Quantitative characterization of pore structure in coal measure shales based on deep learning
-
摘要:
储层孔隙结构是页岩气勘探开发的重要影响因素。为准确表征煤系页岩储层中纳米孔隙结构，以青海木里地区煤系页岩为研究对象，利用扫描电镜采集页岩孔隙结构图像，建立页岩孔隙图像数据集，并基于深度学习技术设计出针对页岩孔隙图像分割的HAFCN模型。将孔隙识别效果与3种经典语义分割模型（FCN模型，U-Net++模型，OCRNet模型）做对比，结果表明：HAFCN模型分割效果明显占优，其平均交并比（mIoU）达到
0.8576 ，像素准确率达到0.9702 ，实现了快速分析页岩孔隙扫描电镜图像的目的，并获得了孔隙结构各项参数。将识别后的孔隙参数与原始孔隙参数值（Ground-truth）对比，发现两者孔隙结构参数相近，证实了模型的可靠性；所测煤系页岩样品的孔径以小孔及中孔为主；小孔、中孔及大孔孔径段的平均形状因子分别为1.65、2.38、4.10，其平均长宽比分别为2.97、2.76、3.01，说明随着页岩孔隙的增大，孔隙形态越偏离理想球形，形状越不规则。Abstract:Reservoir pore structure is an important factor affecting shale gas exploration and development. In order to accurately characterize the nanopore structure in coal-measure shale reservoirs, this paper takes coal-measure shale in the Muli area of Qinghai province as the research object, and uses shale pore structure images collected from scanning electron microscopy (SEM) to establish a shale pore image data set. A semantic image segmentation model named HAFCN (Hypercolumns Attention Fully Convolutional Networks) was proposed for shale pore segmentation based on deep learning technology. Compared with other three classical semantic segmentation models (FCN, U-Net++, OCRNet models) for pore images recognition, the HAFCN` model had better pore recognition results than other models, with an average intersection-over-union ratio (mIoU) of
0.8576 and a pixel accuracy of 0.97, so that the purpose of rapid analysis of shale pore SEM images was achieved, and various parameters of pore structure was obtained. Compared with the identified pore parameters with the original pore parameter values (Ground-truth), it is found that the pore structure parameters of the two are similar, which confirms the reliability of the model. The average shape factors of small, medium and large pore diameter sections are 1.65, 2.38, and 4.10, respectively, and their average aspect ratios are 2.97, 2.76, and 3.01, respectively, indicating that with the diameter increase of shale pores, the pore shape is more irregular.-
