基于深度学习的煤系页岩孔隙结构定量表征

• Published in: 煤炭科学技术 Vol. 51; no. z2; pp. 183 - 190
• Main Authors: 王安民, 高于超, 邹俊超, 赵泽园, 曹代勇
• Format: Journal Article
• Language: Chinese
• Published: 中国矿业大学(北京)地球科学与测绘工程学院,北京 100083%北京易华录信息技术股份有限公司,北京 100043%中国矿业大学(北京)机电与信息工程学院,北京 100083%吉利汽车研究院,浙江宁波 315336 2023
• Subjects: deep learning; 定量表征; 深度学习; pore structure; 页岩储层; image analysis; shale reservoirs; 图像分析; quantitative characterization; 孔隙结构
• ISSN: 0253-2336
• DOI: 10.13199/j.cnki.cst.2022-1597

TE311%TP18; 储层孔隙结构是页岩气勘探开发的重要影响因素.为准确表征煤系页岩储层中纳米孔隙结构,以青海木里地区煤系页岩为研究对象,利用扫描电镜采集页岩孔隙结构图像,建立页岩孔隙图像数据集,并基于深度学习技术设计出针对页岩孔隙图像分割的HAFCN模型.将孔隙识别效果与 3种经典语义分割模型(FCN模型,U-Net++模型,OCRNet模型)做对比,结果表明:HAFCN模型分割效果明显占优,其平均交并比(mIoU)达到 0.8576,像素准确率达到 0.9702,实现了快速分析页岩孔隙扫描电镜图像的目的,并获得了孔隙结构各项参数.将识别后的孔隙参数与原始孔隙参数值(Ground-truth)对比,发现两者孔隙结构参数相近,证实了模型的可靠性;所测煤系页岩样品的孔径以小孔及中孔为主;小孔、中孔及大孔孔径段的平均形状因子分别为 1.65、2.38、4.10,其平均长宽比分别为2.97、2.76、3.01,说明随着页岩孔隙的增大,孔隙形态越偏离理想球形,形状越不规则.