面向岩性识别的图结构一致性与伪标签引导无源域自适应

《Engineering Applications of Artificial Intelligence》:Graph structure consistency and pseudo-label guided source-free domain adaptation for lithology identification

【字体: 大 中 小 】 时间:2026年03月20日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

  岩性识别作为油气勘探和地质资源评估的核心技术之一,其准确率在很大程度上决定了地下储层分析的合理性(Yan等, 2024)。随着人工智能的快速发展,基于深度学习的自动化方法逐渐兴起,这些方法从海量标注数据中学习特征表示,在岩性识别方面取得了重大突破(Jing等,

  
岩性识别作为油气勘探和地质资源评估的核心技术之一,其准确率在很大程度上决定了地下储层分析的合理性(Yan等, 2024)。随着人工智能的快速发展,基于深度学习的自动化方法逐渐兴起,这些方法从海量标注数据中学习特征表示,在岩性识别方面取得了重大突破(Jing等, 2025)。尽管取得了这些成功,实际应用仍受到数据依赖性的限制。研究人员通常必须为特定目标区域收集大量标注数据以训练鲁棒模型(Chen等, 2025)。当研究区域发生变化时,研究人员必须重新收集训练数据并重新训练模型。这一局限性在新数据稀缺的区块尤为明显(Shao等, 2025)。例如,由于矿物成分和孔隙结构等因素,页岩、碳酸盐岩和致密砂岩在不同地质环境中的电成像特征可能呈现非线性分布差异。在这种情况下,唯一的解决方案是钻更多井进行测井、开展专家解释、收集数据构建训练集,或进行岩心采样和实验分析。因此,迁移学习作为一个可行的替代方案获得了广泛关注(Ma等, 2024; Zhao等, 2024a; Li等, 2024a; Liu和Zhang, 2021)。域自适应(Domain Adaptation, DA)通过跨域特征对齐促进知识迁移(Zhang等, 2024)。传统的无监督域自适应(Unsupervised Domain Adaptation, UDA)方法需要同时访问源域和目标域数据。然而,源域数据往往由于隐私保护(如油田测井数据)、存储成本和传输限制而无法获取。例如,在跨境油气勘探合作中,源域数据可能涉及敏感地质信息。这些限制催生了无源域自适应(Source-Free Domain Adaptation, SFDA)的发展,即仅使用未标注的目标数据将预训练的源模型适配到目标域(Li等, 2024b)。近期SFDA研究聚焦于通过各种范式提取源知识。Liang等提出的源假设迁移框架通过冻结源分类器并通过信息最大化与伪标签聚类优化目标编码器来隐式对齐分布(Liang等, 2020)。基于生成对抗网络(Generative Adversarial Network, GAN)的方法通过重建虚拟样本来模拟源分布(Dong等, 2021),而对比学习方法则通过结构约束增强跨域一致性(Liu等, 2022)。然而,这些方法在动态环境中的跨任务泛化和适配效率方面仍存在瓶颈。为解决这些问题,A2Net引入对抗推理机制将目标数据分为两类:与源相似和与源不相似(Li等, 2024c)。它通过对比类别匹配和自监督旋转增强语义一致性,有效缓解了跨任务泛化问题。T3A框架在测试阶段从目标数据生成伪原型表示(Iwasawa和Matsuo, 2021)。它通过基于样本-原型距离的分类策略增强模型在未知域中的鲁棒性。对于复杂任务(如语义分割),SF-OCDA通过跨块交换和光度变换模拟域间风格差异(Zhao等, 2022)。DAS3使用ClassMix技术融合难样本和易样本,进一步提高分割模型的适应性(Rakshit等, 2024)。然而,上述现有方法仅关注单个样本的独立信息而忽略局部关系,这限制了模型在不同域间的适应性。对于储层岩性识别,虽然每个样本数据是独立的,但同种岩性的样本数据之间存在一定的局部关系。如图1所示,源域和目标域之间核密度曲线的相似性表明,利用这些局部关系是克服域偏移的关键。此外,目标域中的特征表示学习通常依赖于伪标签的质量,而伪标签中的噪声可能导致模型性能下降。为此,Wen等提出的WeSAM框架通过引入锚点正则化和弱监督优化显著降低自训练过程中噪声伪标签的影响(Wen等, 2024)。类似地,Zhu等提出的基于元自训练的方法有效缓解了噪声伪标签的错误传播问题。其方法在优化对抗目标模型与基于元学习的源模型微调之间交替进行(Zhu等, 2023)。然而,当面对复杂的目标域分布时,这些方法仍难以充分挖掘目标数据的内在结构信息,导致模型泛化不足。近期,Shubham等提出的WISER框架通过弱监督生成伪标签,然后利用图神经网络构建样本相似性关系,最后应用子集选择策略过滤噪声标签(Shubham等, 2024)。该框架在癌症药物响应预测任务中展示了全局特征整合的有效性。Han等进一步提出了面向开放动态任务环境的鲁棒域自适应算法(Han等, 2022)。该算法通过估计环境扰动并实时调整模型参数来实现噪声伪标签的动态校准。尽管如此,这些方法在源知识不可靠时仍依赖噪声伪标签,导致伪标签不准确性传播时训练误差不断累积。为克服这些局限性,本研究提出了一种创新的无源无监督域自适应(Source-Free Unsupervised Domain Adaptation, SFUDA)框架GCPG-SFDA,该框架在均值教师(Mean Teacher)架构内整合图结构一致性和伪标签引导优化,以实现高效的知识迁移和特征精炼。与传统将样本独立处理的SFDA方法不同,GCPG-SFDA将岩性数据建模为关系图,并构建教师图、学生图和教师-学生联合图,以实现样本关系和特征分布的同时对齐,从而提高对域偏移和伪标签噪声的鲁棒性。此外,该框架引入了针对无源场景的图特定弱增强和强增强,以在保留关键岩性结构的同时促进域间跨图对齐和域内同类聚集。教师-学生联合图进一步通过减少传统图对比方法中典型的早期对齐误差来帮助稳定早期训练。此外,GCPG-SFDA结合三种互补的一致性约束:图结构一致性、目标自监督和最大均值差异(Maximum Mean Discrepancy, MMD),以及一个动态置信度阈值来过滤不可靠的伪标签并防止监督信号失真。广泛的岩性识别实验表明,所提出的框架在所有评估指标上持续优于六种代表性SFDA基线方法,实现了高分类准确率和低误判率,为实际地质应用提供了可靠有效的解决方案。
本研究发表于《Artificial Intelligence的工程应用》(Engineering Applications of Artificial Intelligence),针对岩性识别任务中的无源域自适应问题展开研究。岩性识别是油气勘探和地质资源评估的核心技术,其准确率直接影响地下储层分析和开发决策的合理性。然而,现有深度学习方法面临严峻挑战:在实际勘探中,测井数据涉及隐私保护和传输限制,源域数据往往无法获取;同时,目标域数据缺乏标注,且不同地质区域的岩性数据分布存在显著差异,导致模型跨域迁移困难;此外,伪标签噪声会累积误差,进一步降低识别精度。因此,亟需一种能够在无源数据条件下实现高效域自适应的方法。

