Lamination Type Recognition with Artificial Intelligence Based on Optical Thin Section
-
摘要:
纹层类型的准确识别是光学薄片技术在油田勘探开发过程中的一个重要应用。在页岩储层改造过程中，由于页岩特有的薄层理构造与非均质性，准确识别地层中纹层类型，对选取储层改造位置和优化改造方案具有重要意义。光学大薄片相较于传统测井数据具有更加精确的岩性划分，相较于普通薄片具有更大尺度的纵向连续岩性变化规律特征，可提供厘米级别的储层信息，从而能够准确划分纹层类型，优选工程甜点。基于卷积神经网络（CNN）构建了纹层分类模型（简称CNN模型），利用纵向上连续的光学大薄片数据，CNN模型可以准确识别细砂质纹层、粉砂质纹层和泥质纹层，分类精度最高达73%，且分类准确率优于YOLOv5模型。研究结果表明，CNN模型能够有效实现纹层类型智能识别，且能够应对复杂背景和精细纹层特征，为页岩油气储层的精细化表征和开发提供了一种高效、精准的解决方案。
Abstract:The accurate recognition of lamination types is an important application field of optical thin section technology in the process of oilfield exploration and development. In the process of shale reservoir stimulation, due to the unique thin bedding structure and heterogeneity of shale, it is of great significance to accurately identify the lamination types in the formation for selecting the reservoir stimulation location and optimizing the stimulation plan. Compared with the well logging data, the large optical thin sections can achieve more accurate lithology division, and they have more obvious longitudinally continuous lithology variation characteristics than the ordinary thin sections, which can provide reservoir information at the centimeter level, so as to accurately classify the lamination types and optimize the engineering sweet spots. A lamination classification model (referred to as the CNN model) was constructed based on a convolutional neural network (CNN), and three types of lamination were classified and recognized by longitudinally continuous large optical thin section data. The results show that the CNN model can accurately identify fine sand lamination, silty sand lamination, and argillaceous lamination, and the classification accuracy can reach 73% and it is better than that of the YOLOv5 model. The results show that the CNN model can effectively realize intelligent lamination recognition and can deal with complex background and fine lamination features, which provides an efficient and accurate solution for the fine characterization and development of shale oil and gas.
-
Keywords:
- shale /
- lamination type /
- optical thin section /
- image classification /
- neural network /
- intelligent recognition
-
近年来，凝胶因其高强度、低成本的特性，广泛应用于调剖堵水[1]、分段压裂[2]、暂堵转向[3]等方面，解决了油气高效复产增产问题。超高强度凝胶大多用于临时封堵、暂堵作业中，施工完成后需要对凝胶进行破胶处理，因此，明确凝胶的破胶降解机理、利用降解动力学预测凝胶降解时间能够更好地保障后续油田生产活动。目前，国内外普遍采用化学法破胶，诸多学者通常从破胶剂种类、浓度、破胶时间等方面量化凝胶的破胶降解性能，但没有深入研究破胶降解机理，李亮等人[4]研制了不同组分和质量分数的碱液进行破胶降解实验，发现100%的碱液破胶效果最好。赵明伟等人[5]以1%煤油为破胶剂，在温度80 ℃下破胶后体系失去了剪切变稀特性，实现完全破胶。刘一唯等人[6]在环境响应型暂堵凝胶作业后，采用微量破胶剂实现迅速破胶，破胶时间可以控制在2～5 h。李昭滢等人[7]使用0.1%过硫酸铵作为破胶剂，温度90 ℃以上时可以实现8 h内破胶。Jia Hu等人[8]研制了一种新型高强度可降解纳米复合凝胶，使用盐酸作为破胶剂，凝胶的体积显著收缩，强度逐渐降低，可在48 h内实现完全破胶。汪万飞等人[9]研制了破胶剂过硫酸钠，在60 ℃下，30%过硫酸钠破胶20 h后，残液黏度64.4 mPa·s，达到返排要求。目前，大多数破胶降解的文献缺少降解动力学角度的研究，不能预测凝胶降解过程，DSC技术能反映凝胶在加热过程中的吸热和放热行为，可以作为研究凝胶降解动力学的一种简单有效的方法。前期采用空间网络多级加固的方法，构建了超高强度凝胶USGel[10]，并确定了USGel的最优破胶剂[11]。笔者针对暂堵作业中凝胶降解与返排困难问题，通过DSC测试研究USGel的氧化降解动力学，采用Horowitz-Metzger、Coats-Redfern和Flynn-Wall-Ozawa模型，计算并对比分析了降解动力学参数，确定了适合USGel的降解动力学模型，对不同温度的降解过程进行预测；结合SEM和FTIR红外分析，揭示了破胶剂的作用机理，探讨了USGel的破胶降解过程，研究结果为改进油气井暂堵破胶技术提供了理论依据。
