测井曲线能够在井筒尺度连续表征地层物性与流体赋存状态，是页岩油储层评价的核心依据。然而，与其庞大的数据规模相比，来自岩心分析的实测数据极为有限，二者之间的数据量极端不匹配。由于实测参数无法完全覆盖储层在有机质丰度、矿物组合、孔隙结构及流体类型等方面的天然非均质性，测井数据因而难以获得充分、准确的标注，使得传统的数据驱动模型难以建立测井响应与真实地质属性之间的可靠映射关系，导致储层关键属性的反演精度受限，快速、精细的储层评价难以实现。因此，如何利用生成式人工智能方法构建在地质意义上合理、在统计意义上可信的增强数据，是突破当前页岩油属性反演瓶颈的关键方向。
图1.原始数据与CGAN生成数据分布特征
针对上述问题，本研究引入条件生成对抗网络（CGAN）构建测井数据增强框架。其网络结构由生成器和判别器组成：生成器在给定真实测井特征的条件下合成新的数据样本，而判别器则负责判别输入样本的真实性并反馈给生成器，通过对抗训练实现数据分布的有效逼近，从而生成地质合理、统计一致的高质量增强样本，以减轻标注稀缺对模型训练性能的制约。该框架在胜利油田济阳坳陷沙河街组页岩的实测TOC及其对应的测井数据开展数据增强与模型训练，并从统计特征、相关性分析、互信息水平、样本相似度及分布一致性等多个维度对CGAN生成数据进行了系统而严格的可靠性检验。结果显示，增强数据在数值分布、变量关联关系和信息量结构等方面均与原始数据高度一致，充分证明了CGAN在保持地质合理性与统计可靠性方面的有效性，为后续储层参数反演提供了可信的数据基础。
研究成果近期发表在流体物理领域国际重要期刊Physics of Fluids。论文第一作者为永利官网博士生乔露，通讯作者为永利官网杨升宇教授。
论文信息：Lu Qiao, Tao-hua He, Xiang-long Liu, Jia-yi He, Qiang-hao Zeng, Ya Zhao, Sheng-yu Yang*, and Qin-hong Hu, 2025, Utilizing conditional generative adversarial networks for data augmentation in logging evaluation. Physics of Fluids, https://doi.org/10.1063/5.0255353.
