基于深度学习的岩石裂隙自动精准表征与水力压裂演化映射新方法

《Engineering Applications of Artificial Intelligence》：Automatic and accurate characterization of rock fractures based on Deep Learning

本综述系统介绍了基于深度学习（DL）的岩石裂隙表征技术，重点提出了一种新型混合裂隙映射方法（HFMM）。该方法通过系统性采样构建小训练数据集，结合先进去噪算法，有效解决了传统DL方法在裂隙演化映射中存在的误识别背景噪声、断裂连续性识别不准等问题。在MIT水力压裂图像数据集上的验证表明，HFMM在裂隙长度和分支数量的平均绝对误差（MAE）分别降低了81%–86%和69%–93%，显著提升了裂隙演化定量分析的准确性。

　　

Highlight

Rock fracture processes, experiments and observations

摄影技术是在实验室实验中观察和研究裂隙过程的重要手段。借助摄影技术，裂隙的起裂、扩展和贯通过程已在宏观和微观尺度上得到了广泛研究（Shen等人，1995；Bobet和Einstein，1998；Mughieda和Alzo'ubi，2004；Ko等人，2006）。基于裂纹成像的系统性研究已经探讨了各种材料和几何因素的影响。

Experimental process

压裂过程的图像是在麻省理工学院（MIT）岩石力学实验室进行的三组水力压裂试验中捕获的（AlDajani，2022）。水力裂隙的演化过程借助Photoshop软件进行了人工映射。此外，还开发了一种量化裂隙长度和分支数量的测量算法。

Selected architecture

本研究采用深度学习模型“Mask2Former”进行像素级裂隙分割，从而促进裂隙映射。选择该模型/架构是因为Cheng等人（2022）报告其在公开数据集ADE20K上的语义分割任务中取得了最新的先进性能。在此，我们使用与Cheng等人（2022）相同的、以Swin-L为骨干网络的Mask2Former模型，来检测和提取水力压裂图像中的裂隙轮廓。在裂隙分割的背景下，该模型能够...

Results

本节展示了使用所提出的HFMM方法得到的裂隙分割、裂隙映射和量化结果。作为对比，也展示了使用传统基于深度学习的裂隙映射方法（Liu等人，2023）获得的结果。为了排除模型架构的影响，在实施Liu等人（2023）的传统基于深度学习的方法时，采用了相同的“Mask2Former”架构。这种传统的基于深度学习的裂隙映射方法与HFMM的不同之处在于...

Conclusions & discussion

本研究介绍了一种新的基于深度学习的方法——“HFMM”，旨在实现高效的数据准备以及水力裂隙演化的精准自动映射。通过利用时序裂隙演化中空间特征的一致性，所提出的HFMM采用系统性采样划分的小型训练数据集，并在没有正则化操作的情况下训练深度学习模型，避免了劳动密集型的标注任务。此外，它通过利用...