1. 破胶剂质量分数优选
1.1 材料与仪器
丙烯酰胺，过硫酸铵（分析纯）；氢氧化钠（> 97.0%）；6%过氧化氢；N,N'-亚甲基双丙烯酰胺（97.5%）；聚合物（USP级）；无机交联剂（97.0%）。
仪器包括JJ-1精密增力电动搅拌器，电子天平，UF110烘箱，DSC823差示扫描量热仪。
1.2 活化剂质量分数优选
根据前期的研究结果[11]，确定破胶剂的质量分数为4.5%～6.0%氧化剂H2O2+2.0%～4.0%活化剂NaOH。氧化剂质量分数不变，设置4组样品：样品1（6.0%H2O2+2.0%NaOH）、样品2（6.0%H2O2+ 4.0%NaOH）、样品3（6.0%H2O2+6.0%NaOH）、样品4（6.0%H2O2+ 8.0%NaOH）。将置于铝密封锅的USGel与破胶剂放入差示扫描量热仪中，氮气吹扫速率为50 cm3/min，并设置一个空的铝密封锅作为参考样本，进行非等温降解过程，得到温度30～240 ℃下的DSC曲线。通过分析DSC曲线，确定适合降解USGel的活化剂质量分数。不同质量分数活化剂NaOH 的USGel非等温降解DSC曲线如图1所示。
![]()
图 1 不同质量分数活化剂的USGel非等温降解DSC曲线Figure 1. DSC curves for non-isothermal degradation of USGel with different activator concentrations从图1可以看出，4个样品的DSC曲线峰值温度分别为114，120，119和119 ℃，不同样品DSC曲线的峰值温度相差小；样品3、样品4的活化剂质量分数虽然增加，峰值温度反而出现下降。样品2的破胶结束温度为165 ℃，大于其他3种样品的结束温度，说明样品2降解USGel更彻底，破胶效果更好。此外，活化剂质量分数过高，可能会对井筒造成损伤，综合考虑高效、安全、经济等因素，选择4.0%NaOH作为活化剂。
1.3 氧化剂质量分数优选
活化剂质量分数为4.0%，将氧化剂质量分数作为变量，设置4组样品：样品1（2.0%H2O2+4.0%NaOH）、样品2（4.0%H2O2+4.0%NaOH）、样品3（6.0%H2O2+4.0%NaOH）和样品4（8.0%H2O2+4.0% NaOH）。通过分析DSC曲线数据，明确适合降解USGel的氧化剂质量分数。不同质量分数氧化剂H2O2的USGel非等温降解DSC曲线如图2所示。
![]()
图 2 不同质量分数氧化剂的USGel非等温降解DSC曲线Figure 2. DSC curves for non-isothermal degradation of USGel with different oxidant concentrations从图2可以看出，4个样品 DSC曲线的峰值温度分别为117，112，120和105 ℃，不同样品DSC曲线的峰值温度相差不大，说明改变氧化剂H2O2质量分数不影响破胶效果；样品4的氧化剂质量分数最高，峰值温度反而低于其他3个样品，说明氧化剂H2O2质量分数大于6%时，可能会影响破胶效果。样品3破胶反应结束温度为165 ℃，大于其他3种样品的结束温度，说明样品3降解USGel更彻底，破胶效果更好。此外，较高质量分数的氧化剂存在安全隐患，并且会对井筒造成损伤，兼顾高效、安全、经济等因素，选择6%H2O2作为氧化剂进行后续实验。
2. 降解动力学模型优选
初步选择Horowitz-Metzger、Coats-Redfern和Flynn-Wall-Ozawa模型，计算得到USGel降解动力学参数，再优选出适合USGel的降解动力学模型。结合前期研究结果和破胶剂质量分数优选实验，选择6.0%H2O2+4.0%NaOH作为破胶剂。将置于铝密封锅的USGel与破胶剂放入差示扫描量热仪中，氮气吹扫速率为50 cm3/min，并设置一个空的铝密封锅作为参考样品，设置升温速率分别为2，4，6和8 ℃/min，进行非等温降解过程，得到温度30～240 ℃下的DSC曲线（见图3）。
![]()
图 3 不同升温速率下的USGel非等温降解的DSC曲线Figure 3. DSC curves for non-isothermal degradation of USGel at different heating rates从图3可以看出，不同升温速率下的DSC曲线均只有一个吸热峰，说明降解过程中没有新的产物产生[12]；随着升温速率增大，峰型逐渐变大，峰值温度逐渐升高。结合式（2），对DSC曲线进行积分运算，得到不同升温速率下转化率与温度关系曲线（见图4）。
2.1 Horowitz-Metzger模型
采用Horowitz-Metzger模型[13]研究USGel降解动力学。该模型假设热分解过程中无中间产物，反应参数（E，A，n，k）在实验对应的热分解温度范围内不发生变化。给定
θ=T−TS ，将TS 定义为(1−α)S=1e=0.368 时的温度，导出方程如下：lng(α)=lnART2SβE−ERTS+EθRT2S (1) 式中：E为活化能，kJ/mol；A为指前因子，s−1；n为反应级数；k为速率常数，s−1；
θ 为温度偏移量，K；T为绝对温度，K；TS 为特征温度，K；α 为转化率；R为气体常数，取值8.314 J/（mol·K）；β 为升温速率，K/min；g(α)为动力学机理函数。根据DSC曲线，转换程度
α 可计算如下：α=HiHo=SiSo (2) 式中：
