[0001] 本发明涉及三维地质建模领域，尤其涉及一种基于条件谱归一化生成对抗网络的三维地质模型自动重建方法。

[0002] 三维地质模型的精细重构是地球信息科学研究和资源开发的关键环节，能够提升对地下地层结构和性质的理解和描述能力。良好的地层模型能够准确反映研究区域的复杂地质模式特征，提高勘探和开发决策的科学性和准确性。然而，随着勘探工作的深入，地层交错复杂、空间分布不规则，沉积模式也更加多样化。再加上地质模型所呈现的典型非均质性和非平稳性，使得建模技术面临着更大的挑战和要求。建模方法主要可分为确定性建模和随机建模两种，分别基于地质资料给出确定性的地层分布预测结果和对未知区域随机模拟出多个可能的预测结果。尽管确定性建模能直接融入地质专家的经验和知识，但受限于地质数据的稀疏性，存在建模困难、结果连续性和变异性表征效果差、可靠性难以评定等问题。随机建模中最典型的方法之一是基于地质统计学的模拟方法，如多点地质统计学，能解决重构地下异质性结构及属性空间分布的问题，并且能够量化结果的不确定性。然而，由于其以平稳性假设为前提，模拟结果仅保留了训练图像中的重复模式，不仅缺乏多样性，更难以表征地层模型的各向异性和结构特征，在精细建模领域应用效果欠佳。此外，该方法计算消耗大，大量参数在模拟进程结束后被舍弃，再次模拟需要重新计算参数，效率较低。得益于深度学习强大的特征提取能力，大量参数的计算集成在模型的计算和优化过程中，再次模拟时无需重新计算，能有效克服上述数值模拟方法的局限性。其中，基于生成对抗网络(GAN)的方法因其特殊的对抗学习思想，能够有效地拟合训练数据集的分布规律特征并实现三维地质体的自动构建。

[0003] 作为一种典型的无监督学习算法，生成对抗网络主要由生成器和判别器两个基本网络所构成。生成器将随机噪音作为输入，通过神经网络将其映射至训练数据集的流形空间，并生成对应的模拟结果。判别器则需要对不同来源的输入数据进行区分，以识别其真假程度。生成器和判别器二者以对抗学习的方式来提升各自的性能，通过多轮迭代、反向传播和梯度更新直至“纳什均衡”，从而生成逼真的数据。将训练完成的网络参数保存，之后可以快速的完成生成任务，而无需重新计算。基于未知密度函数的情况下，GAN能直接进行变分优化，通过拟合高阶统计特征描述地质体的结构特征，用于地层随机模拟上的优越性是明显的。具体而言，它不是从训练图像中简单地复制地质模式，而是学习其中数据的潜在分布特征，能够保证模拟结果的真实性与生成多样性。

[0004] 但真实地质结构的高度非线性、不平稳和非均质等特性，给GAN重现数据中隐含的全局特征带来较高难度，限制了复杂异质结构的重建。具体而言，基于卷积层叠加的生成对抗网络框架，对于非平稳性较强的空间属性场而言，固定尺寸的感受野在特征提取的过程中忽略了不同尺度范围内的统计特征变化，难以拟合对应训练数据集更全面的潜在分布规律。然而，ASPP结构具有不同采样率的多个并行空洞卷积模块，通过构建不同的感受野的卷积核，将每个采样率提取的特征在单独的分支中进一步处理，融合生成最终的特征图。因此，GAN能更好地感知局部、多尺度特征变化信息，并理解图像的结构属性信息，增强局部特征与全局特征的关联性，有效解决重建任务中由于地质特征尺度变化引起的问题，提高复杂场景下的重建性能。

[0005] 另外，由于GAN的训练需要频繁调整超参数和设计网络架构，当生成器和判别器之间的训练不平衡时，生成器容易陷入局部最优状态，即找到少量重复样本来“欺骗”判别器。之后的训练中，生成器会倾向于持续生成这些样本，忽略其他可能性，从而导致结果多样性丧失，出现模式崩溃。尽管Wasserstein距离能够衡量生成与真实分布之间的差异，但为了满足Lipschitz约束，权重裁剪和梯度惩罚等方法计算消耗高，且插值过程容易导致训练不稳定或发散。因此，需要引入一种高效的权重归一化方法，通过稳定训练和控制判别器的Lipschitz常数，从而减少模式崩溃、防止其梯度异常并提高泛化能力，提升GAN的性能和训练稳定性。