Keywords:
- deep learning /
- image analysis /
- shale reservoirs /
- pore structure /
- quantitative characterization
-
0. 引 言
页岩气的勘探开发是当今世界能源利用领域的热点内容[1-2]，我国页岩气的勘探开发正处于高速发展的关键时期[3]，页岩储层的孔隙结构是页岩气勘探开发的核心影响因素之一，决定了页岩气的储集与开采难易程度[4]。因此，对页岩孔隙的定量表征成为了页岩气勘探开发领域的重点和热点研究内容。
传统的页岩孔隙结构测试手段主要包括压汞、低温液氮、CO2吸附、核磁共振等试验[5-7]，这类试验均是依据一定的理想状态下的结构模型对孔隙结构进行计算，如根据GB/T 21650.1—2008 [8]，压汞试验将所有孔隙假定为圆柱状孔，低温液氮吸附或CO2吸附将孔隙描述为球状孔。但事实上，根据大量的扫描电镜照片，可以发现页岩中的孔隙绝大多数并不是理想的圆柱状或者球状孔，而是一种不规则状的孔[4]，它们甚至不能以“孔隙直径”这样的参数来描述。此外，页岩孔隙结构中的非均质特征较强，尤以颗粒间孔为最，页岩中广泛发育的片状黏土矿物使得颗粒间孔隙边缘极不规律[4]。因此，对于页岩孔隙结构的定量表征，诸如压汞、低温液氮等试验的测试存在一定的局限性，这类试验并不能完整且准确地描述页岩中孔隙的特征。
因此，越来越多的学者采用可视化的研究手段，例如聚焦离子束扫描电子显微镜(FIB-SEM)、纳米级X射线计算机断层扫描(nano-CT)等手段[9-12]，来研究页岩储层的孔隙结构[13-14]。相比于基于理想结构模型计算的如压汞、低温液氮等试验，这类试验通过一定的成像技术手段将页岩储层中的孔隙直观地展示出来，可以更好也更准确地了解页岩中孔隙的形状、大小以及空间分布方式。可以预见，这类基于成像技术的试验将会是未来孔隙结构测试的主流发展趋势。
深度学习是人工智能领域的前缘研究方向，其以数据的原始形态作为算法输入，经过算法层层抽象将原始数据逐层抽象为自身任务所需的最终特征，完成以特征到目标任务的映射。目前，深度学习在语音和图像识别方面取得的效果，远远超过先前相关技术[15]。正因如此，地质科学的研究者们不断尝试将深度学习技术应用在地质相关的科学问题方面，目前已在地震数据的处理上取得了较好的效果[16]，也已应用至储层孔隙图像的识别上[17-18]，取得了良好的效果。但整体上，深度学习在地质学领域的应用仍处于起步阶段，亟需更多更准确的深度学习模型的成功应用，以提升其在地质数据或图像的处理效率。
因此，本文将深度学习应用于页岩样品扫描电镜图像的孔隙识别上，提出一种基于超列和联合注意力融合模块的全卷积神经网络模型（Hypercolumns Attention Fully Convolutional Networks，HAFCN），通过一定样本量的模型训练，实现页岩储层中孔隙的识别与描述，获得孔隙的特征信息，并与现有经典的语义分割模型进行对比，分析其与经典语义分割方法识别效果的差异性。
1. 数据来源及图像处理
1.1 数据来源
本文所用煤系页岩样品采集自青海木里煤田聚乎更矿区，所属层位为中侏罗统下部木里组的含煤岩系。将页岩样品破碎，挑选出长轴小于1 cm、短轴小于0.5 cm的层状碎片，利用HITACHI S–4800型扫描电镜获取页岩孔隙扫描电镜（SEM）图像159张。
1.2 图像数据处理
目前，深度学习主要以监督学习为主，该方法需要依赖标签图指导模型的训练。故为了便于后续的模型训练及评估，对图像进行人工标注。通过将页岩孔隙部分用红色填充、背景区域不做处理来区别孔隙与岩石骨架结构，并将孔隙部分进行标签命名，如图1a、图1b所示。
深度学习作为一种数据驱动的研究范式，具备极强的表达能力，需要更多的数据来驱动模型训练，否则便有陷入过拟合的风险。在数据量不足的情况下，对数据进行有效的数据扩充能够增加样本数量，丰富样本的多样性，从而避免模型过拟合，提升模型性能。针对本数据集，先采用滑窗切片的方式将图像裁剪为512 px×512 px大小的图像，并对裁剪后的图像采用随机翻转、随机裁剪、随机旋转、随机明亮度变换等相组合的方式完成图像扩充（图2），从扩充后的图像筛选出
