深度学习光谱红外数字全息技术用于页岩特性的相位分析

《Journal of Materials Chemistry A》：Deep learning spectral infrared digital holography for phase analysis of shale characterization

基于深度学习和Transformer模型的新方法利用短波红外光谱数字全息成像技术，定量分析页岩孔隙结构和矿物溶解特征，揭示了不同页岩类型孔隙分布差异及矿物形成动态，为非常规储层评估提供有效工具。

　　

微米级孔隙对于非常规储层中的碳氢化合物传输至关重要，这些孔隙主要由裂缝和晶间孔隙组成。光学显微镜缺乏测量折射率的能力，而传统方法也无法在相位图像中充分表现与深度相关的颗粒尺寸特征。本文提出了一种将深度学习与Transformer模型相结合的方法，用于短波红外光谱数字全息成像，从而实现光谱、振幅和相位成像。与X射线断层扫描等先进成像技术相比，红外波段对有机物和含水矿物（这些矿物含有更多的轻元素）更为敏感。短波红外光谱利用羟基团和水分子的特征吸收带，通过光谱相位变化来定量分析孔隙结构以及矿物（斜长石、正长石、微斜长石和伊利石）的溶解情况。此外，不同类型的页岩中孔隙分布也存在差异：砂质页岩的振幅差异大约高出14.3%，相位差异则高出约91.2%。另外，该波段具有较低的吸收率和较高的穿透率，能够揭示透明矿物和金属矿物的结构特征。通过对结构分布模式的定量分析，该方法显著提高了矿物相的区分能力，并阐明了形成过程，使其成为非常规地质储层结构和成分表征的宝贵工具。