基于三维正演建模认知的改进Mask R-CNN电法测井断层与溶洞智能识别方法

《Journal of Applied Geophysics》：Improved mask R-CNN method for intelligent identification of fractures and vugs in electrical imaging based on 3D forward modeling cognition

　　

本文提出了一种融合三维正演建模认知的改进Mask R-CNN方法，用于电成像测井中裂隙-溶洞的智能识别。TELEA算法被应用于修复电成像数据中的空白条带伪影，有效提升了原始测井图像的质量。设计了融合CBAM双注意力模块的ResNet-50骨干网络，增强了模型在通道维度和空间维度上对裂隙-溶洞结构的特征响应。开发了一个两层BiFPN多尺度特征金字塔融合模块，增强了模型对不同尺度裂隙-溶洞的检测鲁棒性，特别是微尺度目标的检测。改进后的模型达到了0.93的mAP（比基线提高9%），在复杂裂隙-溶洞图像中表现出优异的噪声抑制能力和多尺度适应性。

**引言**

裂隙-溶洞储层在全球油气储量和产量的增长中发挥着关键作用，已成为重要的替代储层空间和高产载体，特别是在高度成熟勘探区和深至超深层地区（Wu等，2025）。全球众多大型油气田已证实裂隙-溶洞储层是实现高产的关键。以中国塔里木盆地塔河-顺南油田为例，它是全球最大的古岩溶碳酸盐岩油田，其储层主要由奥陶系碳酸盐岩中的溶蚀孔洞和裂隙网络组成。其成功开发确立了裂隙-溶洞储层在国家能源战略中的重要地位（Yang等，2008）。类似地，四川盆地的普光气田是中国最大的海相整装气田，其特征是在飞仙关组鲕状滩 dolomite 储层中发育的构造溶蚀孔洞系统，这是形成优质高产储层的控制因素（Zhou等，2012）。这些案例表明，准确识别和评价裂隙-溶洞储层对新油气储量发现和油气田稳产增产具有重要的工业价值。

在传统的裂隙和孔洞识别方法中，电成像测井数据结合图像处理技术形成了以人工交互解释为主导的技术体系。阈值分割是常用技术之一。基于全局阈值分割方法，Zhang（2012）指出，此类方法在均质储层中表现良好，但在高度非均质的碳酸盐岩裂隙-溶洞储层中效果不佳。在图像处理方面，形态学运算起着重要作用。通过设计合理的形态学运算符序列，Tang（2013）证明该方法可以有效连接断裂的裂隙迹线，但其参数需要根据具体地质条件进行调整，导致通用性较差。Hough变换也是裂隙识别的常用工具。Cruz等（2017）将Hough变换与深度学习算法相结合，尽管该方法可以有效提取裂隙特征，但需要协调优化两个结构差异较大的模块，导致模型复杂度和计算成本显著增加。作为传统方法的关键环节，特征提取直接影响识别精度。Song（2019）提出了一种基于知识的裂隙识别系统，通过提取17种形态学和统计特征，实现了约85%的分类准确率；Tian和Yang（2015）专注于描述溶蚀孔洞的几何特征并建立了系统参数体系。然而，传统的参数计算方法仍存在局限。Li等（2023）指出，人工测量裂隙倾角的误差通常达到5°–10°，且效率较低；通过对比实验，Wu（2020）发现不同解释人员对相同数据的识别结果最大差异可超过20%，反映出传统方法对人工经验的依赖以及结果的不稳定性。

近年来，人工智能技术快速发展，深度学习的兴起为裂隙-溶洞结构的识别提供了新途径。U-Net、PSPNet、FCN、DeepLabv3+、Faster R-CNN和Mask R-CNN等高级算法凭借其强大的特征提取和模式识别能力，正逐渐重塑裂隙-溶洞识别的研究范式。

作为计算机视觉中的关键任务，目标检测能够识别图像中目标物体的类别和位置（Zheng等，2023）。应用于成像测井数据时，目标检测算法可以有效学习地层特征并构建自动化识别系统。Dias等（2020）使用Faster R-CNN模型定位声波成像数据中的裂隙和井壁突破区域，取得了令人满意的结果。然而，该方法无法对地质特征进行分割，无法提取各条已检测裂隙进行相关参数计算。

语义分割网络的出现成为技术突破的关键驱动力。Long等（2015）提出的全卷积网络（FCN）通过反卷积层恢复特征图分辨率，实现了像素级类别预测。Li等（2019）开发了基于DeepLabv3+的成像测井数据智能裂隙识别方法，实现了地质结构的有效像素级分类。Li（2022）将改进的U-Net架构引入多源测井数据融合分析，实现了裂隙和孔洞的像素级分割，交并比（IoU）为0.78。Shen等（2025）提出了一种增强的PSPNet用于电成像测井中的自动裂隙识别，进一步提高了裂隙特征提取的精度。然而，传统的语义分割方法仅关注每个像素的分类，无法区分不同裂隙和孔洞的个体实例。这一固有局限使其难以实现独立目标提取、几何参数计算和裂隙-溶洞储层的定量评价，不能完全满足精细测井解释的需求。

