測井是獲取地下信息的一種常用方法，這些信息對于描述地質構造的物理性質至關重要（Wang和Cao，2023；Khan和Kirmani，2024）。在各種測井技術中，聲波測井（測量壓縮波速DTC和剪切波速DTS）對于解釋復雜和不均勻的地下構造尤為重要（Elkatantny等人，2018；Wang等人，2024）。DTC和DTS被廣泛用于評估地層強度、孔隙壓力和流體飽和度等參數，同時考慮了地下變異性（Sulaimon和Teng，2020；Eyinla等人，2021；Najafi-Silab等人，2023）。
盡管聲波測井非常有用，但由于在未固結或斷裂地層中信號傳輸較差、富含粘土或流體飽和區域中的衰減以及斜井中的測量難度，其采集成本較高且技術上具有挑戰性（Onalo等人，2018；Khatibi和Aghajanpour，2020）。此外，測井數據不完整、數據質量下降以及頻繁出現數據缺失等問題，加上高昂的采集和處理成本，進一步限制了剪切波速度在地下解釋和建模中的可靠應用（Boulassel等人，2025）。
傳統的DTS預測方法依賴于基于物理的模型，這些模型探討了剪切波速度與巖石參數（如粘土含量、礦物模量和孔隙形狀比）之間的關系（J?rstad等人，1999）。然而，這些模型往往過于簡化了地質結構。另一種方法是基于可獲取的測井數據建立統計相關性模型（Ameen等人，2009；Oloruntobi和Butt，2020），但由于地質變量的非線性和相互依賴性，這些模型的性能往往不佳（Rajabi等人，2023）。
為了解決這些問題，機器學習模型作為從現有測井數據中預測DTS的強大工具應運而生。最近的研究表明，機器學習框架可以從不完整或噪聲較大的數據集中可靠地預測動態剪切波速度，從而克服了傳統物理方法的采集和質量限制（Boulassel等人，2025）。例如，人工神經網絡（ANNs）和支持向量機等方法比經驗模型具有更高的預測精度（Bagheripour等人，2015；Onalo等人，2018）。更先進的模型，包括循環神經網絡及其變體（如長短期記憶LSTM和雙向LSTM（bi-LSTM），已被用于捕捉時間依賴性和非線性。Zhang等人（2020）應用LSTM網絡預測碳酸鹽巖儲層中的剪切波速度，Feng等人（2024）通過結合一維卷積神經網絡（CNNs）和帶有注意力機制的bi-LSTM進一步改進了預測結果。
雖然這些判別模型展示了數據驅動方法的潛力，但它們的應用范圍主要限于在假設所有其他測井數據都完整的情況下恢復DTS（或DTC）。然而，在現實中，測井數據的不完整性不僅影響DTS，還影響其他重要的測井數據，如伽馬射線（GR）、體積密度（RHOB）和中子孔隙度（NPHI）。技術和操作限制常常導致多測井數據缺失的情況，即多個測井數據同時缺失或質量下降（Ng和Jordan，2001；Lu等人，2021）。這種情況大大降低了水庫特征描述、地質力學建模和數字巖石分析的可靠性，但在以往主要關注DTS恢復的研究中，這些問題往往被忽視。
為了解決這一問題，越來越多的研究開始關注生成式方法，這些方法通過學習輸入變量的聯合分布來處理缺失數據（Camio等人，2019；Mattei和Frellsen，2019）。例如，Guo等人（2023）提出了一個基于GAN的框架，結合LSTM和CNN來重建頁巖氣儲層中的DTS數據。然而，GANs常常存在不穩定性和模式崩潰的問題（Tang，2020；Saxena和Cao，2021；Chakraborty等人，2024）。條件變分自編碼器（CVAE）通過在概率潛在空間中對數據進行建模，提供了一個更穩定的解決方案（Bao等人，2017）。例如，Jeong等人（2021）證明了CVAE可以在捕獲測井測量不確定性的同時有效重建DTS值。盡管如此，大多數生成式方法尚未解決涉及多個缺失輸入的現場規模問題的復雜性。此外，判別方法和生成方法往往缺乏地質一致性，因為它們主要依賴于統計相關性而非領域知識，這可能導致地質上不合理的預測結果。
為了提高預測的地質真實性，一些研究將巖性數據（如巖相序列）納入建模流程。來自巖心的巖性數據已被證明可以反映測井數據的趨勢，從而提高預測精度（Jeong等人，2014；Al-Mudhafar，2019；Ren等人，2019, 2023；Liu等人，2021；Hou等人，2024）。例如，Al-Mudhafar（2019）表明巖性整合可以提高滲透率預測的準確性，而Ren等人（2019, 2023）開發了結合巖相和基于ANN的時間序列回歸的模型來進行測井數據重建。這些發現強調了巖性約束在引導模型做出地質上合理預測方面的重要性。
基于這些見解，本研究提出了一個混合深度學習框架，該框架不僅限于傳統的DTS預測，還能同時重建多種類型的測井數據。所提出的迭代巖性約束混合CVAE-LSTM（ILCH-Net）在迭代反饋過程中結合了CVAE和基于LSTM的巖性預測器。通過嵌入巖性約束，該模型能夠實現DTS以及其他缺失測井數據（GR、RHOB、NPHI和DTC）的地質上一致且可靠的重建。
為了驗證所提出的框架，我們將ILCH-Net應用于挪威北海Volve油田的真實測井數據和巖性數據。首先進行了初步的主成分分析（PCA），以評估巖性類別與測井數據之間的關系，為嵌入巖性約束提供了依據。該模型在單測井數據缺失和雙測井數據缺失的情況下都進行了評估，并與基線方法進行了對比，包括標準自編碼器（AE）、迭代優化自編碼器（Iter-AE）和LSTM網絡。在所有測試井中，ILCH-Net表現出高精度和魯棒性，巖性約束使得重建結果在地質上更加一致。
