摘要
非常规油气资源研究中，致密砂岩因其蕴含丰富的页岩气与致密气资源而备受关注，精确识别其内部复杂的孔隙结构才能对其有效开发。然而，砂岩的微观复杂性与低孔隙连通性对孔隙识别的准确性构成了挑战。传统的孔隙识别技术往往受限于人工介入和参数调整，存在操作复杂、结果受主观因素影响的问题。在分析砂岩内部结构时，尽管先进的成像技术能够提供从亚微米至纳米级的宽范围分辨率图像，但高分辨率成像设备成本高昂，且随着分辨率需求提高，样品制备和扫描所需时间也随之增长，限制了快速分析能力。为此，本文结合并优化深度学习方法，旨在解决数字岩心图像重构及其孔隙提取研究与应用中的问题。 首先，针对孔隙结构识别模型训练过程中出现的梯度消失，识别结果出现锯齿状的不清晰边界问题，本文提出一种改进的Deeplab V3+网络模型识别致密砂岩储层的孔隙结构。使用ResNet作为主干网络，并引入轮廓特征提取模块，旨在获取孔隙图像的全局和轮廓特征，避免出现边界锯齿状问题。同时采用了权重参数自适应初始化策略，确保权重均匀分布，从而避免模型训练过程中出现的梯度消失问题，进而提高模型识别的准确性。 其次，对于数字岩心图像重实验中存在网络不稳定、关键信息丢失、视觉效果差等问题，本文提出了一种基于SRCNN改进的超分辨率重构算法，先使用残差空间注意力模块，使模型能关注特征图上不同的区域。再优化损失函数，并将上采样模块替换为亚像素卷积模块，避免直接上采样出现的信息损失，降低人工痕迹，实现从低分辨率图像到高分辨率图像的有效转换。 最后，通过实验分别验证了上述算法的性能，结果显示改进后的Deeplab V3+网络模型在孔隙识别方面的精确度提升到了98.17%。另外，在研究2倍放大倍数下的超分辨率重构效果时，相较于SRCNN，改进模型在各种实验条件下均表现出更优性能，其峰值信噪比（PSNR）分别提高了11.933dB、8.07dB、0.211dB和4.952dB。
NETL