在数据稀缺的情况下识别页岩微孔结构：一种考虑异质性的半监督方法

《Fuel》：Shale micropore structure identification under data scarcity: a heterogeneity-aware semi-supervised approach

　　刘培刚 | 马静 | 杨超志 | 董宏浩 | 王培杰 | 李宗民
中国石油大学（华东）计算机科学与技术学院青岛软件研究所，青岛 266580，中国

**摘要**
准确识别页岩储层中的微尺度孔隙结构对于评估油气储量和优化开采策略至关重要。这项任务面临着标签数据稀缺和地质异质性强的双重挑战。我们结合了半监督学习方法来利用大量未标记的数据，从而缓解了数据稀缺的问题，但现有方法通常对所有图像区域一视同仁，未能充分利用异质区域的区分特征。为了解决这个问题，我们提出了HB-Net，这是一种基于地质信息的半监督模型，它明确指导模型关注地质异质区域，实现了高精度的孔隙识别，并且对注释的依赖性较低。我们提出了一种异质性表示方法，通过整合平均灰度、熵和孔隙密度信息，有效定位高度异质且富含孔隙的图像区域。此外，我们设计了一种考虑异质性的对比学习方法，以提高模型在复杂区域中的区分能力。在页岩扫描电子显微镜（SEM）数据集上进行的实验表明，仅使用10%的标记样本，HB-Net在验证集上的孔隙交并比达到了75.02%。这比监督基线方法提高了7.11%，比先进的半监督基线方法提高了1.34%，尤其是在异质区域中提高了1.54%。这项研究首次将地质异质性作为半监督学习框架中的显式指导信号，提供了一种高精度、低数据依赖性的微孔识别方法。这种方法对于智能表征非常规油气储层具有实际意义。

**引言**
在全球能源转型的背景下，非常规油气资源已成为确保能源安全的核心战略支柱[1]。国际能源署（IEA）的数据表明，非常规油气现在主导了全球供应增长，其高效开发在缓解能源供需不平衡方面发挥着关键作用[2]。作为非常规油气资源的核心，页岩油气的开采效率在很大程度上取决于对储层微观孔隙结构的准确表征[3]。尽管微孔的体积相对较小，但它们在页岩储层中常常形成相互连接的网络。它们储存和运输可提取有机物（EOM）的能力与大孔相当[4]，使其成为控制碳氢化合物迁移的关键途径[5]。准确识别微尺度孔隙对于量化其分布、形态和连通性等参数至关重要，从而能够系统地表征其微孔结构[6]。这也为后续的油气储量评估和裂缝设计优化提供了定量基础。

扫描电子显微镜（SEM）成像以其纳米级分辨率成为表征页岩孔隙形态和量化孔隙参数的主要方法[7]。然而，基于SEM图像的自动微孔识别面临两个主要挑战：标签数据稀缺和地质异质性（图1）。地质异质性[8]通过两种主要机制影响SEM图像质量和识别：由于原子数不同，矿物和有机物在SEM图像中形成复杂的背景，出现交替的“亮-暗区域”，导致孔隙形态高度变化；有机物和有机孔具有相同的碳基组成[9]，使得SEM成像无法通过原子数差异产生显著的电子散射对比度。这导致孔隙边缘的灰度梯度平缓，与背景的边界模糊。微尺度孔隙通常嵌入在这种高度异质且对比度低的背景中（见图1中的橙色框），进一步增加了识别的难度。

现有的研究方法已经从传统的图像处理发展到数据驱动的学习。早期的方法如阈值识别和区域生长[10]、[11]，存在泛化能力不足的问题。它们难以处理页岩SEM图像中复杂的灰度分布和孔隙形态。

近年来，深度学习（DL）中的完全监督方法在地质图像识别领域取得了显著进展[12]、[13]、[14]。Deepcrack[15]采用完全监督机制在SegNet架构上实现多级融合，增强了其裂缝检测能力。参考文献[16]将KiU-Net集成到标准U-Net[17]中，用于自动分析孔隙结构和矿物。参考文献[18]引入了一种新的解决方案，通过在U-Net中应用注意力门模型来识别富含有机物的页岩中的孔隙和微裂缝。此外，一些研究探索了Transformer架构或其与CNN的混合模型在地质图像分析中的应用。CrackFormer[13]提出了一个结合自注意力和尺度注意力机制的Transformer网络，以实现细粒度裂缝检测。FFSwinNet[19]将CNN-Transformer结构与傅里叶变换结合，展示了在处理噪声页岩SEM图像方面的强大性能。AP-SAM[20]通过多尺度特征融合和低秩自适应优化显著提高了孔隙识别的准确性。然而，完全监督范式仍然高度依赖于大量精确标记的数据。由于页岩微尺度孔隙相对于背景的形态不规则和对比度低，像素级注释具有挑战性且成本高昂，严重限制了完全监督方法的应用。

