DOI: https://doi.org/10.5194/gmd-19-3455-2026
تاريخ النشر: 2026-04-27
المؤلف: Akshay Kamath وآخرون
الموضوع الرئيسي: النمذجة الجيولوجية والتحليل
نظرة عامة
تقدم البحث “curlew”، وهو حزمة بايثون مفتوحة المصدر مصممة لنمذجة الجيولوجيا الهيكلية باستخدام الحقول العصبية. يدمج هذا الإطار قيود محلية متنوعة—مثل القيمة، التدرج، المماس، و(عدم) المساواة—إلى جانب دوال خسارة عالمية مخصصة لضمان أن تكون التنبؤات متسقة مع البيانات وقابلة للتصديق جيولوجيًا. يعزز استخدام ترميز ميزات فورييه العشوائية (RFF) من تقارب النموذج ويمكّن من تقدير عدم اليقين العشوائي، بينما يحسن أيضًا قدرة النموذج على تعلم الميزات الجيولوجية الدورية مثل الطيات. يسمح البرنامج بإنشاء نماذج جيولوجية معقدة بشكل تدريجي من خلال الحقول العصبية المرتبطة زمنيًا، كل منها يمثل أحداث جيولوجية متميزة مثل الترسيب، التداخل، أو الانكسار. من الجدير بالذكر أنه يدعم التعلم شبه المراقب، مما يمكنه من دمج مجموعات بيانات غير مصنفة متنوعة (مثل الجيوكيمياء، والبتروفيزياء)، مما يقلل من تحيز التفسير ويعزز متانة النموذج.
في الختام، يدعو المؤلفون إلى استخدام الحقول العصبية كطريقة متعددة الاستخدامات لتمثيل نماذج الجيولوجيا الهيكلية، مؤكدين على خفة وزن، ومرونة، وطبيعة موثقة جيدًا لإطار عمل curlew لتعزيز المزيد من التقدم في هذا المجال. توضح تطبيقات curlew على كل من مجموعات البيانات الحقيقية والمعقدة الاصطناعية قدرتها على نمذجة الهياكل الجيولوجية المعقدة التي تتحدى الطرق التقليدية. يقدم إدخال دالة خسارة جديدة، والتي ترمز إلى المبادئ الجيولوجية مثل الاستمرارية الجانبية من خلال خسارة أحادية الاتجاه، وتنفيذ قيود علاقات ثنائية، مزيدًا من التحسين لعملية النمذجة. من خلال ربط الحقول العصبية لتمثيل هياكل جيولوجية متنوعة وبناء نماذج شاملة بشكل تدريجي، يظهر curlew إمكانيات الحقول العصبية لدمج القواعد الجيولوجية والبيانات غير المصنفة، مما يضعها كأداة قوية لمشاريع نمذجة الجيولوجيا الهيكلية المستقبلية.
مقدمة
تناقش مقدمة ورقة البحث أهمية نماذج الجيولوجيا الهيكلية ثلاثية الأبعاد (3D) في دمج بيانات جيولوجية وجيوفيزيائية متنوعة للتنبؤ بتوزيعات الصخور تحت السطح. تعتبر هذه النماذج حاسمة لفهم العمليات الجيولوجية على نطاق واسع، وإبلاغ مشاريع البناء، وتوجيه استكشاف المعادن، وإدارة موارد المياه الجوفية والطاقة الحرارية الأرضية. ومع ذلك، فإن عدم اليقين المتأصل في نماذج الجيولوجيا الهيكلية، الناجم عن ندرة البيانات والقيود الخاطئة، يمثل تحديات لعلماء الأرض في تفسير تاريخ الأرض بدقة وتقييم المخاطر المرتبطة بمشاريع البنية التحتية والموارد. توجد طرق إحصائية لتقدير هذا عدم اليقين، لكنها غالبًا ما تفشل في معالجة الذاتية المتضمنة في تفسير البيانات الجيولوجية.
لمعالجة هذه القيود، يقترح المؤلفون إطارًا لبناء نماذج الجيولوجيا الهيكلية باستخدام الحقول العصبية، مما يعزز دمج القيود الجيولوجية والبيانات الكمية غير المصنفة في سير العمل للتداخل. يتم تنفيذ هذا النهج في صندوق أدوات بايثون مفتوح المصدر يسمى Curlew، والذي يسمح بتقسيم النماذج الجيولوجية إلى مجالات فرعية متميزة تحكمها أحداث جيولوجية مختلفة. يسهل إدخال حدود المجالات داخل Curlew نمذجة الهياكل الجيولوجية المعقدة، مثل عدم التوافق ومناطق الانكسار، من خلال تمكين تمثيل المجالات المستقلة طبقيًا. تعمل هذه الابتكارات على تبسيط عملية النمذجة، مما يقلل من الحاجة إلى التقسيم اليدوي ويستوعب التناقضات الجيولوجية ضمن إطار موحد.
