基于生成式谱激发极化模型的岩石物理性质贝叶斯推断

机理激发极化（IP）模型描述了地质材料本征性质与其频率依赖复电导率谱之间的关系。然而，从 IP 数据估计岩石物理性质的不确定性仍知之甚少。因此，从业者很少使用机理模型解释实际 IP 数据。我们提出一个用于严格评估任意 IP 模型灵敏度与参数估计局限性的框架。该框架由条件变分自编码器（CVAE）构成，这是一种专用于数据降维与生成建模的无监督贝叶斯神经网络。我们在电解质填充宿主地质材料中金属矿物包裹体合成混合物的 IP 特征上训练 CVAE，并描述数据变换对模型的影响。首先，CVAE 的雅可比揭示了各岩石物理性质对生成谱 IP 数据的相对重要性。最关键参数为宿主电导率、包裹体体积含量、包裹体特征长度与宿主介电常数。包裹体扩散系数、介电常数与电导率，以及宿主扩散系数，对生成式 IP 建模仅具边际重要性。参数估计实验给出了不同模型约束场景下岩石物理性质的标准化精度，并印证了灵敏度分析结果。最后，我们可视化数据变换与模型约束对岩石物理参数空间的影响。我们得出结论：常用对数数据变换带来最优参数估计结果，且约束地质材料的电化学性质可改善对其金属包裹体特征长度的估计，反之亦然。