摘要
储集层岩石铸体薄片的微观结构特征对研究储层的储渗能力、流体分布、采收率的大小、水驱油效率等均具重要作用.岩石铸体薄片的分割是研究岩石微观结构特征的前提,目前传统方法是通过染色剂对孔隙区域染色,然后用阈值或连通域等方法进行分割,这种方法准确率低且成本昂贵.基于深度学习的语义分割网络在不同的分割场景下都取得了很大进展.该文采用DeepLabV3+网络作为模型框架,首先,针对语义分割网络参数量多且在恢复空间细节方面表现欠佳等问题,引入了轻量化特征提取网络,优化原模型Xception特征提取网络的参数量;其次,优化残差结构,减少参数计算量,降低模型训练耗时;最后,为了弥补参数优化带来的精度损失,在模型的高层特征图提取部分引入注意力机制CBAM模块,以提高模型准确率.在岩石铸体薄片数据集上,此方法与原模型相比准确率提高了 3.7 百分点,识别帧率提高了106 百分点.
基金项目
国家自然科学基金青年科学基金(41702156)
东北石油大学引导性创新基金(2020YDL-04)
国家科技期刊平台
NSTL
维普
万方数据