为了减少对标记数据的依赖，半监督学习（SSL）在医学和遥感等领域展示了潜力，通过利用大量未标记的数据[21]、[22]、[23]、[24]、[25]。SSL方法主要围绕两种技术方法：伪标记[26]、[27]和一致性正则化[28]、[29]。FixMatch[30]通过强增强生成高置信度的伪标签，并使用弱增强来约束模型预测的一致性。CPS[31]利用双模型进行交叉伪监督，以增强在具有挑战性区域的学习。作为最近的一项代表性工作，UniMatch[24]引入了一种双流扰动机制，进一步提高模型的鲁棒性。然而，现有的SSL模型通常对所有图像区域一视同仁，未能充分考虑页岩中普遍存在的地质异质性。孔隙通常积聚在矿物和有机物共存的异质区域，这些区域具有复杂的特征，难以识别，但它们包含增强模型区分能力的关键信息。现有方法对所有像素计算梯度损失相同，导致模型训练主要受简单区域的影响，缺乏针对关键异质区域的针对性学习能力。

目前，一些研究尝试将对比学习（CL）纳入SSL识别任务[21]、[23]、[25]、[32]、[33]、[34]，通过预测置信度分数或熵来识别具有挑战性的区域。PH-Net[23]使用图像区域的平均熵来识别困难区域进行针对性学习。PatchCL[21]利用图像块的平均熵来指导正负样本的选择，但未能考虑单个图像内不同区域的学习难度差异。虽然这些方法在纹理复杂性与模型预测不确定性正相关的通用场景中已被证明有效，但在处理页岩SEM图像时面临根本限制：图像中的某些高熵区域可能代表没有孔隙的富矿物区域，而不是富含孔隙的区域。如果模型专注于学习这些区域，不仅无法提高孔隙度识别的准确性，还可能误导后续的储层评估。因此，需要一种方法将地质认知整合进来，以精确定位“高度异质且富含孔隙”的区域，使模型能够学习具有更大地质区分意义的特征。

为了解决上述问题，本文提出了HB-Net，这是一种针对异质区域的半监督模型。它首次将地质异质性作为指导信号明确纳入SSL框架，实现了从“平等学习”到“地质感知的聚焦学习”的范式转变。具体来说，我们引入了异质性表示（HR）方法，如图2所示将图像划分为不同的区域。通过整合多源地质先验知识（灰度、信息熵和孔隙密度），它准确定位了高度异质且富含孔隙的区域——这些选定的区域与“甜点”（储层中富含油/气且压缩性好的高产区域）[1]在野外开发中有很高的重叠。在此基础上，我们进一步设计了异质性感知的对比学习（HCL）策略。该策略对目标图像区域内的高熵区域应用动态硬样本挖掘和额外的对比约束，明确增强了模型区分模糊边界和复杂结构的能力。最终，通过在SSL框架内协同整合这两个组件，HB-Net从地质上最具挑战性的区域提取出更具区分性和泛化能力的特征表示。

本研究通过提出一种考虑异质性的半监督模型HB-Net，解决了数据稀缺和地质异质性在识别微孔方面的双重挑战。在页岩和泥岩数据集上的实验验证表明，与现有方法相比，该方法在低注释比率下实现了更高的识别准确性，并表现出强大的跨数据集泛化能力。这项研究为处理有限标记数据的地质和工程研究人员提供了一种可靠且高效的自动化孔隙识别方法。HR设计提供了一种可解释且可复制的将领域知识嵌入人工智能模型的技术途径。此外，框架内的HR和HCL方法具有模块化特性，能够在数据稀缺条件下转移到其他智能地质图像分析任务中，如矿物分割和裂缝检测。

**样本和数据准备**
本研究中使用的页岩样本来自中国东部渤海湾盆地内的四个取芯井，代表了具有复杂矿物组成和强微异质性的连续沉积序列。通过扫描电子显微镜获得了776张页岩SEM图像，尺度范围从1到5微米，分辨率为880×1024像素（图3(I)）。图像采集遵循ASTM E986-04标准指南[35]。

**结果和有效性**
为了全面评估模型性能，本研究将HB-Net与多种代表性的完全监督和半监督方法在页岩数据集和公开可用的泥岩数据集上进行了比较。所有实验都在配备24 GB VRAM的NVIDIA RTX 3090 GPU上进行，基于Python 3.8环境。完全监督基线（SupOnly）使用与HB-Net相同的U-Net骨架和数据增强策略，但仅在相应的数据集上进行训练。

**结论**
本文通过首先提出一种考虑异质性的半监督模型HB-Net，解决了页岩SEM图像微孔度表征中标签数据稀少和地质异质性明显的问题，实现了从“平等学习”到“地质感知的聚焦学习”的范式转变。通过构建HR方法，我们整合了多源地质先验知识——包括灰度、熵和孔隙密度——以精确定位关键区域。

**代码可用性**
包含模型架构的源代码可在以下链接下载：https://github.com/mjsdf/HB-Net

**作者贡献声明**
刘培刚：撰写——审阅与编辑、资源获取、资金筹集、数据管理、概念化。
马静：撰写——原始草稿、可视化、验证、软件开发、项目管理、方法论、研究。
杨超志：监督、方法论、研究。
董宏浩：验证、监督、研究、数据管理。
王培杰：验证、监督、研究、数据管理。
李宗民：撰写——审阅与编辑、资金筹集。

**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

**致谢**
本工作得到了国家自然科学基金（项目编号62471494）和国家重点研发计划（项目编号2019YFF0301800）的支持。