3500 对数据（包含SEM图像和标签图），并按照8∶1∶1的比例将数据集划分为训练集、验证集和测试集，其中训练集和验证集用于模型训练，测试集用于模型评估。2. 研究方法
2.1 现有经典语义分割方法
语义分割是计算机视觉领域的关键技术之一，其目标任务为通过对图像中每个像素点的类别进行判定，从而把图像划分为具有特定语义类别的区域。当前，深度学习领域中主流的语义分割多数采用卷积神经网络实现。
2015年，全卷积神经网络（Fully Convolutional Neural Networks，FCN）首次将卷积神经网络引入到语义分割领域[19]，通过将图片分类网络中的全连接层替换为卷积层，并使用上采样的方式将特征图恢复到图像尺寸，实现了语义分割任务的端对端像素点分类。同年，RONNEBERGER等[20]（2015）提出了一种编码器−解码器结构的网络，其中编码器通过一系列下采样操作，将特征映射的空间维度逐渐减小，使得具有更长跨度的信息更容易出现在深层编码器中，而解码器使用上采样操作对图像中物体的细节和空间维度逐渐恢复，并使用跳跃连接的方式融合编码器和解码器的特征，还原下采样所带来的信息损失，由于其网络结构左右对称，故命名为U-Net。U-Net++改进了U-Net中的跳跃连接方式[21]，通过抓取不同层次的特征，使用特征叠加的方式融合多尺度特征，能够在一定程度上增强模型对多尺度物体的分割能力。OCRNet模型通过计算一组物体的区域特征和像素特征的相似度，将物体区域特征传递给像素点，从而显著地增强了物体信息[22]。
2.2 HAFCN模型
2.1节介绍的模型为现在主流的深度学习模型，并非一定适用于页岩孔隙的识别。为了进一步提升深度学习算法在页岩孔隙识别中的效果，本文提出了一种基于超列（Hypercolumns）[23]和联合注意力融合模块（Unified Attention Fusion Module）[24]的全卷积神经网络模型（Hypercolumns Attention Fully Convolutional Networks，HAFCN ）。本模型借鉴了U-Net网络的编码器-编码器结构，其中编码器使用移除全连接层的ResNet-34，解码器中使用反卷积、超列和联合注意力模块，其网络结构如图3所示。
HAFCN模型网络结构图中，上面为编码器部分。输入图像进入编码器后，经过卷积、批归一化、最大池化等操作，特征图的通道数逐渐增加，特征图宽和高成倍递减。编码器中的ResNet-34通过增加残差连接，可以提升深层网络的泛化性，避免因网络层数过多而引发的梯度消失问题。
在语义分割任务中，对多层次的特征进行有效融合被认为是提高分割精度的关键。注意力机制能够让模型更加关注特征图中的感兴趣信息，抑制无用信息，其中应用最为广泛的为空间注意力模块和通道注意力模块。其中空间注意力模块是在空间维度对特征图的空间维度进行平均池化（Mean Pooling）和最大池化（Pooling）操作，然后将获得的特征图进行拼接后通过卷积层和sigmoid函数激活，获取该层次特征图上每个像素的重要性权重；通道注意力模块同空间注意力模块类似，只是在通道维度上对特征图采取相应计算，获取该层次特征图上的每个通道的重要性权重。
HAFCN网络结构图的下面为解码器部分，如图4所示，解码器由联合注意力模块（Unified Attention Fusion Module，UAFM）和分割头构成，UAFM中使用了空间注意力模块（Spatial Attention Module）和通道注意力模块（Channel Attention Module）。UAFM的输入为来自编码器的低层次特征图Flow和解码器中经过进一步卷积操作后得到的高层次特征图Fhigh，由于这两个特征图的尺寸不同，故需要将高层次特征图Fhigh上采样到同低层次特征图Flow相同尺寸。然后，根据注意力模块输出的重要性权重对特征图进行加权计算，获得不同层次特征的注意力加权特征。最后，UAFM对注意力加权特征进行逐像素相加，输出融合后的特征。
在卷积神经网络中，特征图尺寸不断减小的过程也是空间特征逐渐弱化、语义特征不断增强的过程，在网络不同的特征图中会存在较大的特征差异。在编码器部分，通过使用超列（Hypercolumns）技术，将编码器不同尺寸的特征图上采样至相同尺寸后串联，可以更好地平衡多尺度特征图的空间信息和语义信息。