Hi 为某坐标点对应的焓，kJ/mol；Ho 为DSC曲线上的焓，kJ/mol；Si 为偏峰面积，m2；So 为DSC曲线的原始谱峰面积，m2。式（1）中，动力学函数
g(α) 与假定值n密切相关，当n=1 时，线性决定系数最大，g(α)=−ln[−(1−α)] ，根据直线斜率计算出活化能E与模型系数lnA。不同升温速率下
ln(ln(11−α)) 与θ 的关系如图5所示，经过线性拟合计算得出的Horowitz-Metzger模型的相关参数如表1所示。从图5和表1可以看出，拟合直线与各数据点基本重合，相关度均极高，说明破胶剂破胶过程中没有新产物产生，为一级降解反应。![]()
图 5 Horowitz-Metzger模型不同升温速率下RGB]34,86,159ln(ln(11−α)) 与θ的关系Figure 5. The relationship betweenRGB]34,86,159ln(ln(11−α)) and θ=T−TS under different heating rates in Horowitz-Metzger model表 1 Horowitz-Metzger模型降解动力学参数Table 1. Degradation kinetics parameters of Horowitz-Metzger modelβ/(K·min−1) E/(kJ·mol−1) TS/K 斜率 截距 lnA 决定系数 2 66.696 358.41 0.062 45 0.005 68 20.31 0.994 4 67.288 383.15 0.055 13 -0.035 40 19.69 0.992 6 60.021 396.33 0.045 93 -0.009 04 16.92 0.999 8 53.871 404.15 0.039 67 -0.003 04 14.82 0.999 2.2 Coats-Redfern模型
Coats-Redfern模型[14]是采用积分计算活化能的方法。根据非等温动力学理论和Arrhenius方程，热降解动力学方程可表示为：
dαdt=kdαdT=Ae−ERT×g(α) (3) 对式（3）积分，得到Coats-Redfern方程：
ln(g(α)T2)=ln[ARβE(1−2RTE)]−ERT (4) 式（4）中，动力学函数
g(α) 与假定值n密切相关，当n=1时，g(α)=−ln[−(1−α)] 线性决定系数最大，根据直线斜率计算出活化能E与模型系数lnA。不同升温速率下
ln(ln(11−α)/T2) 与T −1的关系如图6所示，经过线性拟合计算得出的Coats-Redfern模型的相关参数如表2所示。从图6和表2可以看出，拟合直线与各数据点基本重合，相关度较高。![]()
图 6 Coats-Redfern模型不同升温速率下RGB]34,86,159ln(ln(11−α)/T2) 与T−1的关系Figure 6. Relationship betweenRGB]34,86,159ln(ln(11−α)/T2) and T−1 under different warming rates in Coats-Redfern model表 2 Coats-Redfern模型降解动力学参数Table 2. Degradation kinetics parameters of Coats-Redfern modelβ/(K·min−1) E/(kJ·mol−1) n 斜率 截距 lnA 决定系数 2 54.882 1 −6 601.19 6.652 16.26 0.995 4 25.031 1 −3 010.73 −5.122 4.66 0.972 6 23.954 1 −2 881.14 −6.05 4.13 0.973 8 21.210 1 −2 551.08 −7.428 2.87 0.952 2.3 Flynn-Wall-Ozawa模型
Flynn-Wall-Ozawa方法[15]是一种无模型方法，通过测量在不同加热速率下中转化率α所对应的温度，并绘制lgβ与T−1的关系曲线，通过线性拟合得到曲线斜率为−E/R。不同转化率下lgβ与T−1的关系如图7所示，表3为线性拟合计算得到的Flynn-Wall-Ozawa方法的相关参数。
![]()
图 7 Flynn-Wall-Ozawa模型不同转化率α下lgβ与T−1的关系Figure 7. Relationship between lgβ andT−1 under different conversions α of Flynn-Wall-Ozawa model表 3 Flynn-Wall-Ozawa模型降解动力学参数Table 3. Degradation kinetics parameters of Flynn-Wall-Ozawa modelα，% E/(kJ·mol−1) 斜率 截距 lnA 决定系数 10 24.22 −2 912.62 9.36 6.58 0.988 20 17.63 −2 120.00 6.64 5.21 0.977 30 17.14 −2 061.44 6.30 5.18 0.961 40 16.80 −2 020.85 6.08 5.14 0.968 50 16.26 −1 955.15 5.82 5.11 0.982 60 15.79 −1 899.18 5.60 5.05 0.992 70 15.06 −1 811.72 5.31 5.01 0.996 80 14.34 −1 724.87 5.02 4.96 0.994 90 13.47 −1 620.38 4.69 4.97 0.994 从图7和表3可以看出，拟合直线与各数据点基本重合，相关度极高。
2.4 不同模型对比分析
Horowitz-Metzger、Coats-Redfern、Flynn–Wall–Ozawa 等3个模型的平均线性决定系数分别为0.996，0.973和0.984，相关度高，拟合效果良好，说明USGel降解过程属于一级反应过程。Coats-Redfern模型和Horowitz-Metzger模型普遍适用于降解动力学研究[16]，Horowitz-Metzger模型动力学参数不包含T，与其他模型相比，受dα/dt和T关系的影响较小，因此该模型计算的不同升温速率下活化能相差不大，更具有普遍性[17]。Coats-Redfern模型假设无论转化程度如何，活化能都保持恒定，这与前文数据明显不符。分析认为，Coats-Redfern模型侧重反应顺序对降解动力学的影响，更适合多级反应降解动力学的研究；Horowitz-Metzger模型侧重分解速率，更适合一级反应降解动力学的研究[18]。USGel不属于自降解，Coats-Redfern模型和Flynn–Wall–Ozawa模型计算得出的活化能偏低，Horowitz-Metzger模型因为存在动力学补偿效应，更适合USGel降解动力学研究[19]。综上所述，采用Horowitz-Metzger模型研究USGel降解动力学。
