在深地学科领域，当前人工智能应用呈现出一个值得关注的现象：基于Transformer、LSTM等常规架构的模型，在数据丰富的地区常能高精度拟合地质高阶特征（非几何特征，通常蕴含地质指示）；然而在地质条件差异显著的新区域，其预测性能往往出现明显衰减，表现出“区内精准、区外失准”的特点。

这一难题的本质在于主流AI模型架构与地质演化特征之间的匹配矛盾。常规深度学习架构源自图像与自然语言领域，其底层假设是“时空连续、信息可逆”（图1a）；而地质对象作为复杂系统要素，其演化过程由系列突变性事件刻画（图1b、图1c）。例如，同生断层的瞬时活动、高压流体的突发卸压、局部胶结作用的点状强化——这些现象打破了渐变规律的适用性。在地球物理探测数据中，某些地质对象的响应特征可呈现为弱相干、镶嵌状异常体，乃至同一地层在百米尺度内即可出现流体压力与工程地质稳定性的剧烈跳变，远非图像纹理或语言序列信息那般平滑可溯。此类模式打破了关键信息的时空连续性假设，难以直接利用已知的平稳沉积序列预测哪里会突然出现一次断层活动，更无法逆向推演。

图1 对比常规数据与特殊地质数据的建模思想。a.展示了常规时空“强关联/可逆”情景，其中信息元素可双向流动（“回放”演进），适用于语义特征连贯的场景；b.描述了时间-空间“部分关联”的地质情景，其中仅部分要素可逆变化；c.针对相对弱相关的地质过程，特征可解耦的对象，未来突发不可控，地质历史相对独立；d-e.分别展示了经典机器学习架构（LSTM/BiGRU）和基于注意力的架构（Transformers）的应用，这些模型假设强耦合和可逆性，适用于文本、天气模式和视频等相干序列；f.定义了本研究框架，该框架在沉积地质情景中解耦依赖关系，结合约束引导、学习分布、尺度融合方法，以提高大区域建模和泛化准确性

中国科学院地质与地球物理研究所耿智与王彦飞等人，聚焦盆地尺度钻前工程地质风险（异常压力、井筒完整性）预测问题，提出了一种面向深地复杂地质响应特征建模的解决方案（图1f）。常规深度学习架构（图1d、图1e）会将真实地质突变误判为噪声予以平滑，或将已钻井（观测点）控制区域的预测结果过度外推，形成“近井有险、远井无险”的伪安全区。更深层的挑战在于，在复杂非均质条件下，深地钻探作业关注的高阶风险（非几何结构的对象，如孔隙压力异常、井壁失稳可能性等），在钻前的勘探地震属性中应表达为弱因果、隐性关联的非线性关系；然而常规架构与端到端学习方式难以显式解耦此类关键响应特征，仅能针对训练域做经验性拟合，无法实现跨地质环境的可迁移泛化。对此，突破方式包括重构深度学习建模工作流、提出基于地质对象隐蔽特征分布的模型训练算法，秉持“地质响应特征解耦 - 物理定律约束融合”的建模思维，实现稀疏观测点（已钻井）条件下的盆地尺度钻前工程地质风险智能预测。

案例分析围绕新西兰Taranaki 盆地展开（图2）。该研究将“地质过程不可逆、探测响应特征弱因果”的复杂地质解释任务显式嵌入深度学习建模框架，基于多源关键特征对比学习方式，把“安全、井塌、高压、多种风险并发”事件对应的钻前地震多属性数据在隐蔽特征空间以“软约束”方式进行解耦，开展大尺度区域钻前预测评价（图3）。多种建模方案对比分析，展示了该研究方案针对5万平方公里区域钻探地质风险预测结果的有效性（图2）。在指导工程应用方面（图4），概念展示了如何通过钻前井位优化（移动≥1 km），可将钻井液密度设计降低 0.23 g/cm³，从而潜在减少一套套管柱，实现非生产时间压缩 15 % 以上，验证了从“事后诊断”到“事前预测”的突破性进展，在一定程度破解了钻井前地质风险“看不清、测不准、控不住”技术难题。

图2 新西兰Taranaki盆地钻探地质风险预测结果对比。经典BiGRU（a）与常规Transformer（b）模型空间泛化能力受限且呈现过拟合，常规神经网络模型（c）则对风险缺乏敏感性；相比之下，该研究模型（d）有效捕捉了地质风险空间趋势，准确识别内陆风险增强区并清晰圈定离岸安全地带。图幅覆盖面积约57,000平方公里，真实钻探风险呈现从海洋向陆地递增（红色增强）的分布规律，预测结果经4口独立测试井验证

图3 钻探地质风险图及不确定性评估。(a) 采用传统无监督学习生成的地质风险类别嵌入，展示了安全（正常）、超压、井塌及复合风险等类别的似然分布；(b) 该研究方案的风险嵌入，体现出风险类别更优的、符合地质常识的可分离特性；(c) 为基于 (b) 的概率密度函数生成的大尺度风险预测图（约57,000 km²）。风险类别采用颜色编码：安全（绿色）、超压（青色）、井塌（橙色）、复合风险（红色）。注: KAPUNI工区的不连续性源于原始数据的质量问题

图4 本研究预测结果的工程指导价值分析。(a) 钻井前井位优化：本研究通过风险评估识别安全钻井位置，星号标示潜在优化位置，远离红色标记的高风险区；(b) 钻井液密度设计：BiGRU与Transformer模型预测的地层压力剖面未能提供有效预警，而本研究所得剖面准确预判了需立即采取措施的时机，体现了其在实时钻井作业中的实用性

该研究方案填补了地球物理探测-深地钻探交叉领域在“过程机制可解释建模”方面的应用基础研究空白，实现了钻前大尺度区域地质风险定量预测，突破了勘探区钻探程度低、井资料少，仅能依靠测录井进行完钻事后分析，无法对未知区域进行风险预测的局限。在未来智能钻井，以及油气勘探开发数字化转型发展中，为优化钻井设计、压缩非生产时间、提升作业安全提供关键技术支撑。

研究成果发表于国际学术期刊RE（耿智^*, 王子健, 白治经, 王彦飞*. Decoupled deep learning for geohazards mapping in oceanic deep drilling[J]. Results in Engineering, 2025: 108386. DOI: 10.1016/j.rineng.2025.108386.）。研究受国家自然科学基金（42102351, 42450232, 42342062）资助，由中国科学院地质与地球物理研究所地球科学大数据与人工智能中心提供计算支持。