2.3 损失函数
在页岩孔隙识别任务中，孔隙的占比较小，故存在较为明显的类别不均衡问题。本文设计了一种基于Focal loss[25]和Lovasz hinge loss[26]加权的损失函数来解决该问题，如式（1）。聚焦权重损失（Focal Loss，FL）是根据类别的难易程度施加对应的权重损失，即为易分类的类别添加较小的权重，为难分类的类别添加较大的权重，从而解决类别不均衡而引发的模型性能问题，如式（2）。洛瓦兹铰链式损失（Lovasz Hinge Loss，LHL）是基于子模损失(submodular losses)的凸Lovasz扩展，能够对二分类语义分割任务的mean IoU进行优化，如式（3）。
$$ {\mathrm{Loss}}=0.7{L}_{{\mathrm{FL}}}+0.3{L}_{{\mathrm{LHL}}} $$ (1) $$ {L}_{{\mathrm{FL}}}(p,y)=-\alpha y(1-p{)}^{\gamma }{{\mathrm{ln}}}(p)-(1-\alpha )(1-y){p}^{y}{{\mathrm{ln}}}(1-p) $$ (2) $$ {L}_{{\mathrm{LHL}}}\left(f\right(p\left)\right)={L_{{\mathrm{LHL}}}}(f(p)) = \left\{ \begin{array}{l} 1 - f\left( p \right)\text{，}p=y\\ \dfrac{{f\left( p \right)}}{{f\left( y \right) + f\left( p \right)}}\text{，}\text{其他} \end{array} \right.$$ (3) 式中：Loss为损失函数；LFL为聚焦权重损失函数；LLHL为洛瓦兹铰链式损失函数；α、γ为调制因子; p为预测类别；y为真实类别；f(p)为像素点被分p类的概率。
3. 试验及分析
3.1 试验环境
试验中使用的环境配置如下：操作系统为Ubuntu 16.04，深度学习框架为Pytorch 1.10，开发语言为Python 3.8，处理器型号为AMD Ryzen R7 6800H，内存为32 GB，GPU型号为Nvidia GeForce RTX 3090 24 GB。模型训练的迭代次数为
20000 次，单批次图像数量为16，使用SGD优化器，学习率设定为0.05，学习率衰减策略使用余弦退火衰减策略。由于本文中对原始图像进行了滑窗切片，裁剪为512 px×512 px的图像进行训练，故在预测阶段需要将预测结果按序拼接，获得和原始图像对应的预测结果图。
3.2 评估指标
为了更准确地评价深度学习模型对页岩孔隙的识别效果，本文使用语义分割领域常用的平均交并比（mIOU）和像素准确率（Pixel Accuracy，PA）作为模型效果评价指标。其中，交并比（IOU）为2个集合的交集和并集的比值；平均交并比（mIOU）是对每个类别下IOU的平均值，如式（4）；像素准确率（PA）为预测类别正确的像素点占所有像素点的比例，如式（5）。
$$ \mathrm{m}\mathrm{I}\mathrm{O}\mathrm{U}=\frac{1}{k+1}{\sum _{i=0}^{k}}\frac{{p}_{ii}}{\displaystyle\sum _{j=0}^{k}{p}_{ij}+\displaystyle\sum _{j=0}^{k}{p}_{ji}-{p}_{ii}} $$ (4) $$ \mathrm{P}\mathrm{A}=\frac{\displaystyle\sum _{i=0}^{k}{p}_{ii}}{\displaystyle\sum _{i=0}^{k}\displaystyle\sum _{j=0}^{k}{p}_{ij}} $$ (5) 式中：k为共有k+1类；pii为真实值为i类，预测值为i类的像素点数量；pij为真实值为i类，预测值为j类的像素点数量；pji为真实值为j类，预测值为i类的像素点数量。
3.3 试验对比
为了更好地对比HAFCN模型的效果，在相同的环境下训练了FCN、OCRNet、U-Net++模型进行对比试验。从表1可知，4种模型的mIOU值在0.734 5～0.857 6，像素准确率（PA）在0.932 9～0.970 2。其中，HAFCN模型相比于3种主流的语义分割模型有着明显的优势，mIOU和像素准确率均为最高。
