Lyu Xinrui.GANSim‐3D for Conditional Geomodeling: Theory and Field Application[J].Water Resources Research,2022.

Wang Lixin,Yin Yanshu,Zhang Changmin,Feng Wenjie,Li Guoyong,Chen Qiyu,Chen Mei.A MPS-based novel method of reconstructing 3D reservoir models from 2D images using seismic constraints[J].Journal of Petroleum Science and Engineering,2022.

Shi Chao,Wang Yu.Training image selection for development of subsurface geological cross-section by conditional simulations[J].Engineering Geology,2021.

Erik Nesvold,Tapan Mukerji.Simulation of Fluvial Patterns With GANs Trained on a Data Set of Satellite Imagery[J].Water Resources Research,2021.

Suihong Song,Tapan Mukerji,Jiagen Hou.Geological Facies modeling based on progressive growing of generative adversarial networks (GANs)[J].Computational Geosciences,2021.

Goodfellow Ian,Pouget Abadie Jean,Mirza Mehdi,Xu Bing,Warde Farley David,Ozair Sherjil,Courville Aaron,Bengio Yoshua.Generative Adversarial Networks[J].COMMUNICATIONS OF THE ACM,2020.

Lukas Mosser,Olivier Dubrule,Martin J. Blunt.Stochastic Seismic Waveform Inversion Using Generative Adversarial Networks as a Geological Prior[J].Mathematical Geosciences,2020.

Eric Laloy,Niklas Linde,Cyprien Ruffino,Romain Hérault,Gilles Gasso,Diederik Jacques.Gradient-based deterministic inversion of geophysical data with generative adversarial networks: Is it feasible?[J].Computers and Geosciences,2019.

Heriot-Watt University,Heriot-Watt University.Parametric generation of conditional geological realizations using generative neural networks[J].Computational Geosciences,2019.

Zhi Zhong,Alexander Y. Sun,Hoonyoung Jeong.Predicting CO 2 Plume Migration in Heterogeneous Formations Using Conditional Deep Convolutional Generative Adversarial Network[J ] .Water Resources Research,2019.

Wang Guochang,Long Shengxiang,Ju Yiwen,Huang Cheng,Peng Yongmin.Application of horizontal wells in three-dimensional shale reservoir modeling: A case study of Longmaxi–Wufeng shale in Fuling gas field, Sichuan Basin[J].AAPG Bulletin,2018.

Eric Laloy,Romain Hérault,Diederik Jacques,Niklas Linde.Training‐Image Based Geostatistical Inversion Using a Spatial Generative Adversarial Neural Network[J].Water Resources Research,2018.

Sebastien Strebelle,Claude Cavelius.Solving Speed and Memory Issues in Multiple-Point Statistics Simulation Program SNESIM[J].Mathematical Geosciences,2014.

Guillaume Caumon,Gary Gray,Christophe Antoine,Marc-Olivier Titeux.Three-Dimensional Implicit Stratigraphic Model Building From Remote Sensing Data on Tetrahedral Meshes: Theory and Application to a Regional Model of La Popa Basin, NE Mexico.[J].IEEE Trans. Geoscience and Remote Sensing,2013.

G. Caumon,P. Collon-Drouaillet,C. Le Carlier de Veslud,S. Viseur,J. Sausse.Surface-Based 3D Modeling of Geological Structures[J].Mathematical Geosciences,2009.

G. Burc Arpat,Jef Caers.Conditional Simulation with Patterns[J].Mathematical Geology,2007.

Sebastien Strebelle.Conditional Simulation of Complex Geological Structures Using Multiple-Point Statistics[J].Mathematical Geology,2002.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于自注意力机制生成对抗网络的三维储层建模方法

基于深度学习的复杂页岩储层多参数协同高效预测——以松辽盆地青山口组为例

一种改进的LSTM横波预测方法：以塔河油田缝洞储层为例

基于深度学习和钻孔图像岩体RQD智能计算

基于微震事件频次的采空区沉陷变形智能预警方法

Related Author

丁祖鹏

张雨晴

王俊杰

方洪峰

陈大颉

陈麒玉

钟志

魏豪

Related Institution

中国地质大学（武汉）计算机学院

中国地质大学（武汉）未来技术学院

中海油研究总院有限责任公司

海洋油气高效开发国家重点实验室

b.中国地质大学(武汉)资源学院

AI问答

⁰