图像分析技术在烃源岩显微组分定量表征中的应用：以泥盆系新奥尔巴尼页岩和马塞勒斯页岩为例

本研究针对传统点计数法在低有机碳含量页岩显微组分（macerals）定量分析中的效率瓶颈，开发了结合机器学习算法的图像评估方法，成功实现了新奥尔巴尼页岩和马塞勒斯页岩中镜质体（vitrinite）、惰质体（inertinite）、壳质体（liptinite）及次生产物（如固体沥青和焦沥青）的快速精准定量。该方法显著提升了藻类体（alginite）与矿物背景的区分能力，为烃源岩有机质（OM）热演化研究提供了新工具，成果发表于《International Journal of Coal Geology》。

　　

在油气勘探领域，烃源岩中有机质（Organic Matter, OM）的显微组分（macerals）组成是评估生烃潜力和重建沉积环境的关键参数。尽管煤的显微组分定量技术已较成熟，但页岩因有机碳含量低、组分复杂，传统点计数法（point-counting）耗时且主观性强。尤其对于藻类体（alginite）和次生沥青等组分，现有自动化方法难以区分其与矿物背景的界限。这一技术缺口制约了页岩有机质热演化（thermal evolution）的精细研究。

为解决这一难题，印第安纳大学的研究团队选取泥盆系新奥尔巴尼页岩（New Albany Shale）和马塞勒斯页岩（Marcellus Shale）三个不同成熟度样本（R_o值0.55%-2.41%），开发了融合显微组分光学特征与机器学习算法的图像分析系统。通过对比传统点计数法验证，该方法在藻类体荧光识别和焦沥青（pyrobitumen）量化方面展现出显著优势，为页岩有机质组成与热演化研究提供了高效、客观的新方法。

关键技术包括：1）全岩抛光片制备与反射光/荧光显微成像；2）基于机器学习的像素分类算法，区分镜质体、惰质体、藻类体及次生沥青；3）热成熟度梯度样本验证（边际成熟至过成熟）。

研究结果
1. 边际成熟新奥尔巴尼页岩
样本（R_o 0.55%）以黄绿色荧光的藻类体（Tasmanites藻囊）和非荧光无定形有机质（AOM）为主，含少量镜质体与固体沥青。图像分析成功量化了藻类体与矿物的空间分布差异，较传统方法效率提升80%。

2. 藻类体与镜质体分析
机器学习算法通过荧光强度阈值优化，精准识别藻类体（对比煤样本中低对比度缺陷）。镜质体反射率数据与点计数结果高度吻合（误差<5%），证实方法可靠性。

3. 过成熟马塞勒斯页岩
高成熟样本（R_o 2.41%）中焦沥青占比达37%，图像分析通过灰度梯度分割有效区分其与惰质体，解决了传统方法中二者易混淆的问题。

结论与意义
该研究首次将机器学习驱动的图像分析系统应用于页岩显微组分定量，突破性地解决了藻类体与矿物背景的分离难题，并实现了次生沥青产物的精准统计。方法学创新为页岩有机质来源、沉积环境反演及热成熟度评价提供了标准化工具，尤其适用于低有机碳含量样本的高通量分析。未来通过优化无定形有机质（AOM）提取算法，可进一步拓展该方法在非常规油气勘探中的应用深度。