基于深度学习与流体包裹体测温-铀铅年代学联用的四川盆地二叠系储层烃类充注与埋藏史重建

为解决碳酸盐岩储层孔隙度预测难题，研究人员采用UNet、SegNet等四种深度学习模型对马来西亚Central Luconia中新统碳酸盐岩薄片图像进行孔隙度预测。UNet表现最优（精度0.990，IoU 0.805），显著优于传统ImageJ方法，为复杂储层定量评价提供了可扩展的AI框架。

　　

碳酸盐岩储层的孔隙度预测一直是石油地质领域的重大挑战，尤其在马来西亚Central Luconia地区的中新统碳酸盐岩平台中，45,000 km²的区域内蕴藏着超过65 Tcf（万亿立方英尺）的可采天然气储量，但受沉积相变、成岩作用（如岩溶、胶结、破裂）及海平面变化影响，储层呈现极强的非均质性。传统薄片分析和地震属性解释方法存在耗时、成本高且主观性强的问题，而机器学习技术虽在近年有所应用，但对微孔隙结构的识别精度仍待提升。

针对这一难题，Universiti Teknologi PETRONAS（UTP）的研究团队创新性地将深度学习模型引入薄片图像分析，系统比较了UNet、SegNet、PSPNet和FCN四种语义分割模型在317张高分辨率薄片图像上的表现。研究通过ImageJ软件进行独立验证，发现UNet在各项指标上全面领先：准确率（0.990）、精确率（0.849）、召回率（0.940）、F1分数（0.892）和交并比IoU（0.805），尤其对<5%的低孔隙度样本（占比71.90%）识别效果显著。研究还揭示了数据增强对SegNet和PSPNet的负面影响——微孔隙结构扭曲导致性能下降，而UNet输出的空间孔隙度分布图则为储层非均质性可视化提供了新思路。论文发表于《Marine and Petroleum Geology》，为AI驱动储层评价树立了新范式。

关键技术包括：1）基于317张Central Luconia碳酸盐岩薄片的图像采集与预处理；2）UNet等四种深度学习模型的训练与交叉验证；3）ImageJ传统图像分析对比验证；4）数据增强对微孔隙识别的敏感性测试。

Geology of X field Central Luconia Miocene reservoir
研究区中新统碳酸盐岩经历多期成岩改造，以石灰岩、白云岩和泥灰岩为主，孔隙度受控于白云石化（dolomitization）和溶蚀作用。

Image analysis
图像分析流程涵盖采集、预处理、分割和量化四阶段，UNet在保留微孔隙空间特征方面优于传统阈值分割法。

Results and discussion
UNet的IoU值比FCN高23.5%，且与ImageJ结果高度吻合（R²>0.95）。数据增强导致PSPNet的微孔隙识别准确率下降12.8%，证实UNet对图像畸变的鲁棒性。

Conclusion
该研究证实深度学习可突破传统方法在微孔隙检测中的局限，UNet框架为碳酸盐岩储层质量评估提供了自动化、高精度的解决方案。其构建的"概念性"孔隙分布图虽非实际储层表征，但为理解薄片尺度非均质性提供了创新视角，对海上油气田开发决策具有重要指导价值。研究同时指出，未来需结合三维显微CT和跨尺度建模以进一步提升预测泛化能力。