基于深度学习的露头地层剖面裂缝自动提取

摘要：

目前我国油气勘探开发的主要目标在逐步转向碳酸盐岩油气资源和页岩油气资源,而碳酸盐岩储层以缝洞型为主,对野外露头地层剖面的裂缝提取能够为缝洞型储层研究提供直观、形象的结果.最常见的传统露头裂缝研究是耗时耗力的人工解译,为此提出基于深度学习的露头地层剖面裂缝智能化提取技术:在Mask R-CNN算法的基础上结合在线增广策略和注意力机制实现裂缝的自动化提取.为了证明Mask R-CNN改进算法对错误标签的容错能力,设计了含有不同程度错误标签的训练集对比实验,结果表明,当错误标签占比达到30％时模型精度下降较大;接着通过消融实验定量分析不同的改进算法对精度的提高程度;然后以人工提取结果为参照,与大津法(OTSU)、区域生长算法、UNet算法、DeepLabv3+算法等进行精度对比评价,结果表明,改进的Mask R-CNN裂缝识别方法提取的裂缝线性特征更准确完整,且正确率在97％以上,高于其它对比算法,验证了该方法的有效性;最后将改进的Mask R-CNN裂缝识别方法应用于四川盆地西南部峨边先锋地区野外露头地层剖面的裂缝提取,并对裂缝长度、密度、倾向和间距参数进行统计分析,定量分析裂缝分布特征,验证了该方法的可行性.本研究为加快石油勘探综合研究和目标精细评价,储层预测和露头地层剖面参数表征的自动化发展提供了依据.

关键词：露头地层剖面、裂缝自动提取、裂缝参数表征、卷积神经网络、深度学习

所属期刊栏目：62

分类号：P631

资助基金：国家自然科学基金;湖北省教育厅科技项目

在线出版日期：2023-04-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：245-257