摘要：三维地质体结构的准确表征是三维地质建模领域的研究热点，而如何刻画带有多尺度空间特征的地质体结构是其中的难点。深度学习技术的蓬勃发展为多尺度地下空间结构的三维精细表征提供了新的可能性。为提升多尺度多细节层次空间特征的提取和重建效果，本文在自注意力生成对抗网络（SAGAN）的基础上引入了拉普拉斯金字塔分级结构，并提出了基于拉普拉斯金字塔-自注意力生成对抗网络（Lap-SAGAN）的多尺度三维地质建模方法。为了满足多尺度空间特征的提取与表达需求，Lap-SAGAN使用三维高斯滤波采样方法对不同尺度不同细节层次的空间特征进行分级处理。此外，本文还提出了一种基于残差结构的空间上下文损失函数，能够保证重建地质模型与输入条件数据的一致性。最后以剖面数据作为条件约束信息，使用多个三维数据集验证了Lap-SAGAN的性能。实验结果表明，Lap-SAGAN能够根据二维剖面数据刻画具有多尺度空间特征的三维地质结构，证明了本方法在三维地质模型重建方面的可行性和实用性。
文章目录
0 引言
1 相关技术原理
1.1 生成对抗网络
1.2 自注意力机制
1.3 拉普拉斯金字塔分级结构
2 基于Lap-SAGAN的多尺度三维地质模型重构方法
2.1 Lap-SAGAN网络结构
2.2 损失函数
2.3 三维高斯滤波上下采样方法
3 数据集和超参数
4 实验结果与分析
4.1 三维岩相模型重构结果及分析
4.2 三维地层结构模型重构结果及分析
4.3 三维储层模型重构结果及分析
4.4 对比实验与分析
5 结论
