Earth Science Frontiers ›› 2023, Vol. 30 ›› Issue (3): 208-220.DOI: 10.13745/j.esf.sf.2022.5.45
Previous Articles Next Articles
CHEN Zongming1(), TANG Xuan1,2,*(), LIANG Guodong2, GUAN Ziheng2
Received:
2022-04-25
Revised:
2022-05-20
Online:
2023-05-25
Published:
2023-04-27
CLC Number:
CHEN Zongming, TANG Xuan, LIANG Guodong, GUAN Ziheng. Identification and comparison of organic matter-hosted pores in shale by SEM image analysis—a deep learning-based approach[J]. Earth Science Frontiers, 2023, 30(3): 208-220.
原图 | U-Net | Mask R-CNN | FCN | |
---|---|---|---|---|
Ⅰ | 标注: 矿物基质:0% 有机质基质:78.948% 有机孔隙:21.052% 裂缝:0% | A 矿物基质:0% 有机质基质:79.648% 有机孔隙:20.352% 裂缝:0% | B 矿物基质:0% 有机质基质:82.997% 有机孔隙:17.003% 裂缝:0% | C 矿物基质:0% 有机质基质:91.904 有机孔隙:8.096% 裂缝:0% |
Ⅱ | 标注: 矿物基质:0% 黄铁矿:60.024% 有机质基质:28.548% 有机孔隙:11.428% 裂缝:0% | A 矿物基质:0% 黄铁矿:59.856% 有机质基质:29.043% 有机孔隙:11.101% 裂缝:0% | B 矿物基质:0% 黄铁矿:57.525% 有机质基质:34.417 有机孔隙:8.058% 裂缝:0% | C 矿物基质:0% 黄铁矿:53.435% 有机质基质:41.63% 有机孔隙:4.935% 裂缝:0% |
Ⅲ | 标注: 矿物基质:56.846% 黄铁矿:0% 有机质基质:33.795% 有机孔隙:7.994% 裂缝:1.265% | A 矿物基质:57.956% 黄铁矿:0% 有机质基质:33.094% 有机孔隙:7.885% 裂缝:1.065% | B 矿物基质:58.599% 黄铁矿:0% 有机质基质:35.644% 有机孔隙:5.335% 裂缝:0.422% | C 矿物基质:59.021% 黄铁矿:0% 有机质基质:36.758% 有机孔隙:4.221% 裂缝:0% |
Table 1 Results of SEM image analysis using different deep-learning models
原图 | U-Net | Mask R-CNN | FCN | |
---|---|---|---|---|
Ⅰ | 标注: 矿物基质:0% 有机质基质:78.948% 有机孔隙:21.052% 裂缝:0% | A 矿物基质:0% 有机质基质:79.648% 有机孔隙:20.352% 裂缝:0% | B 矿物基质:0% 有机质基质:82.997% 有机孔隙:17.003% 裂缝:0% | C 矿物基质:0% 有机质基质:91.904 有机孔隙:8.096% 裂缝:0% |
Ⅱ | 标注: 矿物基质:0% 黄铁矿:60.024% 有机质基质:28.548% 有机孔隙:11.428% 裂缝:0% | A 矿物基质:0% 黄铁矿:59.856% 有机质基质:29.043% 有机孔隙:11.101% 裂缝:0% | B 矿物基质:0% 黄铁矿:57.525% 有机质基质:34.417 有机孔隙:8.058% 裂缝:0% | C 矿物基质:0% 黄铁矿:53.435% 有机质基质:41.63% 有机孔隙:4.935% 裂缝:0% |
Ⅲ | 标注: 矿物基质:56.846% 黄铁矿:0% 有机质基质:33.795% 有机孔隙:7.994% 裂缝:1.265% | A 矿物基质:57.956% 黄铁矿:0% 有机质基质:33.094% 有机孔隙:7.885% 裂缝:1.065% | B 矿物基质:58.599% 黄铁矿:0% 有机质基质:35.644% 有机孔隙:5.335% 裂缝:0.422% | C 矿物基质:59.021% 黄铁矿:0% 有机质基质:36.758% 有机孔隙:4.221% 裂缝:0% |
