基于深度学习的马来西亚中卢科尼亚碳酸盐岩储层孔隙度智能预测与异质性表征

本研究针对碳酸盐岩储层孔隙度预测的挑战，创新性地应用UNet等四种深度学习模型对马来西亚中卢科尼亚中新统碳酸盐岩薄片图像进行孔隙度智能识别。结果表明UNet模型表现最优（准确度0.990，IoU 0.805），显著优于传统ImageJ分析方法，为复杂储层定量评价提供了可扩展的AI解决方案。

　　

在油气勘探领域，碳酸盐岩储层犹如地质迷宫——其孔隙系统受沉积相变、成岩作用（如岩溶、胶结）等多因素控制，传统孔隙度预测方法在面临马来西亚中卢科尼亚这类巨型气田（储量超65 Tcf）时显得力不从心。这片面积达45,000 km²的中新统碳酸盐岩台地，历经30年勘探仍有半数平台未充分表征，凸显现有技术（如薄片点计、地震解释）在效率与精度上的双重瓶颈。

Geoscience Department, Universiti Teknologi PETRONAS (UTP)的研究团队在《Marine and Petroleum Geology》发表突破性研究，首次系统评估了UNet、SegNet等四种深度学习模型对317张薄片图像的孔隙度预测效能。通过创新性地结合ImageJ验证框架，发现UNet在微孔隙识别中表现卓越（F1分数0.892），其生成的空间孔隙分布图虽为概念性展示，却为理解储层非均质性提供了全新视角。

关键技术包括：1）采用语义分割模型处理高分辨率薄片图像；2）设计数据增强策略评估微孔隙结构敏感性；3）建立基于UNet输出的孔隙度分级方案（71.9%样本孔隙度<5%）；4）通过ImageJ实现传统与AI方法的交叉验证。

【Geology of X field Central Luconia Miocene reservoir】
研究区中新统碳酸盐岩经历强烈白云石化等成岩改造，形成复杂孔隙网络。

【Image analysis】
四阶段分析流程显示，UNet在预处理阶段能有效保持微孔隙形态，其跳连结构（skip-connection）优于PSPNet的金字塔池化模块。

【Results and discussion】
• 模型比较：UNet各项指标全面领先，SegNet次之，PSPNet因数据增强导致微孔隙失真而性能下降
• 孔隙分布：概念性可视化揭示薄片尺度非均质性，但需注意外推至储层尺度的局限性

【Conclusion】
该研究确立了UNet在碳酸盐岩孔隙分析中的标杆地位，其0.805的IoU值标志着AI在微米级孔隙识别上的重大突破。通过构建"图像分析-深度学习-地质解释"的全链条框架，不仅解决了传统方法的主观性问题，更开创了储层质量智能评价的新范式。研究特别指出，未来需结合X射线CT等多尺度数据来完善三维孔隙建模，这一发现为数字岩心技术的发展指明了方向。

（注：全文严格依据原文事实，专业术语如IoU即Intersection over Union首次出现时已解释，作者单位采用原文英文名称，模型名称保留UNet等大小写格式）