指前因子是一个由化学反应本性决定的常数，与反应剧烈程度关系密切，通常与活化能正相关。活化能是聚合物热稳定性的指标，活化能越大，表明聚合物降解所需的能量越大[17]；随着升温速率增大，活化能逐渐减小，说明降解过程变得容易。因此，可以通过增大升温速率的方式提高降解效率，USGel在高温油藏中更容易降解。
3. 降解时间预测
采用Semenov方程[20]，计算USGel在不同温度下的降解时间：
t=e(a′+b′T) (5) 其中a′=lng(α)−lnA (6) b′=E/A (7) 当
g(α)=(1−α)n ，n=1时：t=1Ae[ln(−ln(1−α))+ERT] (8) 通过上述分析，选择Horowitz-Metzger模型预测降解时间，该模型计算得到的USGel降解平均活化能E=61.969 kJ/mol，lnA=17.94。通过老化实验可知，USGel在转化率α大于70%时，容易返排。式（8）两边取对数，得到：
lnt=ln[−ln(1−α)]−lnA+ERT (9) 将E=61.969 kJ/mol，lnA=17.94，α=0.70代入式（9）中，即得到降解时间与温度的方程：
lnt=7453.57T−17.75 (10) 为修正Semenov方程与老化实验结果之间的误差，引入修正系数a，b，可得：
lnt=7453.57aT−17.75b (11) 为降低温度对于降解时间预测的影响，设置不同的温度范围，分别修正Semenov方程。
3.1 低温（30～50 ℃）降解时间预测
开展USGel和破胶剂温度在30～50 ℃的破胶实验，分别得到不同破胶时间USGel的转化率，拟合上述数据点，得到低温下USGel转化率与破胶时间关系（见图8）。
转化率
α =0.70时，温度30，40和50 ℃对应的3个数据点（30 ℃，37.8 h）、（40 ℃，31.6 h）、（50 ℃，23.9 h）代入式（11）拟合，经计算得出a=0.30，b=0.21，得到温度30～50 ℃下USGel降解预测经验公式：lnt=2236.07T−3.73 (12) 3.2 中温（60～80 ℃）降解时间预测
开展USGel和破胶剂在温度60～80 ℃的破胶实验，分别得到不同破胶时间USGel的转化率，拟合上述数据点，得到中温下USGel转化率与破胶时间关系（见图9）。
转化率
α =0.70时，温度60，70和80 ℃对应的3个数据点（60 ℃，18 h）、（70 ℃，12.8 h）、（80 ℃，5.1 h）代入式（11）进行拟合，经计算得出a=1.00，b=1.10，得到温度60～80 ℃下USGel降解预测经验公式：lnt=7453.57T−19.53 (13) 3.3 高温（90～110 ℃）降解时间预测
开展USGel和破胶剂在温度90～110 ℃的破胶实验，分别得到不同破胶时间USGel的转化率，拟合上述数据点，得到高温下USGel转化率与破胶时间关系（见图10）。
转化率
α =0.70时，温度90，100和110 ℃对应的3个数据点（90 ℃，4.4 h）、（100 ℃，3.3 h）、（110 ℃，2.4 h）代入式（11）进行拟合，计算得出a=0.56，b=0.56，得到温度90～110 ℃下USGel降解预测经验公式：lnt=4174T−9.94 (14) 3个降解预测经验公式中，中、高温经验公式修正幅度较小，因此该模型适用于预测USGel在中、高温油藏的降解时间。
4. 破胶机理研究
4.1 老化实验
按照前期研究介绍的方法[11]制备USGel母液，充分搅拌后将母液注入到蓝色玻璃瓶中，放入烘箱成胶。待成胶后，制备破胶剂，注入含USGel的蓝色玻璃瓶中，再次放入烘箱中破胶降解，每隔15 min观察破胶效果。为方便实验观察与数据记录，实验温度为105 ℃，破胶不同时间的凝胶质量保留率如图11所示。
从图11可以看出，破胶0～75 min时，破胶剂在破胶的同时会被吸收到凝胶内，导致USGel质量稍微增大；破胶75～180 min时，USGel质量保留率显著下降，破胶效果良好；破胶180～240 min时，USGel质量保留率先下降缓慢，然后快速下降为零。分析认为，凝胶破胶规律为“层状破胶”，破胶剂先接触凝胶，接着慢慢软化该层凝胶，破胶剂“穿梭”于该层凝胶中，使该层凝胶完全浸泡在破胶剂中；再接触下面一层凝胶，重复上述步骤的过程中，第一层凝胶脱落化成液体。破胶240 min时，凝胶先溶胀吸收破胶剂导致质量增加，接着破胶剂渗透到凝胶与壁面接触点，老化该处凝胶，使最后一段凝胶脱落，USGel质量保留率降为零。需要注意的是，在破胶剂中浸泡240 min后形成的小段USGel强度较低，足以随破胶剂返排。
4.2 微观变化规律
样品在低温下冷冻并真空干燥后，采用XL30型扫描电镜，在加速电压30 kV、温度105 ℃条件下，对破胶0，30，60，90，120和150 min的样品进行分析。不同破胶时间的USGel微观结构变化如图12所示。
![]()
图 12 105 ℃下破胶不同时间USGel微观结构变化Figure 12. The change of USGel microstructure at different time of breaking at 105 ℃由图12可见，原始状态凝胶呈蛛网状结构，孔隙分布较为均匀，可以作为优良的暂堵材料（见图12（a））。破胶30，60 min的凝胶微观结构如图12（b）、（c）所示，此时被破胶部分还未脱落，但已经形成了一部分较大的、不规则的孔隙。破胶90，120和150 min的微观结构如图12（d）—（f）所示，此时大部分的聚合物分子链已经断裂，形成了超大孔隙，并且超大孔隙中还出现了许多的小孔隙，小孔隙之间的聚合物分子链也在不断断裂并形成更多的大孔隙，这与Qiu Liewei等人[21]的实验扫描电镜结果一致。最终，诸多超大孔隙之间的聚合物分子链发生断裂，USGel变成液体。