表 1 不同模型页岩孔隙识别训练效果Table 1. Training results of different models in shale pores identification模型 mIOU PA FCN 0.774 6 0.956 8 OCRNet 0.734 5 0.932 9 U-Net++ 0.739 3 0.949 9 HAFCN 0.857 6 0.970 2 对比4种训练模型可视化效果，如图5所示。整体上看，HAFCN孔隙分割效果与实际图最为接近（图5-A5,B5,C5,D5）；U-Net++对孔隙的分割缺失较多，大大低估了孔隙实际像素数（图5-A4,B4,C4,D4），可视化分割效果在4个模型中最差；FCN模型分割的小孔隙数量相比标签图变多（图5-A2,B2,C2,D2），并且在大孔隙的分割上也有所缺失，对页岩中基质骨架与孔隙的区分相对来说不够准确，效果较差；OCRNet分割效果比FCN和U-Net++稍好，但对大孔的识别仍有部分缺失（图5-A3,B3,C3,D3），少数位置会有误判。综上，从图5各模型实际分割效果看出：3种经典模型普遍对孔隙分割有多余与缺失的情况；而HAFCN对大小孔隙的识别效果较好，也能较好的划分孔隙边界，在4个模型中可视化效果最好。
4. 基于深度学习的页岩孔隙结构分析
从数据集中的测试集提取页岩孔隙图像，将模型分割出来的页岩孔隙图像与原始标签图分别导入Image-Pro Plus软件（孔径测量软件）进行测量，比较二者数据差异并具体分析样品页岩孔隙结构。
4.1 页岩孔隙的模型测试值与真实值对比
页岩孔隙结构复杂，类型多样，孔径分布在纳米级至毫米级之间。为方便对页岩孔隙特征进行表述，采用孔隙十进制分类系统法[27],即将孔隙分为大孔(≥1 000 nm)、中孔(100～1 000 nm)、小孔(10～100 nm)、和微孔(≤10 nm)。由于扫描电镜放大倍数以及肉眼分辨率有限的缘故，人工标签时未能标出小于10 nm微孔，使得模型也不具备识别微孔的能力，故本文中无微孔数据。
图6、图7分别为HAFCN模型识别的页岩孔隙数量及面积与真实值（Ground-truth）的比较。HAFCN模型识别出的孔隙数目与Ground-truth相比（图6），可以发现FCN模型识别出的小孔数目占比远高于Ground-truth，中孔数目略高于Ground-truth，而大孔数目略低于Ground-truth，而HAFCN模型识别出的各孔径段面积与Ground-truth相当（图7）。因此，不难看出，HAFCN模型对孔隙的分割具有不完整性，常将大孔识别分成多个小孔或中孔，导致小孔数目增多，大孔数目减小；同时，HAFCN模型识别的各孔径段面积与真实值相当，总面积略低于真实值，说明训练出来的模型对孔隙边界的界定与真实值还有细微差异，这可能是由于训练数据集的样本质量不够清晰的原因导致的。
![]()
图 6 HAFCN模型与真实值页岩孔隙数量占比Figure 6. Proportions of pores in different size between truth data and FAFCN models![]()
图 7 HAFCN模型与真实值页岩孔隙面积分布Figure 7. Areas of pores in different size between truth data and FAFCN models4.2 页岩孔隙结构参数计算与分析
由4.1小节可知，深度学习模型对于页岩孔隙，特别是对中孔与大孔的识别准确度较高，因此本文对页岩孔隙结构的参数计算与分析采用模型分割的页岩孔隙图像。
1）孔隙分布特征。由图6可知，样品页岩孔隙以小孔与中孔为主，占总孔隙数量的90%以上，但大孔分布面积占了孔径总面积的50%以上，因此，虽然页岩孔隙数量以小孔与中孔为主，但大孔占有更多的孔隙体积，使得孔隙率主要由大孔控制。
2）孔隙形态特征。页岩孔隙形态可用形状因子(S)、孔隙的最长轴与最短轴之比(λ)来进行描述，前者是指孔隙相对于圆球形的偏差程度，将圆球形的形状因子定为1，则孔隙的形状因子数值越大，说明孔隙偏离球形越多。形状因子的计算公式如下[28]：
$$ S=\frac{{P}^{2}}{4\mathrm{\pi }A} $$ (6) 式中：P为孔隙投影周长，μm；A为孔隙投影面积，μm2。