研究人员提出了GCPG-SFDA框架,该框架整合了图结构一致性和伪标签引导优化机制,在均值教师架构下实现了知识迁移与特征优化。实验结果表明,该方法在岩性识别任务中表现优异,相较于GLC、HCPR、SFDA、UPA、AaD-SFDA、SFDA-DE、LEAD和DDT等八种主流无源域自适应方法,在准确率、召回率、F1值和AUC四项核心指标上均达到最优,显著提升了跨域适应能力和分类边界清晰度,为数据受限的地质任务提供了鲁棒的技术解决方案。

该研究使用的主要关键技术方法包括:基于图神经网络的图结构建模技术,将表格化岩性数据转化为图结构以提取高阶语义关系;均值教师(Mean Teacher)框架下的师生网络协同训练机制,其中学生网络通过梯度下降优化,教师网络通过指数移动平均(Exponential Moving Average, EMA)更新;图增强策略,包括基于边扰动的弱增强(随机移除一定比例边)和强增强(在弱增强基础上添加一定比例非边);图结构一致性约束,通过构建学生图、教师图和教师-学生联合图三种关系图,利用Frobenius范数量化图间差异以实现图间一致对齐;基于伪标签的图内一致性增强,通过类别掩码矩阵识别同类样本并增强其特征相似性;动态置信度阈值伪标签过滤机制,根据训练轮次动态调整阈值以筛选高置信度伪标签;目标自监督探索模块,通过最小化Kullback-Leibler(KL)散度强制强弱增强视图输出一致;以及最大均值差异损失,在再生核希尔伯特空间(Reproducing Kernel Hilbert Space, RKHS)中对齐教师和学生网络的特征分布。实验数据来自两个不同区域的测井数据:区域A提供2000个样本用于源模型预训练,区域B提供2200个样本作为目标域,特征集包含14种测井参数,采用5折交叉验证策略评估。

### 最优超参数敏感性分析

研究人员通过控制实验分析了关键超参数对分类准确率的影响。在图结构增强与稀疏性方面,弱增强边删除比例p1=0.2、强增强边添加比例p2=0.1时准确率最高(86.2%),该组合在引入充分结构差异的同时保留了核心图拓扑;过大的扰动会破坏语义完整性,过小则无法生成有效的视图差异。邻接矩阵阈值τaff=0.5时最优,过低引入冗余连接,过高则切断关键拓扑,验证了适当稀疏性对图特征提取的重要性。在训练动态与正则化方面,伪标签动态阈值θ0=0.5、θ1=0.9时准确率最高(86.5%),平衡了伪标签的"数量"与"质量";EMA衰减率α=0.99最优,过小导致伪标签剧烈波动,过大则教师模型更新滞后;MMD核宽度σ=1.0最优,过小易过拟合局部特征,过大则欠拟合分布差异。在损失函数权重权衡方面,图一致性损失权重λ=1.0、自监督探索权重β=2.0时模型性能达到峰值,即使偏离最优组合,准确率仍高于80%,表明GCPG-SFDA对超参数扰动不敏感,具有良好的泛化稳定性。