[0006] 同时，在训练初期，由于生成数据分布和真实分布之间会存在较大的差异，基于KL散度和JS散度在进行差异性度量时容易存在log2的饱和区间，反向传播过程会出现梯度消散或爆炸现象。此外，条件数据对于地层模型的重建效果起着决定性作用，为了使重建结果在满足原始地质知识的基础上也能满足条件数据，即希望生成结果能遵循已知位置像素或体素的观测值相匹配，而受网络结构影响，条件数据难以融入模拟过程且约束效果差，直接将稀疏硬数据应用在建模过程中可能会被判别器视作噪声而忽视，难以对全局空间特征产生影响。因此，需要设计有效的数据增强方式，并建立一个合理的度量方式，不仅能对生成不合理的数据分布进行惩罚，还能强制学习真实数据分布中隐含的地质模式知识。

[0007] 综上所述，为了实现三维地质模型的高效、自动重建方法，主要存在以下挑战：地层异质结构明显，局部多尺度特征变化复杂、空间结构难以被准确表征；GAN模型稳定性差，训练过程容易出现模式崩溃和梯度异常问题；先验地质知识表达不足，重构结果难以忠实于条件约束等问题。

[0062] 应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0063] 参照图1，本发明提供一种基于条件谱归一化生成对抗网络的三维地质模型自动重建方法，包括：

[0064] S1：获取研究区域的样本三维地质模型，对样本三维地质模型进行预处理获得条件数据集合，并设置随机噪声；

[0065] 进一步的，步骤S1具体为：

[0066] S11：基于三维滑动体素的分割算法将样本三维地质模型划分为N个子模型；

[0067] 具体的，地质模型准备：准备三维地质模型，即结合勘察数据与专家经验所建立的训练图像，并获取其对应的属性信息；

[0068] 数据集构建：基于三维滑动体素的分割方法将其划分为64×64×64(单位：体素)的小模型；

[0069] S12：针对每个子模型，沿X轴、Y轴和Z轴三个方向随机选取三个二维剖面，并对二维剖面间填充随机噪声以升维，作为条件数据；

[0070] S13：重复S12共N次，获得和子模型同样尺寸的条件数据集合。

[0071] 具体的，沿XYZ三个方向随机选取不同位置的三个二维剖面作为对应的条件数据xcon，将剖面间填充随机噪声对二维剖面数据升维，与标签模型建立数据集映射关系。

[0072] S2：构建条件谱归一化生成对抗网络，通过条件数据集合和随机噪声对条件谱归一化生成对抗网络进行训练，获得训练好的条件谱归一化生成对抗网络；

[0073] 进一步的，条件谱归一化生成对抗网络包括：生成器和判别器；

[0074] 生成器包括：编码器和解码器；

[0075] 编码器包括：DCNN模块、第一Conv模块、第一膨胀Conv模块、第二膨胀Conv模块、第三膨胀Conv模块、ImagePooling模块、通道注意力模块和第二Conv模块；

