将物理学与机器学习结合用于统一的地震正演模拟与油藏属性反演

从远处窥探油气藏

我们不可能在地下任何地方都钻探，因此石油和天然气公司依赖声波来“看”地下。本研究表明，将物理学与现代机器学习相结合，可以把这些回波转换成更逼真的地下图景：岩石的孔隙度、含黏土量以及孔隙中充满的是水、油还是气。该工作为更好地利用地震勘测、降低钻探风险并弄清机器学习在隐蔽油气藏上能与不能可靠告诉我们的内容，提供了一套蓝图。

从岩粒到地震回波

地震勘测有点像医学超声：声波被发入地下，反射信号在地表被记录。但测得的东西（反射波的曲折迹线）与地质学家想知道的东西（位于数百或数千米深处的细小孔隙和流体）之间存在巨大差距。作者提出了一个将三个尺度联系起来的统一框架：岩石的微观属性（孔隙度、黏土含量、含水或含烃情况）、控制声波传播的中间“弹性”属性（两种波速和密度）以及大尺度的地震记录。

让物理学生成训练数据

研究团队没有从杂乱的实测数据开始，而是构建了一个干净的虚拟实验室。他们采用了成熟的岩石物理配方——Raymer–Dvorkin–Voigt 模型，来计算不同孔隙度、黏土体积和含水饱和度组合如何改变地震波速和密度。他们系统地采样了适用于油气藏的广泛真实岩石和流体条件，生成三维网格的合成样本。这些弹性属性随后输入两类地震模拟器：一种基于 Zoeppritz 方程的精确方法，另一种更实用的方法通过将岩性对比卷积入地震波let来模拟真实勘测。这样他们得以研究地层厚度和波let频率如何模糊或“调谐”反射，以及这种模糊如何掩盖关于油藏的细节。

机器学习学习岩石—地震的联系

在构建出这个数字化地球之后，作者把问题反过来。以合成的弹性属性为输入、已知的岩性属性为目标，他们训练了多种机器学习模型，包括随机森林和神经网络，来执行“岩相反演”：从弹性数据预测孔隙度、黏土和含水饱和度。他们刻意向输入中注入真实的噪声和光滑处理，以模仿真实地震反演的不完美。

在经典层状油藏上的框架测试

为了使结果更具体，该研究将完整的正演—反演链应用于一个标准的三层“夹心”模型：页岩在上下，夹在中间的是可能含油、含气或含水的砂层。通过改变孔隙度、流体类型和饱和度，然后运行合成地震和机器学习反演，作者展示了孔隙度如何强烈控制地震响应的强度，而流体效应要微妙得多且容易混淆。该框架还可以以受控方式量化不确定性，例如表明即便是微小的初始误差或适度的地震噪声也会大幅削弱对黏土和含水饱和度估计的置信度，而孔隙度估计则相对稳定。

对真实世界勘探的意义

对非专业读者来说，结论既令人鼓舞又需谨慎。鼓舞的一面是，通过将坚实的物理学与机器学习结合，我们可以建立一条从地表测量到油藏关心目标的一致链路，并能严格测试不同预测的可靠性。需谨慎的一面是，并非所有属性对地震波都同样“可见”：孔隙度通常是可见的，但黏土含量以及水与烃类的区分仅靠地震数据很难确定。作者主张未来应采取混合方法——例如物理约束的与可解释的人工智能——让机器学习在灵活拟合复杂模式的同时仍遵守基本物理定律，并使其决策对地球科学家更透明。

引用: Zayier, Y., Yalikun, Y., Cheng, Y. et al. Integrating physics and machine learning for unified seismic forward modeling and reservoir property inversion. Sci Rep 16, 5932 (2026). https://doi.org/10.1038/s41598-026-36501-6

关键词: 地震反演, 岩石物理, 机器学习, 油藏表征, 孔隙度