### 收敛性分析

通过绘制训练过程中的损失和准确率曲线评估各方法的收敛性能。所提出方法在整个域适应过程中展现出明显优势:随着训练迭代增加,准确率稳步提升,早期因特征理解有限存在波动,随后逐渐稳定并维持高位。相比而言,GLC收敛模式类似但最终准确率较低;HCPR收敛较快但性能略优;SFDA收敛速度和最终准确率均中等;AaD-SFDA收敛轨迹平滑但提升有限;SFDA-DE收敛最慢且最终准确率最低;LEAD收敛稳定但增长渐缓;DDT早期快速上升后保持波动,最终优于部分对比方法但仍不及所提出方法。所提出方法在收敛速度和最终准确率上均持续优于所有对比方法,其结合关系图一致性约束和目标自监督探索的创新设计,使模型在约20个轮次内快速达到85%以上的准确率,并在后续训练中保持稳定。

### 混淆矩阵分析

混淆矩阵直观反映了各方法的分类效果。所提出方法在多数岩性上实现了高正确分类率,对角元素集中明显,泥岩和细砂岩等常见岩性被准确识别且误判率极低,表明该方法有效学习了判别性岩性特征,保持高稳定性和鲁棒性。对比方法则存在不同程度的误判:GLC在对测井响应相似的岩性(如白云岩与粉砂岩)区分上表现较弱;HCPR在白云岩与石灰岩之间频繁误判;UPA在中砂岩和白云岩上性能下降明显;SFDA类间判别能力弱;AaD-SFDA略优于多数基线但粗砂岩误判较高;SFDA-DE表现最弱;LEAD多数类别对角占优但重叠岩性略有误判;DDT通过对角占优优于部分基线,但整体仍不及所提出方法。

### 消融实验

为深入探索不同损失函数和关键组件的影响,研究人员设计了消融实验。在损失函数方面,不使用图一致性损失(LGC)时准确率为82.89%,不使用目标自监督探索损失(LTSE)时为76.34%,两者均不使用时为61.52%,表明三种损失函数的组合具有协同增效作用。在图结构一致性策略方面,验证教师-学生联合图(GTS)独立贡献的变体实验显示:直接对齐学生图和教师图(Variant A,不含GTS)准确率为85.24%,仅学生图-联合图对齐(Variant B)为84.57%,仅教师图-联合图对齐(Variant C)为83.15%,均低于完整模型的88.00%。这证实了联合图的必要性和平滑效应,直接强制对齐并非最优,而三角形一致性约束更为完整。

### 模型效率与复杂度分析

研究人员从参数量、训练耗时和推理速度三个维度评估了实用性。GCPG-SFDA参数量为8.72M,处于中等水平;单轮训练时间42.3秒,仅高于GLC和SFDA,较DDT提升14.0%,较SFDA-DE提升24.0%;单样本推理时间3.2 ms,满足工业级岩性识别实时要求(<10 ms),显著低于HCPR(4.1 ms)、SFDA-DE(4.5 ms)和DDT(3.9 ms)。推理阶段无需重复构图,仅需特征提取和分类,确保了高效响应。

### 目标域特征t-SNE可视化比较

为直观展示跨域特征对齐效果,研究人员对比了域适应前后的目标域特征t-SNE可视化。未进行域适应时,不同类别特征严重重叠,类间边界模糊,直观证实了源域与目标域的显著分布差异。经所提出的无源域自适应方法处理后,各类别特征在特征空间中清晰分离,类内紧密度显著增强,验证了该方法有效挖掘目标域数据的判别信息,成功缓解了特征层面的域偏移问题。

### 结论部分翻译

岩性识别在油气勘探、地质资源评估和环境监测中发挥着关键作用,其准确率对地下储层分析和开发决策具有显著影响。然而,现有无源域自适应方法在动态环境条件下仍存在跨任务泛化受限和适应效率低的问题。本研究提出了一种新颖的无源域自适应框架,将图结构一致性和伪标签监督训练思想整合到均值教师框架中,以构建高效的知识迁移和特征优化系统。同时,所设计的三种关系图从不同角度捕获样本间相似性,通过基于图的一致性约束优化特征表示,确保教师和学生模型在特征空间中保持高度一致,从而增强模型在目标域的分类能力。此外,所提出的目标自监督探索方法通过数据增强技术扰动原始数据结构,促使模型生成更细致的特征表示,通过最小化教师和学生模型输出的差异,进一步改善目标域的适应性能。实验表明,所提出的方法在岩性识别任务中取得了理想结果,在不同域间表现出更强的适应性、更清晰的分类边界和更准确的目标域预测。这些优势增强了岩性解释的可靠性,为油气勘探实际应用提供了稳健的技术支撑,最终推动了岩性识别技术的进步。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号