طرق
في هذا القسم، يقدم المؤلفون المنهجيات المستخدمة في حزمة بايثون المفتوحة المصدر الخاصة بهم، Curlew، المصممة لبناء نماذج الجيولوجيا تحت السطح (SGMs) باستخدام الحقول العصبية. يوضحون تنفيذ ترميز ميزات فورييه العشوائية (القسم 3.1) لتعزيز تقارب التدريب ويقدمون دوال خسارة قابلة للتخصيص (القسم 3.2) مصممة لاستيعاب أنواع القيود المختلفة المحددة في المناقشات السابقة. علاوة على ذلك، يصفون إطارًا (القسم 3.3) يسهل دمج عدة حقول عصبية، تمثل هياكل جيولوجية متميزة وتأخذ في الاعتبار الانقطاعات.
هيكل SGM في Curlew هو رسم بياني موجه زمنيًا من الحقول العصبية، مما يسمح بالتدريب المستقل لكل حقل لتلبية قيود محددة بينما يقوم أيضًا بتحسين المعلمات التي تؤثر على حقول متعددة، مثل انزلاق الفوالق. ابتكار كبير هو إدخال نموذج أمامي قابل للتعلم يمكّن من التوافق المتزامن للحقول العصبية مع البيانات التركيبية (مثل الجيوكيمياء لنواة الحفر أو البيانات الطيفية الفائقة) والتصنيفات الصخرية (مثل الخرائط الجيولوجية أو السجلات). لا يقوم هذا النهج بتحديث الهندسات الجيولوجية مباشرة فحسب، بل يدمج أيضًا مجموعات بيانات مساعدة—تركيبية، فئوية، وترتيبية—في إطار النمذجة، مما يقلل من عدم اليقين المرتبط بتحيز التفسير ويقلل من الذاتية المتأصلة في التفسيرات الجيولوجية.
نتائج
في هذا القسم، يقدم المؤلفون نتائج دراستهم باستخدام إطار عمل curlew، الذي يستخدم طريقة التداخل المعتمدة على الحقول العصبية. يفحصون سلسلة من الأمثلة الاصطناعية المصممة لعرض القدرات المتنوعة لنهجهم ولتوضيح مكونات مختلفة من دالة الخسارة الأساسية. بعد هذه التحليلات الاصطناعية، يطبق المؤلفون منهجيتهم على سيناريو من العالم الحقيقي، باستخدام بيانات مستمدة من نموذج انكشاف رقمي يقع في نيوكاسل، أستراليا.
لتسهيل الفهم والوصول للمستخدمين المحتملين، يقدم المؤلفون كل مثال في شكل دفتر ملاحظات Jupyter، كما هو موضح في قسم توافر الشيفرة والبيانات. لا يوضح هذا النهج التطبيقات العملية لـ curlew فحسب، بل يعمل أيضًا كمورد للمستخدمين المهتمين بتنفيذ تقنيات النمذجة المناقشة.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم في تطبيق الشبكات العصبية المكانية، المشار إليها باسم الحقول العصبية، في بناء نماذج الجيولوجيا تحت السطح (SGMs). تستخدم الطرق الحديثة المتطورة، مثل Aspen-SKUA وLeapfrog، حقولًا ضمنية مستمرة لتمثيل الأجسام الجيولوجية، مما يسمح بالتداخل من بيانات نادرة. تقدم الحقول العصبية نهجًا مرنًا لهذا التداخل، مما يمكّن من دمج القواعد الجيولوجية والقيود الفيزيائية من خلال دوال خسارة قابلة للتخصيص. على الرغم من إمكانياتها، لا تزال التحديات قائمة، لا سيما في تحقيق التقارب ونمذجة الهياكل الجيولوجية المعقدة بدقة مثل الفوالق.
كما يتناول القسم أنواع القيود المستخدمة في نمذجة SGM، بما في ذلك القيود المحلية (قيود القيمة والتدرج)، والقيود العلائقية (المساواة وعدم المساواة بين نقاط الملاحظة)، والقيود العالمية التي تعزز الحلول القابلة للتصديق جيولوجيًا. يتم التأكيد على تنفيذ تنظيم السلاسة، حيث يساعد في تجنب الهندسات غير الواقعية، مثل الأسطح المغلقة أو “الفقاعات”. علاوة على ذلك، تناقش الورقة دمج ترميز ميزات فورييه العشوائية (RFF) لتعزيز قدرة الحقل العصبي على التقاط الميزات الجيولوجية عالية التردد، مما يحسن التقارب وتمثيل التعقيدات الجيولوجية. بشكل عام، يبرز البحث الحاجة إلى نهج متوازن في اختيار دوال الخسارة والقيود لتحسين أداء الحقول العصبية في النمذجة الجيولوجية.
DOI: https://doi.org/10.5194/gmd-19-3455-2026
Publication Date: 2026-04-27
Author(s): Akshay Kamath et al.
Primary Topic: Geological Modeling and Analysis
Overview
The research presents “curlew,” an open-source Python package designed for structural geological modeling utilizing neural fields. This framework integrates various local constraints—such as value, gradient, tangent, and (in)equalities—alongside customized global loss functions to ensure that predictions are both data-consistent and geologically plausible. The use of Random Fourier Feature (RFF) encodings enhances model convergence and enables stochastic uncertainty quantification, while also improving the model’s capacity to learn periodic geological features like folds. The software allows for the incremental construction of complex geological models through temporally linked neural fields, each representing distinct geological events such as deposition, intrusion, or faulting. Notably, it supports semi-supervised learning, which can incorporate diverse unlabelled datasets (e.g., geochemistry, petrophysics), thereby reducing interpretation bias and enhancing model robustness.
