海洋沉积物和永久冻土中的天然气水合物是一种具有潜力的过渡燃料，但由于储层不稳定以及较低的开采效率，其有效开采受到限制，而这些问题很大程度上受地质材料微观结构和水合物分布的影响。同步辐射X射线计算机断层扫描技术被用于分析这些参数。该技术能够对含有水合物的沉积物进行高分辨率成像，但水合物与水之间的X射线衰减系数相近，难以区分二者。为解决这一问题，我们提出了一种结合卷积神经网络和K-Means聚类算法的机器学习方法来进行阈值分割。在瑞士光源的TOMCAT光束线上，使用SR-XCT技术对孔隙率为35%的莱顿巴扎德沙样在甲烷水合物形成过程中的样本进行了成像。基于CNN的边缘检测框架首先利用Sobel算子识别出固体颗粒和甲烷气体的灰度边界，随后通过K-Means算法（K值取5，通过肘部法则确定）对边缘区域和非边缘区域进行分割，从而分离出水和水合物特有的灰度值。在去除颗粒和气泡区域后，通过最小-最大归一化处理得到剩余相的概率密度图。时间分析显示，归一化分布出现向左的峰值偏移，表明水合物形成于最大-最小归一化区间内0–0.18的灰度范围内。通过对366组手动标注的数据集进行验证，该方法具有很高的分类精度。这一方法显著提升了分割性能，能够更可靠地量化水合物饱和度以及形成和分解过程中的孔隙尺度变化，从而有助于评估储层行为和开采效率。