软件模型 | JMicroVision | Photoshop | U-Net |
---|---|---|---|
识别孔隙图 | |||
识别时间 | 5 min | 4 min | 850 ms |
识别孔隙面积占比/% | 15.45 | 15.10 | 15.04 |
Table 2 Comparison of image recognition results using conventional image software versus U-Net model
软件模型 | JMicroVision | Photoshop | U-Net |
---|---|---|---|
识别孔隙图 | |||
识别时间 | 5 min | 4 min | 850 ms |
识别孔隙面积占比/% | 15.45 | 15.10 | 15.04 |
序号 | 名称 | 孔隙类型 | 孔隙度/% | 渗透率/nD | |||||||
---|---|---|---|---|---|---|---|---|---|---|---|
圆度 | 长宽比 | 大小/nm2 | 赋存介质 | 计算值 | 实测值 | 计算值 | 实测值 | ||||
a | 矿物内 圆状孔 | 0.7~1.0 | 0.7~0.9 | <100 | 石英、长石、 方解石、白云石 | 5.34 | 3.21 | 0.384 | 0.57 | ||
b | 矿物随机 不规则孔 | 0~0.4 | 0~0.1 | 差异大 | 石英、长石、 方解石、白云石 | 7.13 | 5.22 | 0.870 | 211 | ||
c | 有机棱 角状孔 | 0.4~0.6 | 0.1~0.5 | 100~300 | 有机质 | 11.97 | 7.23 | 0.810 | 12.3 | ||
d | 有机密 集微孔 | 差异大 | 差异大 | <100 | 有机质 | 11.20 | 7.57 | 0.430 | 0.95 |
Table 3 Pore structural types and related pore parameters based on U-Net model application
序号 | 名称 | 孔隙类型 | 孔隙度/% | 渗透率/nD | |||||||
---|---|---|---|---|---|---|---|---|---|---|---|
圆度 | 长宽比 | 大小/nm2 | 赋存介质 | 计算值 | 实测值 | 计算值 | 实测值 | ||||
a | 矿物内 圆状孔 | 0.7~1.0 | 0.7~0.9 | <100 | 石英、长石、 方解石、白云石 | 5.34 | 3.21 | 0.384 | 0.57 | ||
b | 矿物随机 不规则孔 | 0~0.4 | 0~0.1 | 差异大 | 石英、长石、 方解石、白云石 | 7.13 | 5.22 | 0.870 | 211 | ||
c | 有机棱 角状孔 | 0.4~0.6 | 0.1~0.5 | 100~300 | 有机质 | 11.97 | 7.23 | 0.810 | 12.3 | ||
d | 有机密 集微孔 | 差异大 | 差异大 | <100 | 有机质 | 11.20 | 7.57 | 0.430 | 0.95 |
[1] |
HINTON G E, OSINDERO S, TEH Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7): 1527-1554.
DOI PMID |
[2] |
LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.
DOI |
[3] | 付超, 林年添, 张栋, 等. 多波地震深度学习的油气储层分布预测案例[J]. 地球物理学报, 2018, 61(1): 293-303. |
[4] | 陈钢花, 梁莎莎, 王军, 等. 机器学习AdaBoost.M2算法在砂砾岩流体识别中的应用[J]. 石油地球物理勘探, 2019, 54(6): 1357-1362, 1177. |
[5] | 张勇, 马晓东, 李彦婧, 等. 深度学习在南川页岩气含气量预测中的应用[J]. 物探与化探, 2021, 45(3): 569-575. |
[6] |
LIU Y Y, MA X H, ZHANG X W, et al. A deep-learning-based prediction method of the estimated ultimate recovery (EUR) of shale gas wells[J]. Petroleum Science, 2021, 18(5): 1450-1464.