计算页岩孔隙的形状因子(S)、最长轴与最短轴之比(λ)结果见表2。页岩样品在小孔、中孔及大孔孔径段的平均孔径分别为55、303.2、1 690.3 nm；小孔、中孔及大孔面积占比分别为0.03%、1.81%、8.32%；小孔、中孔及大孔孔径段的平均形状因子分别为1.65、2.38、4.10，其平均长宽比分别为2.97、2.76、3.01，说明随着页岩孔隙的增大，孔隙形态越偏离理想球形，形状越不规则。
表 2 孔隙结构特征参数Table 2. Parameters of pore structures孔径段/nm 平均孔径/nm 面积占比/% S均值 λ均值 10～100 55.0 0.03 1.65 2.97 100～ 1 000 303.2 1.81 2.38 2.76 >1 000 1 690.3 8.32 4.10 3.01 5. 结 论
1）基于深度学习技术设计了一种适合页岩孔隙分割的模型HAFCN，建立页岩孔隙SEM数据集，通过和3种经典语义分割模型对比，发现该模型明显优于其他模型，其mIoU达到
0.8576 ，像素准确率达到0.97，能够较好地将孔隙与页岩基质区分开，实现了快速分析页岩孔隙SEM图像的目的。2）基于深度学习的页岩孔隙结构分析方法建立在真实图像分析的基础之上，避免了传统孔隙结构测试分析所用模型带来的误差，达到了真实且准确获得样品孔结构参数的目的。所测煤系页岩样品以小孔及中孔为主；小孔、中孔及大孔的平均形状因子分别为1.65、2.38、4.10，其平均长宽比分别为2.97、2.76、3.01，说明随着页岩孔隙的增大，孔隙形态越偏离理想球形，形状越不规则。
3）基于深度学习快速分割出页岩孔隙图像，显著提高了页岩孔隙图像具体分析的效率。但深度学习技术对训练的孔隙结构图像质量要求较高，且数据集越大、标注的孔隙越精确，效果越好，而这增加了此方法的难度。同时，HAFCN模型对大孔孔隙结构的识别与判定误差相对较大，这与训练数据集的质量以及深度学习模型有关，因此，如何建立广泛适用的且准确率较高的深度学习模型是深度学习方法应用于孔隙结构分析的未来发展方向。
-
![]()
图 6 HAFCN模型与真实值页岩孔隙数量占比
Figure 6. Proportions of pores in different size between truth data and FAFCN models
![]()
图 7 HAFCN模型与真实值页岩孔隙面积分布
Figure 7. Areas of pores in different size between truth data and FAFCN models
表 1 不同模型页岩孔隙识别训练效果
Table 1 Training results of different models in shale pores identification
模型 mIOU PA FCN 0.774 6 0.956 8 OCRNet 0.734 5 0.932 9 U-Net++ 0.739 3 0.949 9 HAFCN 0.857 6 0.970 2 
下载: 导出CSV
表 2 孔隙结构特征参数
Table 2 Parameters of pore structures
孔径段/nm 平均孔径/nm 面积占比/% S均值 λ均值 10～100 55.0 0.03 1.65 2.97 100～ 1 000 303.2 1.81 2.38 2.76 >1 000 1 690.3 8.32 4.10 3.01
下载: 导出CSV
-
[1] JARVIE Daniel M,Hill Ronald J,RUBLE Tim E,et al. Unconventional shale-gas systems:the Mississippian Barnett Shale of north-central Texas as one model for thermogenic shale-gas assessment[J]. AAPG Bulletin,2007,91(4):475−499. doi: 10.1306/12190606068
[2] SZOLUCHA Anna. A social take on unconventional resources:Materiality,alienation and the making of shale gas in Poland and the United Kingdom[J]. Energy Research & Social Science,2019,57:101254.
