深度学习在很多领域都很流行，人们尝试将其用于非双向映射问题，如地震反演。这些非双向映射问题有两个特殊问题，即标签不足和解的不确定性。因此，目前的深度学习结构并不适合处理这类问题。
本研究针对地震反演问题的特点，提出了一种独特的知识嵌入式闭环（KECL）深度学习框架。KECL 深度学习框架由储层参数生成器（RPG）和储层参数更新器（RPU）组成。前半环是RPG，它将地震数据作为输入，生成初始储层参数。后半环为RPU，以初始参数为输入，输出合成地震数据。通过测井数据的训练，利用油田地震数据与RPU模拟的合成地震数据之间的差异来优化RPG和RPU。在这个深度学习框架中，嵌入地震卷积模型知识，以解决标签不足的问题。此外，半监督学习被用作先验信息减少反演结果的不确定性。训练完成后，在先验地质信息数据的帮助下，利用RPU更新RPG生成的初始参数，完成最终的储层参数反演。
图1.KECL深度学习框架
利用数值模型和现场数据来测试所提出的深度学习框架的可行性。发现使用一口井的数据训练KECL网络的智能反演结果，与使用多口井数据的结果一致。实验证明，它适用于测井数据不足的情况，能实现可靠的智能反演。
研究成果发表在地学领域国际重要期刊Geophysics。论文第一作者和通讯作者为太阳成集团tyc151cc张繁昌教授。合作者包括太阳成集团tyc151cc朱磊、中国石油塔里木油田公司胥勋勇。
论文信息：Fanchang Zhang, Lei Zhu, Xunyong Xu, 2024, A knowledge-embedded close-looped deep learning framework for intelligent inversion of multi-solution problems. Geophysics, https://doi.org/10.1190/GEO2018-0835.1.