4.3 红外光谱分析
采用傅里叶变换红外光谱仪（WAF-520），在吸光度模式下采集400～4 400 cm−1的光谱，波数精度±0.5 cm−1，最佳分辨率为0.5 cm−1，信噪比10 000∶1。破胶实验时，样品破胶0，30，60和90 min后，烘干研磨成固体粉末，采用Main FTOS仪器进行光谱分析。样品1（原始状态）、样品2（破胶30 min）、样品3（破胶60 min）、样品4（破胶90 min）的红外光谱如图13所示。
从图13可以看出，样品1的3 419 cm−1位置可能包含AM的—NH2不对称伸缩振动峰和聚合物HC的—OH伸缩振动峰，加入破胶剂后3 400 cm−1左右的峰值减弱，可能是破胶剂消耗了AM中酰胺基团（—CONH2）的—NH2键和HC中羧基（—COOH）的—OH键。样品1的1 664 cm−1位置可能包含C=O键伸缩振动峰和C=C伸缩振动峰，加入破胶剂后1 664 cm−1左右的峰值减弱，可能是破胶剂消耗了C=O键和C=C键。对比样品1和样品2，各位置峰值明显减弱，说明在30 min内，破胶剂消耗了大部分化学键，溶解大部分聚合物分子链，形成超大孔隙。对比样品2和样品3，各位置峰值减弱幅度小，对比样品3和样品4，各位置峰值没有明显变化，说明破胶剂在30～60 min内消耗了剩余的化学键，连接超大孔隙的聚合物分子链发生溶解，与扫描电镜实验结果对应，将USGel变成液体，实现彻底破胶。
5. 结论与建议
1）Horowitz-Metzger模型适用于USGel的降解动力学研究，模型相关度较高；推导的低、中、高温下USGel降解时间预测经验方程，适用于预测凝胶在中高温油藏的降解时间。
2）破胶剂逐步消耗USGel中的化学键，USGel内部规则均匀孔隙逐步变成不规则较大孔隙；进一步降解，变成超大孔隙；最后，超大孔隙之间的聚合物分子链断裂，USGel降解成液体返排。
3）本文仅开展了USGel氧化破胶降解动力学研究，未进行其他破胶方法的动力学研究，建议今后针对其他的破胶方法开展降解动力学研究，并根据实际工况细化温度点，进一步优化降解时间预测模型。
-
![]()
图 1 纵向连续光学大薄片图像
Figure 1. Images of longitudinally continuous large optical thin sections
![]()
图 3 3类纹层标签图像分割结果
Figure 3. Segmentation results of labelled images of three types of lamination
![]()
图 5 3类纹层图像特征的提取结果
Figure 5. Extraction results of three types of lamination image feature
![]()
图 6 3个样品的CNN模型纹层分类测试结果
Figure 6. Lamination classification test results of three samples based on CNN model
![]()
图 7 单井段CNN模型测试效果混淆矩阵
Figure 7. Single-well segment test result confusion matrix based on CNN model
![]()
图 8 多井段CNN模型测试效果混淆矩阵
Figure 8. Multi-well segment test result confusion matrix based on CNN model
表 1 单井段CNN模型纹层分类效果
Table 1 Single-well segment lamination classification effects based on CNN model
纹层类型 精度 召回率 F1值 泥质纹层 0.45 0.42 0.44 细砂质纹层 0.71 0.69 0.70 粉砂质纹层 0.62 0.69 0.65 
下载: 导出CSV
表 2 4 669.94～4 670.37 m井段连续纹层识别结果
Table 2 Identification results of continuous lamination in well section of 4 669.94～4 670.37 m
序号 井段/m 纹层类型 准确率 1 4 669.94～4 669.96 细砂质 0.75 2 4 669.96～4 670.00 粉砂质 0.60 3 4 670.03～4 670.07 粉砂质 0.67 4 4 670.07～4 670.09 泥质 0.42 5 4 670.10～4 670.13 细砂质 0.73 6 4 670.13～4 670.18 粉砂质 0.61 7 4 670.21～4 670.27 粉砂质 0.68 8 4 670.31～4 670.34 粉砂质 0.66 9 4 670.34～4 670.37 泥质 0.47
下载: 导出CSV
表 3 多井段CNN模型纹层分类效果
Table 3 Multi-well segment lamination classification effects
纹层类型 精度 召回率 F1值 泥质纹层 0.54 0.53 0.54 细砂质纹层 0.73 0.77 0.75 粉砂质纹层 0.66 0.64 0.65
下载: 导出CSV
表 4 4 711.14～4 712.40 m井段连续纹层识别结果
Table 4 Identification results of continuous lamination in well section of 4 711.14～4 712.40 m
序号 井段/m 纹层类型 准确率 1 4 711.14～4 711.16 粉砂质 0.68 2 4 711.16～4 711.20 细砂质 0.72 3 4 711.31～4 711.35 泥质 0.55 4 4 711.35～4 711.37 细砂质 0.77 5 4 711.68～4 711.73 粉砂质 0.73 6 4 711.90～4 711.91 粉砂质 0.71 7 4 711.91～4 711.93 粉砂质 0.68 8 4 711.93～4 711.95 泥质 0.66 9 4 711.95～4 711.96 粉砂质 0.76 10 4 712.02～4 712.09 泥质 0.68 11 4 712.21～4 712.27 粉砂质 0.72 12 4 712.33～4 712.40 泥质 0.62
