PM-SSL：基于物理原理的多模态自监督学习方法，用于在标签稀缺的情况下进行岩性识别

《Neurocomputing》：PM-SSL: Physics-Guided Multimodal Self-Supervised Learning for Lithology Identification with Scarce Labels

　　

庞青伟|庞清宇|陈成志|庞山辰

中国石油大学（华东）深油深气国家重点实验室，青岛市266580，中华人民共和国

摘要

精确的岩性识别是水库特征描述的基础，但在标记样本稀缺且传统自监督方法无法充分表示复杂地质异质性时，这仍然是一个难题。许多现有方法依赖于随机掩码处理。这种处理方式会中断连续的地层趋势，并在测井数据的背景下提供有限的物理意义。为了解决这个问题，我们提出了一个基于物理指导的多模态自监督学习框架，称为PM-SSL。与使用无约束的扰动不同，PM-SSL引入了一个物理指导的扰动模块，该模块应用频域分析来定位和破坏与内在地质周期性相关的数据段。该框架通过两个耦合的目标进行训练：单模态重建学习保留了局部物理响应，而多模态对比学习将异构的测井曲线带入一个共享的语义空间。改进的Crossformer骨干网络用于模拟长距离依赖性和跨模态交互。在紧密碎屑岩和复杂碳酸盐岩储层的实验中，PM-SSL在少量样本的情况下表现良好。仅使用1%的标记数据，它就实现了90.17%和85.22%的准确率，超过了强监督基线和生成数据增强方法的性能。这些结果表明，PM-SSL为数据稀疏的勘探环境中的岩性识别提供了一种基于物理信息且高效的方法。

部分摘录

引言

岩性识别是水库特征描述和碳氢化合物资源评估的基本任务，因为岩石类型直接影响孔隙度、渗透率和储量的估计。Chen等人（2024）[1]也强调，可靠的岩石物理解释依赖于准确的岩性识别。取芯提供了最直接的地质证据，但其成本和操作风险使得在整个井筒中连续使用不切实际。因此，

提出的PM-SSL框架概述

本研究提出了PM-SSL框架，以应对标记数据有限和从测井数据中建模多模态关联的挑战。整体架构如图1所示。该框架采用编码器-解码器设计，并分为两个阶段进行知识转移：无监督预训练和有监督微调。在无监督预训练阶段，物理指导的扰动模块首先应用差异化

数据集分析

为了评估提出的PM-SSL，本研究使用了两个具有不同地质环境的现场数据集。数据集A来自中国鄂尔多斯盆地的长庆油田，对应于典型的紧密碎屑岩储层。数据集B来自中国四川盆地的河堡油田，对应于与碳酸盐岩和蒸发岩相关的复杂储层。本节描述了地质背景、数据组成和岩性特征，

实验

本节介绍了一系列全面的比较实验，旨在系统评估提出的PM-SSL框架在岩性预测任务中的性能。首先介绍了实验设置，包括超参数、模型架构、硬件和软件配置以及评估指标。随后描述了用于性能基准测试的基线方法。最后，对实验结果进行了详细的比较分析和讨论

结论

本研究提出了一种基于物理指导的多模态自监督学习框架PM-SSL，用于数据稀疏勘探环境中的岩性识别。其主要思想是将岩石物理领域知识融入对比学习中，而不仅仅是依赖传统的数据驱动方案。结果表明，基于频域分析构建的物理指导扰动模块产生的监督信号与地质情况更为一致

未引用的参考文献

[36]

伦理声明

本研究遵循了伦理标准和指南进行。

CRediT作者贡献声明

庞山辰：正式分析、数据整理、概念化。陈成志：项目管理、方法论、调查。庞清宇：可视化、验证。庞青伟：写作——审阅与编辑、初稿撰写。

作者声明与本文的发表没有利益冲突。作者未报告任何潜在的利益冲突。

致谢

本研究由中国石油大学（华东）深油深气国家重点实验室（编号24CX02012A）资助。同时，还得到了中国石油大学（华东）研究生创新基金项目（编号25CX04008A）的支持。

庞青伟：庞青伟目前在中国石油大学（华东）计算机科学与技术学院和青岛软件学院攻读博士学位。他的研究兴趣包括深度学习、模式识别、岩性识别和测井解释。