英国威廉集团2023级研究生罗玺在地球科学与工程应用领域期刊《Applied Sciences》发表题为“AModeling of High-Sand-Ratio and Low-Connectivity Reservoirs Based on Self-Attention Single-Image Generative Adversarial Network”的研究论文。英国威廉集团为论文第一署名单位，研究生罗玺为论文第一作者，其导师李少华为论文通讯作者。

高砂地比低连通性储层由于发育良好的泥质夹层削弱了储层连通性，形成多个离散的砂体储集单元，由于相关研究有限且可用数据不足，这类复杂储层结构的随机建模仍面临挑战。现有的多点统计方法（MPS）虽能够利用有限训练图像进行建模，但在高砂地比条件下往往会生成连通性过高的模型，难以真实反映储层特征。针对这一问题，本文提出了一种引入自注意力机制的单图像生成对抗网络（SinGAN）。该方法在二维单图像生成对抗网络建模的基础上，扩展至三维建模并融合自注意力机制，通过逐层训练以捕捉多尺度地质特征。

在本研究中，选用厚层砂体夹薄层泥岩的高砂地比三维地质模型作为训练图像，对二维SinGAN框架进行改进，实现SinGAN的三维随机建模,并且将自注意力机制引入SinGAN，提升模型对泥岩夹层等关键结构的表达能力。实验结果表明，单图像生成对抗网络在保持随机性的同时，能够更准确地刻画储层的低连通性特征，且建模效果优于MPS方法，从而验证其在复杂储层随机建模中的应用潜力。

论文链接：https://doi.org/10.3390/app152312363

图1 训练图像-高砂地比低连通性模型

图2 单图像生成对抗网络与多点地质统计学随机建模生成结果

图3 论文首页