太阳成集团122ccvip地信系人工智能地质建模研究团队成员卢昌盛特任副教授在中科院一区TOP期刊《Advances in Geo-Energy Research》发表题为“Intelligent facies modeling of shallow-water delta reservoirs with conditional generative adversarial networks”的研究论文，提出了浅水三角洲储层智能建模新方法。

图1 文章首页截图

针对浅水三角洲储层深度学习建模中训练数据集匮乏与多源约束融合不足的瓶颈问题，本研究提出了一套从原型数据集构建到条件智能建模的完整技术方案。在数据集构建方面，研究改进了基于目标的Fluvsim算法，引入三维矢量线对象精确刻画水下分流河道中线及分叉关系，结合野外露头实测参数定量统计河道形态特征，批量构建了高质量三维原型相模型训练数据集及配套的井点与地震概率体条件数据集。在建模方法方面，研究在渐进式生成对抗网络（ProGANs）基础上引入条件网络结构，提出条件渐进式生成对抗网络（CPGAN），通过条件损失函数将全局地质标签、井点掩码与地震概率体逐层融入生成器各分辨率级次，实现多源约束驱动的协同学习（图2）。实验结果表明，CPGAN生成的沉积微相模型在平面河道分叉交汇特征与剖面韵律结构上与训练数据集高度吻合，多尺度切片Wasserstein距离（MS-SWD）评价显示其统计相似性显著优于多点地质统计学及序贯指示模拟方法。在计算效率上，单个实现的生成时间较传统方法提升一至两个数量级，且多组随机实现结果表明模型具备合理表征储层不确定性的能力。

图2 CPGAN网络结构图

文章链接：https://ager.yandypress.com/index.php/2207-9963/article/view/725