实例分割技术的应用开创了新的研究方向。He等（2017）提出的Mask R-CNN框架集成了特征金字塔网络，在目标检测和实例分割方面表现出优异性能，已被广泛应用于裂隙检测。国内在该领域的研究也取得了显著进展：Chen等（2025）改进了基于旋转自注意力机制的Mask R-CNN方法，显著提高了桥缝检测精度；Wang等（2023）将改进的Mask R-CNN应用于散货船压载舱的裂隙检测，验证了该方法的工业适用性；Qiu等（2024）开发了一种结合优化Mask R-CNN模型的渐进式自动标注框架，既能准确检测裂隙，又能自动提取几何参数；Liu（2018）探索了一种融合阵列声波和电成像测井数据的多模态数据融合方法，提高了复杂储层的评价能力。这些研究表明，实例分割算法正逐渐取代传统人工解释方法，成为裂隙-溶洞识别的主流研究方向。

目前，电成像测井主要依赖电阻率图像的形态特征来识别裂隙-溶洞结构，对裂隙-溶洞系统三维表征和连通性评价的研究仍相对较少。特别是对于小尺度裂隙-溶洞结构的识别，传统图像处理方法在分辨率和精度方面存在明显局限。然而，大多数现有深度学习方法简单采用通用计算机视觉模型，未充分考虑电成像测井的响应机制，在碳酸盐岩地层中对微裂隙和微孔洞的特征提取不足、多尺度适应性弱、噪声鲁棒性有限，限制了其识别精度和现场适用性（Fang等，2020a；Fang等，2020b）。为应对这些挑战，本研究构建了一个融合三维正演建模认知的改进深度学习框架，旨在实现电成像测井中裂隙-溶洞体的智能准确识别，并完成微尺度裂隙-溶洞的定量参数计算和表征。实验表明，该方法能有效实现裂隙-溶洞结构的准确提取，弥补了传统方法在微尺度裂隙-溶洞结构识别方面的不足。

**章节摘要**

**主要研究内容**

本文的主要研究内容是通过改进Mask R-CNN算法来实现电成像数据中裂隙-溶洞结构的智能识别，主要包括四个研究阶段：数据处理、模型构建、模型训练和模型评估。具体实施过程如下：①将电成像数据的长图裁剪为尺寸为316×640的400幅图像数据，并进行预处理操作。

**基于三维正演建模的认知建立**

在电成像测井过程中，地层中的电流分布遵循稳恒电流场规律。在电导率σ为常数的区域，电位函数u满足柱坐标系下的拉普拉斯方程：

$$\frac{1}{r}\frac{\partial}{\partial r}\left(r\sigma\frac{\partial u}{\partial r}\right)+\frac{1}{r^2}\frac{\partial}{\partial \phi}\left(\sigma\frac{\partial u}{\partial \phi}\right)+\frac{\partial}{\partial z}\left(\sigma\frac{\partial u}{\partial z}\right)=0$$

基于此物理原理，本研究在仿真软件平台上建立了裂隙-溶洞结构的三维有限元模型，模拟其在电成像测井中的电流响应特征。

**孔洞和裂隙识别算法理论**

本研究构建了一个基于改进深度学习算法的完整裂隙-溶洞识别系统：首先采用图像修复技术解决数据质量问题；然后使用实例分割网络实现裂隙-溶洞结构的精确提取，并引入注意力机制增强特征表达能力。同时，设计了一个多尺度特征金字塔融合模块以提高检测……

**数据准备与预处理**

本研究数据来源于变质埋藏式低凸起储层的电成像数据集。经过处理后，获得了400幅尺寸为316×640的电成像图像。由于空白条带会影响后续图像标注和模型训练的准确性，采用TELEA算法完成空白条带的修复，如图11(b)所示。完成空白条带修复后，对图像数据集进行了一系列预处理操作以提高……

**结论**

针对电成像测井图像中裂隙-溶洞识别的问题，本研究构建了一种融合三维正演建模和改进Mask R-CNN的智能识别方法。在数据预处理、图像标注、网络设计、实验验证等方面进行了系统研究。在数据预处理阶段，采用TELEA算法修复因电极板接触不良导致的条带缺失，提高了……

**CRediT作者贡献声明**

吴昊涛：原稿撰写、方法论、形式分析、数据整理。
方思男：审稿与编辑、监督、项目管理、方法论、资金获取、概念构思。
林桂兰：验证、资源、数据整理。
李曼欣：形式分析、数据整理。
薛晨曦：可视化、方法论、形式分析。
张泽宇：验证、数据整理。
陈阳：资源、项目管理。
马浩：审稿与编辑、验证。

**利益冲突声明**

作者声明不存在可能影响本文所述工作的已知经济利益或个人关系。

**致谢**

本工作受国家自然科学基金（青年项目，批准号42204127）、中国博士后科学基金（面上项目，批准号2017M622382）和湖北省教育厅科学技术研究项目（批准号Q20221304）资助。

吴昊涛 | 方思男 | 林桂兰 | 李曼欣 | 薛晨曦 | 张泽宇 | 陈阳 | 马浩