基于多源异构数据的交互式智能构造建模

我校地球和空间科学学院伍新明教授团队在三维地质构造建模研究方面取得了重要技术进展。该团队提出基于多源异构数据的可交互式智能构造建模方法，利用一种轻量级的三维卷积神经网络从多源异构和不均匀分布的稀疏构造数据中快速重建完整的隐式地质构造模型。该方法对于充分了解地下空间构造信息和定量模拟地质过程具有重要的意义。相关成果以“DeepISMNet: Three-Dimensional Implicit Structural Modeling with ConvolutionalNeural Network”为题发表于地学建模领域的重要期刊Geoscientific ModelDevelopment。

图1.三维智能隐式构造建模方法流程。

利用稀疏数据重建完整的构造模型能为地质灾害防治和自然资源勘查等实际问题提供必要的信息支持。地质构造建模通常是一项费时费力的系统工程，往往需要地质专家进行重复的手工编辑和修改来不断完善模型，交互的过程工作量十分巨大。此外，当观测数据相对稀疏或分布不均时，完全依赖数学模型的传统自动建模方法难以处理复杂的三维地质构造，从而在建模结果中产生与地质认识不符的构造几何特征和组合关系。该问题主要归因于这些方法需要将所有数据和先验知识在数学上表示为一组线性约束方程，以求解出稳定的光滑构造模型。导致传统方法对复杂构造的表达和描述能力有限，且平滑假设的引入可能会降低方法对局部构造的建模质量。

图2. 基于稀疏构造点云数据的三维智能隐式构造建模实际应用效果。

针对以上问题，伍新明教授团队提出一种基于深度学习的智能隐式构造建模方法。如图1所示，该方法主要分为训练数据仿真和网络监督学习两部分。在训练数据准备阶段，该方法基于对典型褶皱和断层模式的认识，通过构造正演的方式将地层褶皱、断层和倾斜等构造变形过程参数化表示。因此只需设定一组在合理范围内随机变化的参数，就能自动生成具大量具有多种构造几何特征的仿真模型。在网络监督学习阶段，该方法从仿真模型中随机抽取不均匀分布的散点数据用作网络的输入，而模型本身则作为标签以提供对网络训练的监督。

图3.交互式实时智能隐式构造建模实际应用效果。基于测井和露头数据（a）,专家通过交互式地调整网络的输入构造信息（b）可实现完整构造模型的实时更新（c），且构建的模型地层（虚线）与输入的层位数据（实线）能够很好地拟合（d）。

这种“数据仿真+模型训练”形成的知识闭环能有效支持网络学习到传统建模方法难以准确描述的复杂几何特征和空间关系，有望突破当前在复杂构造环境下的性能瓶颈。与传统方法相比，该方法使用具有可训练参数的多层空间卷积以替代传统固定参数的线性方程，从而为构造建模提供更大的灵活性和自由度。通过使用大量仿真数据进行训练，构造正演过程所涉及的复杂的地质先验知识和构造组合关系被隐式嵌入到网络参数中，从而有效保证该方法在实际应用中获得与已知构造特征兼容且地质合理的构造模型（图2和图3）。此外，该方法支持将多源异构数据作为输入，获得能够拟合地质露头、测井、地球物理数据和专家地质认识等各种信息的隐式构造模型。依托目前主流的GPU并行计算平台和轻量级网络架构，该方法能实现高效的实时交互式建模（图3），专家可通过修正输入数据来纠正潜在的构造解释错误，进而提升模型的地质一致性和数值稳定性；针对专家的交互，该方法可实现构造模型的实时更新，数秒内完成三维模型的构建。

本研究的第一作者为中国科学技术大学地球和空间科学学院博士研究生毕钲发，伍新明教授为通讯作者，中国地质调查局自然资源航空物探遥感中心李兆亮高级工程师以及中国石油勘探开发研究院（西北分院）常德宽副所长和雍学善首席地球物理专家为合作作者。

本研究得到了国家自然科学基金委（编号42050104 和41974121）以及中国石油勘探开发研究院西北分院项目的资助。

论文链接：https://gmd.copernicus.org/articles/15/6841/2022