In conclusion, the authors advocate for the use of neural fields as a versatile method for parameterizing structural geological models, emphasizing the lightweight, modular, and well-documented nature of the curlew framework to promote further advancements in this area. The application of curlew to both real and complex synthetic datasets demonstrates its capability to model intricate geological structures that challenge traditional methods. The introduction of a novel loss function, which encodes geological principles such as lateral continuity through monotonicity loss, and the implementation of pairwise relational constraints, further refine the modeling process. By linking neural fields to represent various geological structures and incrementally build comprehensive models, curlew showcases the potential of neural fields to incorporate geological rules and unlabelled data, positioning them as a powerful tool for future structural geological modeling endeavors.
Introduction
The introduction of the research paper discusses the significance of three-dimensional (3D) structural geological models (SGMs) in integrating various geological and geophysical data to predict subsurface rock distributions. These models are crucial for understanding large-scale geological processes, informing construction projects, guiding mineral exploration, and managing groundwater and geothermal energy resources. However, the uncertainty inherent in SGMs, stemming from data sparsity and erroneous constraints, poses challenges for geoscientists in accurately interpreting Earth’s history and assessing risks associated with infrastructure and resource projects. Statistical methods exist to quantify this uncertainty, but they often fail to address the subjectivity involved in interpreting geological data.
To address these limitations, the authors propose a framework for SGM construction utilizing neural fields, which enhances the integration of geological constraints and unlabelled quantitative data into interpolation workflows. This approach is implemented in an open-source Python toolbox called Curlew, which allows for the segmentation of geological models into distinct sub-domains governed by different geological events. The introduction of domain boundaries within Curlew facilitates the modeling of complex geological structures, such as unconformities and fault zones, by enabling the representation of stratigraphically independent domains. This innovation streamlines the modeling process, reducing the need for manual partitioning and accommodating geological inconsistencies within a unified framework.
Methods
In this section, the authors present the methodologies employed in their open-source Python package, Curlew, designed for constructing subsurface geological models (SGMs) using neural fields. They detail the implementation of Random Fourier Feature mapping (Section 3.1) to enhance training convergence and introduce customizable loss functions (Section 3.2) tailored to accommodate various constraint types identified in prior discussions. Furthermore, they describe a framework (Section 3.3) that facilitates the integration of multiple neural fields, which represent distinct geological structures and account for discontinuities.
The SGM in Curlew is structured as a temporally directed graph of neural fields, allowing for independent training of each field to meet specific constraints while also optimizing parameters that affect multiple fields, such as fault slip. A significant innovation is the introduction of a learnable forward model that enables the simultaneous fitting of neural fields to compositional data (e.g., drill core geochemistry or hyperspectral data) and lithological classifications (e.g., geological maps or logs). This approach not only updates geological geometries directly but also incorporates ancillary datasets—compositional, categorical, and ordinal—into the modeling framework, thereby reducing uncertainties linked to interpretative bias and minimizing the subjectivity inherent in geological interpretations.
Results
In this section, the authors present the results of their study utilizing the curlew framework, which employs a neural field-based interpolation method. They examine a series of synthetic examples designed to showcase the diverse capabilities of their approach and to elucidate various components of the underlying loss function. Following these synthetic analyses, the authors apply their methodology to a real-world scenario, utilizing data derived from a digital outcrop model located in Newcastle, Australia.
To facilitate understanding and accessibility for potential users, the authors provide each example in the form of a Jupyter notebook, as detailed in the Code and Data availability section. This approach not only demonstrates the practical applications of curlew but also serves as a resource for users interested in implementing the modeling techniques discussed.
Discussion
The discussion section of the research paper highlights advancements in the application of spatial neural networks, referred to as neural fields, in the construction of subsurface geological models (SGMs). Current state-of-the-art methods, such as Aspen-SKUA and Leapfrog, utilize continuous implicit fields to represent geological bodies, allowing for interpolation from sparse data. Neural fields offer a flexible approach to this interpolation, enabling the incorporation of geological rules and physical constraints through customizable loss functions. Despite their potential, challenges remain, particularly in achieving convergence and accurately modeling complex geological structures like faults.
The section also elaborates on the types of constraints used in SGM modeling, including local constraints (value and gradient constraints), relational constraints (equality and inequality between observation points), and global constraints that promote geologically plausible solutions. The implementation of smoothness regularization is emphasized, as it helps avoid unrealistic geometries, such as closed isosurfaces or “bubbles.” Furthermore, the paper discusses the integration of Random Fourier Feature (RFF) encoding to enhance the neural field’s ability to capture high-frequency geological features, thereby improving convergence and representation of geological complexities. Overall, the research underscores the need for a balanced approach in selecting loss functions and constraints to optimize the performance of neural fields in geological modeling.