[0076] 解码器包括：第三Conv模块、concat模块、第四Conv模块、第一Upsample模块和第二Upsample模块；

[0077] DCNN模块与第一Conv模块、第一膨胀Conv模块、第二膨胀Conv模块、第三膨胀Conv模块和ImagePooling模块连接；

[0078] 第一Conv模块、第一膨胀Conv模块、第二膨胀Conv模块、第三膨胀Conv模块和ImagePooling模块与通道注意力模块连接；

[0079] 通道注意力模块、第二Conv模块、第一Upsample模块和concat模块依次连接；

[0080] DCNN模块、第三Conv模块、concat模块、第四Conv模块和第二Upsample模块依次连接；

[0081] 判别器包括依次连接的第一卷积层、第一混合注意力模块、第二卷积层、第二混合注意力模块、第三卷积层、第四卷积层和第五卷积层。

[0082] 具体的，生成器整体设计为编码‑解码架构，利用卷积层和批标准化层来替代传统的三维卷积神经网络中的全连接层和池化层。在信息提取过程中，通过DCNN模块(浅层网络模块)提取浅层特征，编码器负责将初步下采样得到的浅层特征信息传递到解码器的相应位置，以减少由于多层卷积引起的细节信息丢失。在深度卷积过程中，引入了ASPP结构，该结构由五个并行的分支组成，分别为一个1×1的普通卷积模块、三个3×3的膨胀卷积模块，以及一个全局平均池化模块。前四个分支由卷积层、批量标准化层和激活层共同构成，池化模块增加了一个额外的池化层，能够有效提取数据集的高阶统计特征。在并行模块中，不同取值的膨胀率设置代表了不同尺寸的感受野。将五个分支的结果进行融合处理，传入耦合的通道注意力模块中，实现自适应地调整每个特征通道的权重，使得模型能够更加关注于对任务有用的特征。解码器在深层和浅层特征信息共同指导下完成上采样重建过程，以保证输出特征的质量；

[0083] 判别器采用了基于PatchGAN的判别方法，通过使用卷积层来增强训练过程的稳定性，同时去除了传统下采样中使用的池化层和批量标准化层。在判别器的前两层卷积层之后，嵌入了空间和通道的混合注意力模块(CBAM)，能同时关注输入数据在空间和通道维度上的重要信息，提高判别器对输入数据的判别能力，混合注意力模块的结构如图3所示。

[0084] 同时，为了满足Lipschitz连续性条件，确保判别器函数f(x)在输入空间中的局部′变化不会过于剧烈，即输入空间中的任意两个点x和x，满足：

[0085] |f(x)‑f(x′)|≤K||x‑x′||

[0086] 在各卷积层上使用谱归一化技术，能够对权重矩阵的谱范数进行处理，限制判别T器函数的梯度变化。谱范数代表权重矩阵W的最大奇异值，即W W的最大特征值λ1的平方根值，用公式可以写成：

[0087]

[0088] 为了满足Lipschitz约束，使σ(W)＝1，任何输入权重矩阵x经过矩阵乘法都能满足：

[0089] |Wx|<σ(W)|x|

[0090] 因此，在训练过程中只需要对权重矩阵进行归一化即可，新的权重矩阵WSM＝W/σ(W)不仅能满足Lipschitz连续性约束，还能避免对隐藏层中对特定方向的敏感性。另外，在最终输出层以外的卷积层后使用LeakyRelu激活函数。

[0091] 进一步的，步骤S2具体为：

[0092] S21：初始化生成器、判别器和训练超参数；

[0093] 具体的，将生成器初始化为Gθ，将判别器初始化为Dθ，定义超参数取值，例如：训练轮数trainnum、批量训练尺寸M、学习率ηG和ηD、条件损失度量方式、条件损失项权重系数λcon和优化器等。这些参数的设置对训练过程的效率和模型性能有着重要影响；

[0094] S22：获取随机噪声z、条件数据集合A和真实数据集合B，N为批量训练尺寸；

[0095] S23：将随机噪声z和条件数据集合A输入生成器G获得生成数据集合B′＝G(z,A)，′通过条件数据集合A、真实数据集合B和生成数据集合B计算获得判别器损失函数[0096] 进一步的，判别器损失函数 的计算公式为：

[0097]

[0098] 其中，i表示训练次数，D(Bi,Ai)表示第i次训练的真实数据集合Bi和条件数据集合′ ′Ai输入判别器D的判别结果，D(Bi ,Ai)表示第i次训练的生成数据集合Bi和条件数据集合Ai′
输入判别器的判别结果，P(A)，P(B)和P(B)分别表示条件数据集合、真实数据集合和生成数据集合的分布特征，E表示对应数据集合的数学分布期望。

[0099] S24：通过对判别器损失函数 进行反向传播，并使用优化器对判别器D进行参数更新，获得更新后的判别器

[0100] S25：通过条件数据集合A、真实数据集合B和生成数据集合B′计算获得生成器联合损失函数

[0101] 进一步的，生成器联合损失函数 的计算公式为：

[0102]

