地科学院李少华教授团队长期从事储层地质建模，人工智能建模等方向的研究。团队成员卢昌盛博士在遥感技术和地球科学领域期刊《IEEE Geoscience and Remote Sensing Letters》上发表了题为《Combining Image Editing and SinGAN for Conditional Sedimentary Facies Modeling》的研究论文，长江大学地球科学学院为论文第一署名单位，博士生卢昌盛为论文第一作者，其导师李少华教授为该文通讯作者。

论文提出了一种全新的沉积相建模方法——基于单一训练图像的条件生成对抗网络（CSinGAN）。该研究为传统的沉积相建模方法带来了革命性的创新，解决了在数据集有限的情况下，如何高效、准确地进行沉积相建模的问题。传统的沉积相建模方法通常依赖于大量的训练数据，这对于地质建模领域尤其具有挑战性，因为获得符合储层沉积特征的大规模数据集既复杂又昂贵。卢昌盛博士的研究通过提出CSinGAN，首次展示了如何利用单一训练图像，通过图像编辑技术在生成阶段调整模型，实现条件性沉积相的模拟。该方法不仅避免了对大规模数据集的依赖，还显著提高了建模效率。研究表明，CSinGAN能够通过替代输出模型中的井位数据来实现条件性相模拟。这一基于图像编辑的条件方法比传统的生成对抗网络（GAN）方法更加简便且高效，且能更好地捕捉训练图像中的异质结构，优于传统的多点地质统计（MPS）方法。通过变差函数和连通性函数的验证，研究表明，CSinGAN能够生成符合训练图像统计特征的异质结构，并通过多尺度切片Wasserstein距离验证了其优于传统MPS方法的效果。卢博士指出，这一研究开辟了生成对抗网络（GAN）在地质建模中的新应用领域。未来，CSinGAN方法有望扩展到更多的地质建模场景，尤其是通过加入地震数据和生产动态数据的约束，进一步提升地质模拟的精度和实际应用价值。本研究的成功发表，不仅展示了深度学习与传统地质建模技术相结合的潜力，也为地质科学和油气勘探领域提供了一种更加经济、可行的建模方法，具有广泛的应用前景。

论文链接：https://ieeexplore.ieee.org/document/10713405

图1 CSinGAN网格结构

图2 在相同条件数据下的三组不同CSinGAN实现。

图3 论文首页