下载: 导出CSV
-
[1] 石晓闪,刘大安,崔振东,等. 页岩气开采压裂技术分析与思考[J]. 天然气勘探与开发,2015,38(3):62–65. SHI Xiaoshan, LIU Da’an, CUI Zhendong, et al. Analysis and consideration of fracturing technology for shale gas exploitation[J]. Natural Gas Exploration and Development, 2015, 38(3): 62–65.
[2] 薛承瑾. 页岩气压裂技术现状及发展建议[J]. 石油钻探技术,2011,39(3):24–29. doi: 10.3969/j.issn.1001-0890.2011.03.004 XUE Chengjin. Technical advance and development proposals of shale gas fracturing[J]. Petroleum Drilling Techniques, 2011, 39(3): 24–29. doi: 10.3969/j.issn.1001-0890.2011.03.004
[3] 赵文智,朱如凯,刘伟,等. 中国陆相页岩油勘探理论与技术进展[J]. 石油科学通报,2023,8(4):373–390. ZHAO Wenzhi, ZHU Rukai, LIU Wei, et al. Advances in theory and technology of non-marine shale oil exploration in China[J]. Petroleum Science Bulletin, 2023, 8(4): 373–390.
[4] 刘惠民,王敏生,李中超,等. 中国页岩油勘探开发面临的挑战与高效运营机制研究[J]. 石油钻探技术,2024,52(3):1–10. LIU Huimin, WANG Minsheng, LI Zhongchao, et al. Challenges and efficient operation mechanism of shale oil exploration and development in China[J]. Petroleum Drilling Techniques, 2024, 52(3): 1–10.
[5] FAVERO V, FERRARI A, LALOUI L. On the hydro-mechanical behaviour of remoulded and natural Opalinus Clay shale[J]. Engineering Geology, 2016, 208: 128–135. doi: 10.1016/j.enggeo.2016.04.030
[6] 金之钧,朱如凯,梁新平,等. 当前陆相页岩油勘探开发值得关注的几个问题[J]. 石油勘探与开发,2021,48(6):1276–1287. JIN Zhijun, ZHU Rukai, LIANG Xinping, et al. Several issues worthy of attention in current lacustrine shale oil exploration and development[J]. Petroleum Exploration and Development, 2021, 48(6): 1276–1287.
[7] 贾承造,王祖纲,姜林,等. 中国页岩油勘探开发研究进展与科学技术问题[J]. 世界石油工业,2024,31(4):1–11. JIA Chengzao, WANG Zugang, JIANG Lin, et al. Progress and key scientific and technological problems of shale oil exploration and development in China[J]. World Petroleum Industry, 2024, 31(4): 1–11.
[8] 李阳,曹小朋,赵清民,等. 济阳坳陷陆相断陷盆地页岩油开发的几点思考[J]. 石油钻探技术,2024,52(4):1–7. doi: 10.11911/syztjs.2024074 LI Yang, CAO Xiaopeng, ZHAO Qingmin, et al. Thoughts on shale oil development in continental fault basin in Jiyang Depression[J]. Petroleum Drilling Techniques, 2024, 52(4): 1–7. doi: 10.11911/syztjs.2024074
[9] 胡月,陈雷,周昊,等. 海相页岩纹层特征及其对页岩储层发育的影响:以川南长宁地区龙马溪组为例[J]. 断块油气田,2021,28(2):145–150. HU Yue, CHEN Lei, ZHOU Hao, et al. Lamina characteristics of marine shale and its influence on shale reservoir development: a case study of Longmaxi Formation, Changning area, South Sichuan Basin[J]. Fault-Block Oil & Gas Field, 2021, 28(2): 145–150.
[10] 周忠亚. 纹层型页岩油储层裂缝扩展机理及工艺对策[J]. 特种油气藏,2023,30(6):141–149. ZHOU Zhongya. Mechanism of fracture extension and process countermeasures in grain-type shale oil reservoirs[J]. Special Oil & Gas Reservoirs, 2023, 30(6): 141–149.