DOI URL |
[7] | 杨午阳, 杨佳润, 陈双全, 等. 基于U-Net深度学习网络的地震数据断层检测[J]. 石油地球物理勘探, 2021, 56(4): 688-697, 669. |
[8] | 张野, 李明超, 韩帅. 基于岩石图像深度学习的岩性自动识别与分类方法[J]. 岩石学报, 2018, 34(2): 333-342. |
[9] | 刘银星. 基于深度学习的地质图像盐层分割方法研究[D]. 北京: 北京工业大学, 2019. |
[10] | 徐述腾, 周永章. 基于深度学习的镜下矿石矿物的智能识别实验研究[J]. 岩石学报, 2018, 34(11): 3244-3252. |
[11] | 白林, 姚钰, 李双涛, 等. 基于深度学习特征提取的岩石图像矿物成分分析[J]. 中国矿业, 2018, 27(7): 178-182. |
[12] | 马陇飞, 萧汉敏, 陶敬伟, 等. 基于深度学习岩性分类的研究与应用[J]. 科学技术与工程, 2022, 22(7): 2609-2617. |
[13] | 李周. 岩石铸体薄图像的孔隙提取及颗粒分割研究[D]. 成都: 四川大学, 2018. |
[14] | 蔡宇恒, 滕奇志, 涂秉宇. 基于深度学习的岩石铸体薄片图像孔隙自动提取[J]. 科学技术与工程, 2020, 20(28): 11685-11692. |
[15] | 王依诚, 姜汉桥, 于馥玮, 等. 基于机器学习的数字岩心孔渗预测方法研究[J]. 石油科学通报, 2019, 4(4): 354-363. |
[16] |
YU Q Y, XIONG Z W, DU C, et al. Identification of rock pore structures and permeabilities using electron microscopy experiments and deep learning interpretations[J]. Fuel, 2020, 268: 117416.
DOI URL |
[17] | 武瑾, 梁峰, 吝文, 等. 渝东北地区龙马溪组页岩储层微观孔隙结构特征[J]. 成都理工大学学报(自然科学版), 2016, 43(3): 308-319. |
[18] |
孙寅森, 郭少斌. 基于图像分析技术的页岩微观孔隙特征定性及定量表征[J]. 地球科学进展, 2016, 31(7): 751-763.
DOI |
[19] |
CHEN Z H, LIU X J, YANG J J, et al. Deep learning-based method for SEM image segmentation in mineral characterization, an example from Duvernay Shale samples in Western Canada Sedimentary Basin[J]. Computers and Geosciences, 2020, 138: 104450.
DOI URL |
[20] |
葛轶洲, 许翔, 杨锁荣, 等. 序列数据的数据增强方法综述[J]. 计算机科学与探索, 2021, 15(7): 1207-1219.
DOI |
[21] | 薛东杰, 唐麒淳, 王傲, 等. 煤岩微观相态FCN智能识别与分形重构[J]. 岩石力学与工程学报, 2020, 39(6): 1203-1221. |
[22] | 王庆, 曾齐红, 张友焱, 等. 基于多尺度区域卷积神经网络的露头孔洞自动提取[J]. 现代地质, 2021, 35(4): 1147-1154. |
[23] | 张新明, 祝晓斌, 蔡强, 等. 图像语义分割深度学习模型综述[J]. 高技术通讯, 2017, 27(增刊1): 808-815. |
[24] | 梁艳美, 王冬梅. Photoshop软件教学研究[J]. 电脑知识与技术, 2021, 17(2): 48-49. |
[25] |
LONG J, SHELHAMER E, DARRELL T. Fully convolutional networks for semantic segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(4): 640-651.
DOI PMID |
[26] | 陈岩, 奚砚涛, 万家华, 等. 面向小样本遥感解译的空间置弃FCN模型[J]. 航天返回与遥感, 2021, 42(3): 107-116. |
[27] | HE K M, GEORGIA G, PIOTR D, et al. Mask R-CNN[C]// Proceedings of the IEEE International Conference on Computer Vision. Venice: IEEE, 2017: 2961-2969. |
[28] | RONNEBERGER O, FISCHER P, BROX T. U-Net: convolutional networks for biomedical image segmentation[C]// 18th International Conference on Medical Image Computing and Computer-Assisted Intervention. Cham: Springer International Publishing, 2015: 234-241. |
[29] |
王香增. 鄂尔多斯盆地延长探区低渗致密油气成藏理论进展及勘探实践[J]. 地学前缘, 2023, 30(1): 143-155.
DOI |
[30] |
赵文智, 朱如凯, 刘伟, 等. 我国陆相中高熟页岩油富集条件与分布特征[J]. 地学前缘, 2023, 30(1): 116-127.
DOI |
[31] | 黄伟标, 李学, 宋晶, 等. 滨海软土微观孔隙测定方法[J]. 科学技术与工程, 2019, 19(28): 290-296. |
[32] | 赵秀才. 数字岩心及孔隙网络模型重构方法研究[D]. 青岛: 中国石油大学, 2009. |
Viewed | ||||||
Full text |
|
|||||
Abstract |
|
|||||