[0103] 其中， 为先验对抗损失项， 为条件损失项，λ是条件损失项的权重；

[0104]

[0105] 其中，i表示训练次数，Bi表示第i次训练的真实数据集合， 表示第i次训′练的生成数据集合Bi和条件数据集合Ai输入更新后的判别器 的判别结果，P(A)，P(B)和P′
(B)分别表示条件数据集合、真实数据集合和生成数据集合的分布特征，E表示对应数据集合的数学分布期望， 表示元素乘积，Dist代表Frobenius norm；M表示二元掩码，条件数据对应的位置M标记为1，其他位置M标记为0。

[0106] 具体的，二元掩码可以在模拟结果和参考模型之间快速地筛选出条件剖面位置的属性信息，并进行损失度量。

[0107] S26：通过对生成器联合损失函数 进行反向传播，并使用优化器对生成器G进行参数更新，获得更新后的生成器

[0108] S27：重复步骤S23‑S26直至训练完成，获得训练好的条件谱归一化生成对抗网络。

[0109] 进一步的，训练好的条件谱归一化生成对抗网络的性能评估：

[0110] 使用测试数据集进行重建验证并评价，如果模型的重建性能达标，会保存该模型的参数，可以用这些参数来进行后续的三维地质模型的条件重建。否则，重置网络参数值并再次开始训练。

[0111] 如图4是褶皱结构的三维岩相模型的多种自动重构模型；图5是岩相重构模型的定量统计结果。其中，图5(a)是随机选取50个重构模型及其对应参考模型的相比例统计图(具体数值在箱线图的旁边以散点图的形式显示)；图5(b)是上述50个实现和其对应参考之间MDS图，欧式距离来可视化二者分布的差异性；图6是岩相重构模型重构变差函数及联通函数图。其中，(a)是一个参考模型及50个随机重构结果的变差函数曲线分布图；(b)和(c)是重构的50个模型以及相应参考的X、Y方向连通函数图。可以看到，参考模型与模拟结果均基本吻合。

[0112] 图7是地下三维含水层模型的多种自动重构模型；图8是含水层模型的定量统计结果。图8(a)是随机选取50个重构模型及其对应参考模型的相比例统计图；图8(b)是上述50个实现和其对应参考之间MDS图，欧式距离来可视化二者分布的差异性；图9是含水层模型重构变差函数及联通函数图。其中，(a)是一个参考模型及50个随机重构结果的变差函数曲线分布图；(b)和(c)是重构的50个模型以及相应参考的X、Y方向连通函数图。可以看到，参考模型与模拟结果均基本吻合。

[0113] 综上可知，本发明的条件谱归一化生成对抗网络的重构效果优秀。

[0114] S3：将待重构的三维地质模型的条件数据输入训练好的条件谱归一化生成对抗网络，获得重构后的三维地质模型。

[0115] 具体的，将随机噪声z和条件数据A一同输入到编码‑解码架构的生成器中，编码器通过数个不同尺寸感受野的并行空洞卷积模块提取不同尺度的特征信息，并在对应的分支中进行单独处理，解码器将深、浅层特征信息进行融合，共同指导上采样过程，得到生成数据，生成数据即重构后的三维地质模型。

[0116] 请参见图10，图10是本发明实施例的硬件设备工作示意图，所述硬件设备具体包括：一种基于条件谱归一化生成对抗网络的三维地质模型自动重建设备401、处理器402及存储介质403。

[0117] 一种基于条件谱归一化生成对抗网络的三维地质模型自动重建设备401：所述一种基于条件谱归一化生成对抗网络的三维地质模型自动重建设备401实现所述基于条件谱归一化生成对抗网络的三维地质模型自动重建方法。

[0118] 处理器402：所述处理器402加载并执行所述存储介质403中的指令及数据用于实现所述基于条件谱归一化生成对抗网络的三维地质模型自动重建方法。

[0119] 存储介质403：所述存储介质403存储指令及数据；所述存储介质403用于实现所述基于条件谱归一化生成对抗网络的三维地质模型自动重建方法。

[0120] 需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

[0121] 上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。

[0122] 以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。