本研究围绕叠前地震反演在真实复杂地质条件下可靠性不足、泛化性有限和不确定性难以量化等长期难题，提出了一条从Physics-Informed Neural Network（PINN）→ 频率可学习的 iPINN → 贝叶斯不确定性建模的 iBPINN 的完整创新路径。论文系统构建了逻辑推理式可信 AI 的方法论体系，实现了物理约束、数值约束和贝叶斯推理的深度耦合，并成功应用于叠前 AVO 反演。
本研究的核心贡献包括：（1）提出混合驱动的 PINN 框架，使物理规律与数值拟合在共享计算图中协同优化，可显著提升反演精度与结构连续性；（2）构建频率可学习机制 iPINN，可自动优化震源主频，从而减少模型依赖，提高复杂地质条件下的稳健性；（3）发展 iBPINN，实现可信度区间、结构级不确定性、残差分布等多维不确定性量化，使反演结果从“点值预测”迈向“可信推理”。
基于 Marmousi2 模型与某油田实测叠前角度地震数据的应用结果显示，该方法能够在无先验波子、噪声干扰较强的条件下，稳定地反演出 VP、VS 与 ρ 的空间变化，并通过 credible interval 覆盖率验证了模型预测不确定性的可靠性。该体系标志着“物理—贝叶斯—解释性”统一框架在叠前反演中的首次完整实现，为地震反演走向可信智能提供了新范式。
图1.PINN/iPINN(a)和iBPINN(b)原理图
图2.VP(a)、VS(b) 和 (c) 残差的标准差
图1展示了PINN/iPINN(a)和iBPINN(b)的原理图。图2为 iBPINN 的不确定性估计结果，反映了不同弹性参数在复杂构造区的可信度分布
研究成果近期发表在地学领域国际重要期刊IEEE Transactions on Geoscience and Remote Sensing。论文第一作者为太阳成集团tyc151cc刘震博士，通讯作者为张军华教授。合作者包括太阳成集团tyc151cc陈永芮以及胜利油田物探技术研究院冯德永、亓亮。
论文信息：Z. Liu, J. Zhang, Y. Chen, D. Feng and L. Qi, "From Physics Constraints to Trustworthy Bayesian Reasoning: Synergies of PINN, iPINN, and iBPINN in Prestack AVO Inversion," in IEEE Transactions on Geoscience and Remote Sensing, vol. 63, pp. 1-24, 2025, Art no. 5926424, doi: 10.1109/TGRS.2025.3636416.
