-
题名基于深度学习的页岩CT裂缝智能提取算法
- 1
-
-
作者
王飞
董金峰
俞军
聂鑫
黄露逸
程茜
-
机构
长安大学地质工程与测绘学院
中国石油勘探开发研究院
-
出处
《天然气工业》
北大核心
2025年第8期67-76,共10页
-
基金
陕西省自然科学基础研究项目“基于体积压裂的页岩气储层可压裂评价方法研究”(编号:2025JC-YBMS-312)
中国石油天然气集团有限公司关键核心技术攻关项目“移动式井场岩样集成连续测量成像系统研制”(编号:2021ZG07)。
-
文摘
缝网压裂效果评价是判断页岩气储层压裂施工成功与否、优化后续开发方案的关键环节,其中对缝网形态的有效提取及定量表征是评价的主要手段,但常用的传统图像分割方法无法满足复杂形态裂缝网络的高精度识别要求。为提高缝网的识别精度,引入深度学习的方法,以分辨率为13.844μm的页岩CT图像作为研究对象,基于PyTorch框架,搭建了深度学习网络模型,基于经典的语义分割网络U-net,结合互惠仿射卷积并添加scSE模块,提出了一种新的语义分割模型MAC-Unet,以轻量化的模型结构实现了对裂缝形态信息的提取,最后结合分形理论,对三维裂缝信息进行了定量表征。研究结果表明:①提出的MAC-Unet网络模型,引入MAConv和scSE模块,在不显著增加计算量的前提下,增强了图像特征的表达能力,在相对较少数据集的前提下,增强了模型的特征学习能力;②与经典深度学习算法U-net++、DeepLab V3+相比,MAC-Unet模型平均交并比更高,裂缝信息提取能力更强,能够较好地反映裂缝的真实形态和粗糙程度;③多重分形的方法能有效表征三维裂缝的复杂程度及空间非均质性等特征。结论认为,MAC-Unet模型提高了页岩CT图像裂缝的提取精度,为三维数字岩心模型的准确构建奠定了基础,该研究成果可为基于压裂后缝网形态的页岩数值模拟、压裂效果评价等工作提供有效技术支撑。
-
关键词
页岩气储层缝网
CT图像
裂缝智能提取
深度学习
多重分形
三维数字岩心
MAC-Unet模型
压裂效果评价
-
Keywords
Fracture network in shale gas reservoir
CT image
Intelligent fracture extraction
Deep learning
Multi-fractal
3D digital core
MAC-Unet model
Post-frac performance evaluation
-
分类号
TE319
[石油与天然气工程—油气田开发工程]
-
