基于多向切片与U-Net分割的煤岩三维裂缝网络精准重构及渗透性预测研究

为解决煤岩CT图像中多尺度裂缝（尤其是亚体素级微裂缝）的精准提取难题，中国矿业大学团队提出融合超分辨率重建（SRIR）、非局部均值滤波（NLMF）和多向U-Net分割的创新流程。该研究通过垂直/极坐标双切片策略构建数据集，结合3D模型重建与格子玻尔兹曼方法（LBM）计算，显著提升裂缝网络连通性识别精度，使有效孔隙率和渗透率分别达10.76%和1.36×10-10 m2，为煤层气开采和CO2封存提供关键理论支撑。

　　

煤岩作为重要的能源储层，其内部多尺度裂缝网络的精准表征直接关系到煤层气开采效率和CO₂地质封存效果。然而，传统CT图像处理方法面临两大挑战：一是亚体素级微裂缝因分辨率不足易被漏检，导致裂缝网络连通性被低估；二是煤岩中高密度矿物与微裂缝灰度值重叠，加剧分割难度。这些缺陷使得基于数字岩心的渗透率预测偏差可达数量级差异，严重制约非常规能源开发的精准评估。

针对这一瓶颈问题，中国矿业大学Yufeng Bian、Yang Ju团队在《Journal of Advanced Research》发表创新研究，提出"多向切片+深度学习"的协同解决方案。研究人员首先采用超分辨率图像重建（SRIR）将878×878×1500的原始CT图像分辨率提升至1757³体素，通过非局部均值滤波（NLMF）降噪和灰度增强突出裂缝特征。创新性地沿垂直轴和极坐标轴（0.025°间隔旋转）生成7200张极坐标切片，构建双视角数据集。利用U-Net对两类切片分别训练后，采用体素加权融合算法重建三维裂缝模型，最终通过格子玻尔兹曼方法（LBM）计算渗透率。

材料与方法

实验采用中国井下1100米深度的煤样（Φ25×50 mm），经单轴压缩预制多尺度裂缝后，使用FXE-225 kV微焦点CT系统扫描（分辨率28.57 μm）。关键技术包括：waifu2x实现SRIR图像2倍超分（PSNR 42.24 dB），Fiji软件NLMF降噪，MATLAB实现极坐标切片生成，以及基于D3Q19模型的并行多松弛时间LBM（MRT-LBM）流体模拟。

结果

1. 1.

   CT图像预处理：SRIR-NLMF联合处理使微裂缝信噪比提升3倍，SSIM达0.9856。

2. 2.

   多向切片分割：交叉验证显示极坐标切片对平行于轴向的微裂缝检出率比传统切片高37%，两者融合后裂缝拓扑欧拉特征数（χ）降至-22567，表明连通性最优。

3. 3.

   渗透率预测：最终模型渗透率（1.36×10^-10 m²）较Hessian滤波法提升146倍，有效孔隙率与总孔隙率比值接近1，证实微裂缝对流体通道的贡献率达21.3%。

讨论与结论

该研究突破传统单一切片视角的局限，通过多向深度学习策略将微裂缝识别精度提升至亚体素级。特别值得注意的是，极坐标切片对轴向微裂缝的补充识别使渗透率计算结果出现数量级差异，这解释了以往实验室测量与数字岩心预测的偏差来源。该方法为复杂地质条件下的裂缝网络数字化提供新范式，对页岩气、地热储层等低渗透介质的传输特性研究具有普适价值。未来可通过迁移学习优化U-Net在异构矿物样本中的泛化能力，进一步推动人工智能在能源地质领域的深度融合。