基于对抗边缘学习的钻孔图像空白带高精度重建方法研究

《Journal of Geophysics and Engineering》:Reconstruction of Borehole Image Gaps via Adversarial Edge Learning

【字体: 大 中 小 】 时间:2026年01月11日 来源:Journal of Geophysics and Engineering

编辑推荐:

  本刊推荐:针对钻孔图像空白带破坏地层纹理连续性的问题,研究人员开展了基于对抗边缘学习的图像重建研究。通过动态掩模生成策略和两阶段EdgeConnect框架,结合L1损失、感知损失、风格损失和总变差损失等多重约束,实现了地质结构的高精度恢复。实验表明该方法在SSIM和PSNR指标上优于DGP、DIP和GMCNN等方法,为地震反演和储层建模提供了高保真数据基础。

  
在地球物理勘探领域,钻孔成像测井技术如同给地球做"CT扫描",通过高分辨率电成像(如OBMI)和超声波技术揭示井周地层的精细结构。这些技术能够清晰识别断层、裂缝和层理等关键地质特征,为油气储层评价提供重要依据。然而井下复杂的作业环境常常导致数据采集中断或信号失真,形成纵向或横向的空白条带,这些空白带就像CT图像上的伪影,严重破坏地层纹理的拓扑连续性,进而影响储层参数反演的准确性和地质解释的可靠性。
传统插值方法如克里金插值和形态学修复在面对非均匀沉积纹理、多尺度地质特征等领域特定挑战时,往往产生边缘模糊和伪影问题。而现有深度学习方法使用的随机掩模生成策略与实际空白带分布存在偏差,导致修复结果缺乏地质合理性。更关键的是,钻孔图像具有独特的圆柱特性——图像左右边缘实际代表同一360°井周,且空白带分布具有规律性,这些特征使得通用图像修复方法难以直接适用。
针对这些挑战,研究人员在《Journal of Geophysics and Engineering》上发表了一项创新研究,提出基于对抗边缘学习的高精度钻孔图像重建方法。该方法包含三个核心突破:首先采用非随机横向平移和纵向重叠裁剪的动态掩模生成策略,构建地质代表性数据集;其次设计两阶段对抗EdgeConnect框架,通过多重损失函数约束保证局部纹理保真度和全局结构一致性;最后利用定制化数据集和深度学习模型实现图像重建。
关键技术方法主要包括:基于特征驱动的掩模生成策略,通过像素级位运算和垂直裁剪操作构建高质量训练数据集;EdgeConnect双阶段修复架构,首先生成边缘图,再结合原图内容完成图像修复;混合损失函数设计,综合运用L1损失、感知损失、风格损失和总变差损失,针对原始空白区和人工掩模区分别优化。
gt,(b)初始掩模M,(c)平移后的掩模M′,(d)位与操作后图像Im'>
数据集构建方面,研究团队摒弃了传统的随机裁剪方法,创新性地采用特征引导的掩模生成策略。如图1所示,首先根据原始测井图像空白区特征生成初始掩模,通过平移操作覆盖信息丰富区域,再结合位运算引入人工空白区。最后利用测井图像的垂直特性,将图像纵向裁剪为64像素高度的重叠切片,确保模型能够学习关键地质特征。
图像修复网络采用EdgeConnect架构,其核心创新在于将边缘生成与图像修复紧密结合。第一阶段边缘生成器通过生成对抗网络(GAN)重建缺失区域边缘信息,相当于为画家提供初步草图;第二阶段图像补全网络结合生成边缘和原图内容,综合恢复高频和低频特征。这种设计特别适合处理电成像测井中复杂的层状结构。
损失函数设计体现了精细化优化思想。研究引入原始空白区掩模Morig和人工掩模区Mart的区分,针对不同区域采用差异化监督策略。感知损失和风格损失通过预训练网络计算特征层差异,确保修复区域与周围地质纹理的语义一致性;总变差损失则作用于空白区边界,保证过渡自然性。
实验结果验证了方法的卓越性能。如图3所示,针对层状沉积层、岩溶带和裂缝地层三种典型地质结构,该方法均能实现高质量修复。在层状地层中成功恢复水平连续纹理和孔隙细节;在岩溶带准确重建不规则孔洞和边缘不连续性;在裂缝地层保持裂缝几何连续性且避免结构畸变。
与主流方法的对比实验更具说服力。如图4所示,视觉上该方法在去除条纹伪影的同时,最佳保持了地层结构和细纹理细节。DGP方法在部分区域出现结构丢失,DIP方法处理复杂地质细节时产生局部畸变,GMCNN方法则出现整体对比度下降和边缘模糊。误差分布图显示该方法误差更小且分布均匀,表明其在复杂区域修复的优越性。
局部细节对比进一步验证了修复质量。如图5所示,在关键地层连续性和边缘细节区域,该方法准确重建了细粒度纹理和清晰边界,而DGP结果在层理界面出现明显模糊。这种局部优势补充了定量指标,证明方法不仅实现更低全局误差,在储层表征关键的高细节区域也保持更高保真度。
定量分析采用六项指标全面评估。在结构相似性指数(SSIM)和峰值信噪比(PSNR)方面,DGP方法略占优势(SSIM 91.6%),但本方法紧随其后(90.8%)。在反映局部重建精度的中值绝对误差(MDAE)指标上,本方法以30.6%的优异表现显著优于DGP(74.5%)和DIP(64.7%)。解释方差得分(EVS)方面,本方法以23.8%的最高值证明其对钻孔图像结构的最佳解释能力。
该研究通过多阶段修复框架有效解决了钻孔图像不规则空白带修复难题。"预处理-检测-生成"的协同架构克服了传统方法的纹理不连续、边缘模糊和泛化不足等局限。动态掩模生成策略和纵向重叠裁剪机制构建了地质代表性训练数据集;UNet多尺度特征提取与EdgeConnect边缘引导修复的混合网络架构,通过复合损失函数平衡局部纹理一致性和全局结构连续性。
研究结论表明,该方法在裂缝形态保存和地层连续性重建方面展现出更优的地质合理性,为地震反演和储层建模提供了高保真数据基础。然而方法仍存在预处理参数需手动调整、复杂噪声鲁棒性有待提升等限制,极低分辨率图像或大范围连续缺陷的修复质量仍需优化,深度学习模型的计算复杂度也制约了实时处理能力。这些挑战为未来研究指明了方向,包括自适应参数优化、轻量化网络设计等创新路径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号