[3] TAN Huimin,GABRIELLE Wong-Parodi,XU Jianhua. Not under my backyard? Psychological distance,local acceptance,and shale gas development in China[J]. Energy Research & Social Science,2020,61:101336.
[4] 王安民,曹代勇,魏迎春,等. 青海聚乎更矿区煤系页岩脆/韧性变形对孔隙结构的影响[J]. 煤炭科学技术,2022,50(3):193−200. WANG Anmin,CAO Daiyong,WEI Yingchun,et al. Effects of brittle/ductile deformation of coal measure shale on pore structure in Juhugeng Mining Area,Qinghai[J]. Coal Science and Technology,2022,50(3):193−200.
[5] JU Yiwen,SUN Ying,TAN Jingqiang,et al. The composition,pore structure characterization and deformation mechanism of coal-bearing shales from tectonically altered coalfields in eastern China[J]. Fuel,2018,234:626−642. doi: 10.1016/j.fuel.2018.06.116
[6] LIANG Mingliang,WANG Zongxiu,GAO Li,et al. Evolution of pore structure in gas shale related to structural deformation[J]. Fuel,2017,197:310−319. doi: 10.1016/j.fuel.2017.02.035
[7] ZHU Hongjian,JU Yiwen,QI Yu. Impact of tectonism on pore type and pore structure evolution in organicrich shale:Implications for gas storage and migration pathways in naturally deformed rocks[J]. Fuel,2018,228:272−289. doi: 10.1016/j.fuel.2018.04.137
[8] GB/T 21650.1—2008. 压汞法和气体吸附法测定固体材料孔径分布和孔隙度[S]. 北京:中国标准出版社,2008. GB/T 21650.1–2008. Pore size distribution and porosity of solid materials by mercury porosimetry and gas adsorption[S].
[9] CURTIS M E,SONDERGELD C H,AMBROSE R J,et al. Microstructural investigation of gas shales in two and three dimensions using nanometer-scale resolution imaging[J]. AAPG Bulletin,2012,96:665−677. doi: 10.1306/08151110188
[10] DEWERS Thomas A,HEATH Jason,EWY Russ,et al. Three-dimensional pore networks and transport properties of a shale gas formation determined from focused ionbeam serial imaging[J]. International Journal of Oil,Gas and Coal Technology,2012,5:229−248. doi: 10.1504/IJOGCT.2012.046322
[11] ZAMBRANO M ,TONDI E,MANCINI L , et al. 3D Pore-network quantitative analysis in deformed carbonate grainstones[J]. Marine and Petroleum Geology,2017,82:251−264.
[12] SUN Yingfeng,ZHAO Yixin,YUAN Liang. Quantifying nano-pore heterogeneity and anisotropy in gas shale by synchrotron radiation nano-CT[J]. Microporous and Mesoporous Materials,2018,258:8−16. doi: 10.1016/j.micromeso.2017.08.049
[13] GUO Xuejing,SHEN Yinghao,HE Shunli. Quantitative pore characterization and the relationship between pore distributions and organic matter in shale based on nano-CT image analysis:a case study for a lacustrine shale reservoirs in the Triassic Chang 7 member,Ordos basin,China[J]. Journal of Natural Gas Science and Engineering,2015,27:1630−1640. doi: 10.1016/j.jngse.2015.10.033
[14] ZHOU Shangwen,YAN Gang,XUE Hhuaqing,et al. 2D and 3D nanopore characterization of gas shale in Longmaxi formation based on FIB-SEM[J]. Marine and Petroleum Geology,2016,73:174−180. doi: 10.1016/j.marpetgeo.2016.02.033
[15] WANG Qiangchang,GUO Guodong. Benchmarking deep learning techniques for face recognition[J]. Journal of Visual Communication and Image Representation,2019,65:102663. doi: 10.1016/j.jvcir.2019.102663
[16] TRAPP M ,BOGOCLU C ,NESTOROVIC T , et al. Intelligent optimization and machine learning algorithms for structural anomaly detection using seismic signals[J]. Mechanical Systems and Signal Processing,2019,133:106250.