[11] 熊敏,陈雷,陈鑫,等. 海相页岩纹层特征、成因机理及其页岩气意义[J]. 中南大学学报(自然科学版),2022,53(9):3490–3508. XIONG Min, CHEN Lei, CHEN Xin, et al. Characteristics, genetic mechanism of marine shale laminae and its significance of shale gas accumulation[J]. Journal of Central South University (Science and Technology), 2022, 53(9): 3490–3508.
[12] 葸克来,李克,操应长,等. 鄂尔多斯盆地三叠系延长组长73亚段富有机质页岩纹层组合与页岩油富集模式[J]. 石油勘探与开发,2020,47(6):1244–1255. XI Kelai, LI Ke, CAO Yingchang, et al. Laminae combination and shale oil enrichment patterns of Chang 73 sub-member organic-rich shales in the Triassic Yanchang Formation, Ordos Basin, NW China[J]. Petroleum Exploration and Development, 2020, 47(6): 1244–1255.
[13] 唐洪明,唐 园,郑马嘉,等. 页岩纹层与破裂方式实验研究[J]. 西南石油大学学报(自然科学版),2022,44(4):51–61. TANG Hongming, TANG Yuan, ZHENG Majia, et al. An experimental study on lamina and fracture mode of shale[J]. Journal of Southwest Petroleum University (Science & Technology Edition), 2022, 44(4): 51–61.
[14] BRITTENHAM M D. Geologic analysis of the Upper Jurassic Haynesville Shale in east Texas and west Louisiana: discussion[J]. AAPG Bulletin, 2013, 97(3): 525–528. doi: 10.1306/01301211200
[15] BROADHEAD R F. Petrography and reservoir geology of Upper Devonian Shales, northern Ohio[J]. USGS Bulletin, 1993, 1909: 1–15.
[16] 贾文婷,牟建业,李小伟,等. 射孔参数对砂砾岩储层压裂的影响[J]. 石油钻采工艺,2024,46(1):97–105. JIA Wenting, MOU Jianye, LI Xiaowei, et al. Impact of perforation parameters on fracturing of glutenite reservoirs[J]. Oil Drilling & Production Technology, 2024, 46(1): 97–105.
[17] 李国欣,刘国强,侯雨庭,等. 陆相页岩油有利岩相优选与压裂参数优化方法[J]. 石油学报,2021,42(11):1405–1416. doi: 10.7623/syxb202111001 LI Guoxin, LIU Guoqiang, HOU Yuting, et al. Optimization method of favorable lithofacies and fracturing parameter for continental shale oil[J]. Acta Petrolei Sinica, 2021, 42(11): 1405–1416. doi: 10.7623/syxb202111001
[18] 金智荣,黄 越,杜浩然,等. 页岩储层水平井密切割压裂射孔参数优化方法[J]. 石油机械,2023,51(6):89–96. JIN Zhirong, HUANG Yue, DU Haoran, et al. A perforating parameter optimization method for horizontal well multi-cluster fracturing in shale reservoirs[J]. China Petroleum Machinery, 2023, 51(6): 89–96.
[19] 韦世明,金衍,夏阳,等. 自发渗吸对页岩油储层压裂后闷井的影响[J]. 石油钻采工艺,2023,45(6):756–765. WEI Shiming, JIN Yan, XIA Yang, et al. Influence of spontaneous imbibition on post-fracturing well soaking in shale oil reservoirs[J]. Oil Drilling & Production Technology, 2023, 45(6): 756–765.
[20] 陈思源,刘浩,金衍,等. 压裂支撑剂发展综述与展望[J]. 石油科学通报,2023,8(3):330–346. CHEN Siyuan, LIU Hao, JIN Yan, et al. Review and prospect of fracturing proppant development[J]. Petroleum Science Bulletin, 2023, 8(3): 330–346.
[21] 郭旭洋,金衍,黄雷,等. 页岩油气藏水平井井间干扰研究现状和讨论[J]. 石油钻采工艺,2021,43(3):348–367. GUO Xuyang, JIN Yan, HUANG Lei, et al. Research status and discussion of horizontal well interference in shale oil and gas reservoirs[J]. Oil Drilling & Production Technology, 2021, 43(3): 348–367.
[22] 匡立春,刘合,任义丽,等. 人工智能在石油勘探开发领域的应用现状与发展趋势[J]. 石油勘探与开发,2021,48(1):1–11. doi: 10.1016/S1876-3804(21)60001-0 KUANG Lichun, LIU He, REN Yili, et al. Application and development trend of artificial intelligence in petroleum exploration and development[J]. Petroleum Exploration and Development, 2021, 48(1): 1–11. doi: 10.1016/S1876-3804(21)60001-0
[23] 蒋廷学,周珺,廖璐璐. 国内外智能压裂技术现状及发展趋势[J]. 石油钻探技术,2022,50(3):1–9. doi: 10.11911/syztjs.2022065 JIANG Tingxue, ZHOU Jun, LIAO Lulu. Development status and future trends of intelligent fracturing technologies[J]. Petroleum Drilling Techniques, 2022, 50(3): 1–9. doi: 10.11911/syztjs.2022065
[24] 郭建春,张宇,曾凡辉,等. 非常规油气储层智能压裂技术研究进展与展望[J]. 天然气工业,2024,44(9):13–26. GUO Jianchun, ZHANG Yu, ZENG Fanhui, et al. Research progress and prospects of intelligent fracturing technology for unconventional reservoirs[J]. Natural Gas Industry, 2024, 44(9): 13–26.
