随钻测井（LWD）声波资料对海洋天然气水合物储层评价和产量预测十分重要。然而获取完整的声波测井，尤其是横波速度，面临着巨大的挑战，且成本高昂。该研究开发了一个双分支混合框架（图1），用于根据现有测井数据预测含水合物沉积物的LWD声波测井。其中基于地震岩石物理模型的分支用于生成背景（无水合物/无游离气）弹性波速剖面，而另一个深度学习分支（DLB）用于补偿实际观测值与物理模型分支输出之间的残差。在DLB中使用了最先进的Transformer编码器层来提取测井序列中潜在的复杂模式。这种科学知识引导的网络架构，加上额外的基于物理的特征构建，提供了一个可解释的过程，提高了预测结果的物理一致性。该方法用Cascadia大陆边缘的两个公开数据集进行了测试。混合模型极大地提高了物理过程模型的预测精度（P波和S波速度的最小平均绝对百分比误差分别为0.73%和4.33%)。而与纯数据驱动方法相比，混合模型具有出色的泛化性能。训练好的模型可以对该地区未测量的高水合物饱和度（>40%）地层的声波测井给出精确的预测。

图1 研究所提出的双分支混合网络架构。左为物理模型分支，右为深度学习分支。

2、研究方法

混合模型由并行运行的物理模型分支(PMB)和深度学习分支(DLB)组成，每个支路的结果被汇总以产生最终输出。PMB目的是将测井数据映射到地层饱和水时的速度基线，DLB负责提取额外的复杂非线性关系。PMB以等效介质理论(Helgerud，1999)为基础，提供可解释物理过程的约束。针对该分支创新开发了配位数模块和粘土含量模块(图2)，这两个参数均不同程度地影响岩石骨架的弹性模量。将深度、密度及GR值通过单层感知机与配位数关联，改进了由GR值计算粘土含量的方法。

图2 可训练的地震岩石物理模型层

  DLB结合了一维卷积层和先进的Transformer 编码器层。卷积层对测井序列进行初始特征提取后，在降低深度维度的同时采集到了相邻采样点的局部特征。Transformer 编码器层基于自注意力机制，突出关键深度采样点的重要性，同时考虑长程与短程依赖关系。模型采用序列到点的映射模式：将一定长度的测井序列作为输入，并将其中点处的目标属性作为输出。除测井曲线外，还包括由专家知识计算的测井解释结果，作为额外输入，如密度孔隙度、地层电阻率因子、由标准阿奇关系计算的水合物饱和度。

3、研究结果

（1）盲井测试与消融实验

  根据不同的目标和地区，来自IODP Expedition 311（北Cascadia大陆边缘）和ODP Leg 204（水合物海脊）的公开数据集被分成三个case，每个case中选择其中两口井轮流作为独立的盲井进行交叉验证。为了验证混合模型预测声波测井的高精度和泛化能力，构建了另外三个模型作为对比（图3）。四种模型的性能指标对比如图4所示。混合模型（蓝色）在绝大多数情况下都优于其他三种方法，体现为更高的相关系数（R）值和更低的平均绝对误差（MAE）和平均绝对百分比误差（MAPE）。以IODP 311 U1328A井为例，比较了不同模型生成的纵波速度与实际测量结果（图5），显示混合模型（蓝色）与实际测量结果具有最高的总体一致性。

图3 用于消融实验的三个对比模型

图4 不同模型在盲井测试中的模型性能指标

图5 四种模型生成的纵波曲线与测量结果的对比