[17] 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. CAI Yuheng,TENG Qizhi,TU Bingyu. Automatic extraction of pores in thin slice images of rock castings based on deep learning[J]. Science Technology and Engineering,2020,20(28):11685−11692.
[18] 陈宗铭,唐 玄,梁国栋,等. 基于深度学习的页岩扫描电镜图像有机质孔隙识别与比较[J]. 地学前缘,2023,30(3):208−220. doi: 10.13745/j.esf.sf.2022.5.45 CHEN Zongming,TANG Xuan,LIANG Guodong,et al. Identification and comparison of organic matter-hosted pores in shale by SEM image analysis—a deep learning-based approach[J]. Earth Science Frontier,2023,30(3):208−220. doi: 10.13745/j.esf.sf.2022.5.45
[19] LONG J,SHELHAMER E,DARRELL T. Fully convolutional networks for semantic segmentation[A]. IEEE Conference on Computer Vision and Pattern Recognition[C]// New York:IEEE,2016:3431–3440.
[20] RONNEBERGER Olaf,PISCHER Philipp,BROX Thomas. U-net:Convolutional networks for biomedical image segmentation[A]. International Conference on Medical image computing and computer-assisted intervention[C]//Cham,Switzerland:Springer,2015:234−241.
[21] ZHOU Zongwei,SIDDIQUEE M M R,TAJBAKHSH N , et al. Unet++:Redesigning skip connections to exploit multiscale features in image segmentation[J]. IEEE Transactions on Medical Imaging,2019,39(6):1856−1867.
[22] MARIUS C,MOHAMED O,SEBASTIAN R, et al. The cityscapes dataset for semantic urban scene understanding[A]. IEEE conference on computer vision and pattern recognition[C]// New York:IEEE,2016:3213–3223.
[23] HARIHARAN B,ARBELAEZ P,GIRSHICK R, et al. Hypercolumns for object segmentation and fine-grained localization[A]. IEEE Conference on Computer Vision and Pattern Recognition (CVPR) [C]. //New York:IEEE,2015,1411:5752v2.
[24] JONATHAN L,EVAN S,TREVOR D. Fully convolutional networks for semantic segmentation[A]. IEEE conference on computer vision and pattern recognition[C]// New York:IEEE,2015:3431–3440.
[25] LIN Tsung-Yi ,GOYAL Priya ,GIRSHICK Ross , et al. Focal loss for dense object detection[A]. IEEE Transactions on Pattern Analysis & Machine Intelligence[C]//New York:IEEE,2017:2999−3007.
[26] BERMAN M,TRIKI A R,BLASCHKO M B. The Lovasz-Softmax loss:A tractable surrogate for the optimization of the Intersection-Over-Union measure in neural networks[A]. IEEE Conference on Computer Vision and Pattern Recognition [C]// New York:IEEE,2018:4413−4421.
[27] WANG Anmin,WEI Yingchun,YUAN Yuan,et al. Coalbed methane reservoirs’ pore-structure characterization of different macrolithotypes in the southern Junggar Basin of Northwest China[J]. Marine & Petroleum Geology,2017,86:675−688.
[28] 方永浩,王 锐,庞二波,等. 水泥–粉煤灰泡沫混凝土抗压强度与气孔结构的关系[J]. 硅酸盐学报,2010,38(4):621−626. FANG Yonghao,WANG Rui,PANG Erbo,et al. Relationship between compressive strength and air-void structure of foamed cement-fly ash concrete[J]. Journal of the Chinese Ceramic Society,2010,38(4):621−626.
-
期刊类型引用(0)
其他类型引用(1)
计量
- 文章访问数: 80
- HTML全文浏览量: 19
- PDF下载量: 22
- 被引次数: 1
