深度学习与ImageJ联用的孔隙度预测：中卢科尼亚中新世碳酸盐岩储层表征新范式

针对碳酸盐岩储层孔隙度传统估算方法耗时费力且主观性强的问题，研究人员采用UNet、SegNet等四种深度学习模型分析马来西亚中卢科尼亚317张薄片图像。UNet以精度(0.990)、IoU(0.805)等指标全面领先，与ImageJ传统分析高度吻合，构建了可解释的孔隙空间分布图，为复杂碳酸盐岩储层AI定量评价提供了标准化框架。

　　

在油气勘探领域，碳酸盐岩储层犹如地质界的"千层酥"——看似规整的沉积层理下暗藏复杂的孔隙迷宫。马来西亚中卢科尼亚地区的中新世碳酸盐岩平台就是典型代表，这片面积达45,000 km²的"地质艺术品"蕴藏着超过65 Tcf（万亿立方英尺）的可采天然气，却因强烈的成岩作用（如岩溶、胶结和破裂）导致孔隙结构高度非均质。传统薄片分析就像用放大镜数沙粒，不仅效率低下，面对微米级孔隙网络时更显得力不从心。

针对这一挑战，马来西亚国油科技大学（Universiti Teknologi PETRONAS）的Abdulrahman Danlami Isa团队在《Marine and Petroleum Geology》发表了一项创新研究。研究人员另辟蹊径，将深度学习"显微镜"对准了317张高分辨率薄片图像，通过对比UNet、SegNet等四种语义分割模型，首次系统评估了AI在碳酸盐岩微孔隙识别中的潜力。

研究采用"图像分析四步法"：首先通过ImageJ进行传统孔隙标注建立基准数据集；接着应用旋转、翻转等数据增强技术扩充样本；然后训练UNet等模型进行端到端孔隙分割；最终通过空间插值生成概念性孔隙分布图。特别值得注意的是，团队创新性地引入ImageJ作为非AI参照系，构建了双重验证体系。

在"Results and discussion"部分，几个关键发现尤为突出：UNet展现出"全能选手"特质，在准确率(0.990)和交并比IoU(0.805)上遥遥领先，其微孔隙识别能力比传统方法提升近20%；数据增强却意外成为"双刃剑"——虽然扩充了样本量，但SegNet和PSPNet因孔隙结构形变导致性能下降；空间分布图揭示71.9%样本孔隙度<5%，印证了该储层"低孔隙主导"的特性。

"Conclusion"部分强调，这项研究实现了三个突破：一是确立UNet为碳酸盐岩孔隙分析的黄金标准，其F1分数(0.892)证明了对复杂孔隙网络的解析能力；二是创建了可扩展的AI-ImageJ联合工作流，为全球碳酸盐岩储层评价提供了新范式；三是提出的概念性孔隙分布模型，虽不直接反映实际储层状况，但为理解薄片尺度异质性提供了可视化工具。正如作者在讨论中指出，这种"数字岩心"技术或将改写传统储层表征规则，特别是在未充分勘探的碳酸盐岩区块中，AI驱动的高通量分析可大幅降低勘探不确定性。该研究的价值不仅在于技术突破，更在于架起了地质学与人工智能的跨学科桥梁，为油气行业的数字化转型提供了关键方法论。