[25] 张世昆,陈作. 人工智能在压裂技术中的应用现状及前景展望[J]. 石油钻探技术,2023,51(1):69–77. ZHANG Shikun, CHEN Zuo. Status and prospect of artificial intelligence application in fracturing technology[J]. Petroleum Drilling Techniques, 2023, 51(1): 69–77.
[26] 樊永东,庞惠文,金衍,等. 基于成像测井的孔缝智能分割与识别[J]. 石油钻采工艺,2022,44(4):500–505. FAN Yongdong, PANG Huiwen, JIN Yan, et al. Intelligent segmentation and recognition of pores and fractures based on imaging logging[J]. Oil Drilling & Production Technology, 2022, 44(4): 500–505.
[27] PSZONKA J, GODLEWSKI P, FHEED A, et al. Identification and quantification of intergranular volume using SEM automated mineralogy[J]. Marine and Petroleum Geology, 2024, 162: 106708. doi: 10.1016/j.marpetgeo.2024.106708
[28] GAO Yuan, YU Zixuan, CHEN Weiqiang, et al. Recognition of rock materials after high-temperature deterioration based on SEM images via deep learning[J]. Journal of Materials Research and Technology, 2023, 25: 273–284. doi: 10.1016/j.jmrt.2023.05.271
[29] WANG Mingyang, WANG Enzhi, LIU Xiaoli, et al. Scale-space effect and scale hybridization in image intelligent recognition of geological discontinuities on rock slopes[J]. Journal of Rock Mechanics and Geotechnical Engineering, 2024, 16(4): 1315–1336. doi: 10.1016/j.jrmge.2023.08.015
[30] 边铁山. 基于SE-YOLOv5模型皮带异物检测算法研究[J]. 中国矿业,2024,33(7):127–134. BIAN Tieshan. Research on belt foreign object detection algorithm based on SE-YOLOv5 model[J]. China Mining Magazine, 2024, 33(7): 127–134.
[31] HAO Huizhen, JIANG Zhiwei, GE Shiping, et al. Siamese adversarial network for image classification of heavy mineral grains[J]. Computers & Geosciences, 2022, 159: 105016.
[32] 曹蒙,王志章,李冰涛,等. 火成岩岩石薄片智能识别及分类方法[J]. 地质论评,2023,69(4):1581–1588. CAO Meng, WANG Zhizhang, LI Bingtao, et al. Intelligent identification and classification method for igneous rock thin sections[J]. Geological Review, 2023, 69(4): 1581–1588.
[33] SEO W, KIM Y, SIM H, et al. Classification of igneous rocks from petrographic thin section images using convolutional neural network[J]. Earth Science Informatics, 2022, 15(2): 1297–1307. doi: 10.1007/s12145-022-00808-5
[34] GAO Yanfang, CHEN Mian, PANG Huiwen. Experimental investigations on elastoplastic deformation and permeability evolution of terrestrial Karamay oil sands at high temperatures and pressures[J]. Journal of Petroleum Science and Engineering, 2020, 190: 107124. doi: 10.1016/j.petrol.2020.107124
[35] 施振生,董大忠,王红岩,等. 含气页岩不同纹层及组合储集层特征差异性及其成因:以四川盆地下志留统龙马溪组一段典型井为例[J]. 石油勘探与开发,2020,47(4):829–840. doi: 10.11698/PED.2020.04.20 SHI Zhensheng, DONG Dazhong, WANG Hongyan, et al. Reservoir characteristics and genetic mechanisms of gas-bearing shales with different laminae and laminae combinations: a case study of member 1 of the Lower Silurian Longmaxi shale in Sichuan Basin, SW China[J]. Petroleum Exploration and Development, 2020, 47(4): 829–840. doi: 10.11698/PED.2020.04.20
[36] WANG Chaofeng, WANG Congyue, WANG Lele, et al. Real-time tracking based on improved YOLOv5 detection in orchard environment for dragon fruit[J]. Journal of the ASABE, 2023, 66(5): 1109–1124. doi: 10.13031/ja.15643
[37] PARK J H, KIM J B, LEE S, et al. Hybrid MLP-CNN-based ground sink susceptibility prediction in urban area using underground pipe map[J]. Reliability Engineering & System Safety, 2024, 245: 110031.
[38] KARIMPOULI S, TAHMASEBI P. Image-based velocity estimation of rock using convolutional neural networks[J]. Neural Networks, 2019, 111: 89–97. doi: 10.1016/j.neunet.2018.12.006
[39] VOULODIMOS A, DOULAMIS N, DOULAMIS A, et al. Deep learning for computer vision: a brief review[J]. Computational Intelligence and Neuroscience, 2018, 2018: 7068349.
[40] KIM W, KANEZAKI A, TANAKA M. Unsupervised learning of image segmentation based on differentiable feature clustering[J]. IEEE Transactions on Image Processing, 2020, 29: 8055–8068. doi: 10.1109/TIP.2020.3011269
计量
- 文章访问数: 80
- HTML全文浏览量: 12
- PDF下载量: 22
