地科學院李少華教授團隊長期從事儲層地質建模，人工智能建模等方向的研究。團隊成員盧昌盛博士在遙感技術和地球科學領域期刊《IEEE Geoscience and Remote Sensing Letters》上發表了題為《Combining Image Editing and SinGAN for Conditional Sedimentary Facies Modeling》的研究論文，永利6774app手机版官网為論文第一署名單位，博士生盧昌盛為論文第一作者，其導師李少華教授為該文通訊作者。

論文提出了一種全新的沉積相建模方法——基于單一訓練圖像的條件生成對抗網絡（CSinGAN）。該研究為傳統的沉積相建模方法帶來了革命性的創新，解決了在數據集有限的情況下，如何高效、準确地進行沉積相建模的問題。傳統的沉積相建模方法通常依賴于大量的訓練數據，這對于地質建模領域尤其具有挑戰性，因為獲得符合儲層沉積特征的大規模數據集既複雜又昂貴。盧昌盛博士的研究通過提出CSinGAN，首次展示了如何利用單一訓練圖像，通過圖像編輯技術在生成階段調整模型，實現條件性沉積相的模拟。該方法不僅避免了對大規模數據集的依賴，還顯著提高了建模效率。研究表明，CSinGAN能夠通過替代輸出模型中的井位數據來實現條件性相模拟。這一基于圖像編輯的條件方法比傳統的生成對抗網絡（GAN）方法更加簡便且高效，且能更好地捕捉訓練圖像中的異質結構，優于傳統的多點地質統計（MPS）方法。通過變差函數和連通性函數的驗證，研究表明，CSinGAN能夠生成符合訓練圖像統計特征的異質結構，并通過多尺度切片Wasserstein距離驗證了其優于傳統MPS方法的效果。盧博士指出，這一研究開辟了生成對抗網絡（GAN）在地質建模中的新應用領域。未來，CSinGAN方法有望擴展到更多的地質建模場景，尤其是通過加入地震數據和生産動态數據的約束，進一步提升地質模拟的精度和實際應用價值。本研究的成功發表，不僅展示了深度學習與傳統地質建模技術相結合的潛力，也為地質科學和油氣勘探領域提供了一種更加經濟、可行的建模方法，具有廣泛的應用前景。

論文鍊接：https://ieeexplore.ieee.org/document/10713405

圖1 CSinGAN網格結構

圖2 在相同條件數據下的三組不同CSinGAN實現。

圖3 論文首頁