相关实验视频
Updated: Sep 17, 2025
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
9.4K
使用先进的卷积神经网络对砂岩微观图像细分进行比较分析,并对像素和物理精度进行评估
Mazaher Hayatdavoudi1, Mohammad Emami Niri2, Ahmad Kalhor3
1Institute of Petroleum Engineering, School of Chemical Engineering, College of Engineering, University of Tehran, Tehran, Iran.
Scientific reports
|July 2, 2025
概括
深度学习模型,特别是卷积神经网络 (CNN),显著改善了数字岩石图像细分,以增强水库特征. 这些先进的CNN在准确性和预测流体流动性质方面优于传统方法.
科学领域:
- 地质科学和石油工程 石油科学和石油工程
- 人工智能和机器学习
背景情况:
- 数字岩石图像的自动细分对于水库的表征至关重要,影响透性和流体流量评估.
- 像Otsu值这样的传统方法在准确细分复杂的毛孔结构方面存在局限性.
研究的目的:
- 探索和对最先进的卷积神经网络 (CNN) 架构进行比较,以对岩石微型CT图像进行细分.
- 评估各种CNN模型的性能与传统方法对比,以提高水库表征效率.
主要方法:
- 实现和比较各种CNN架构 (例如,完全卷积网络,编码解码器,基于注意力的模型).
- 基准测量CNN细分精度与Otsu值方法,使用5000个2D砂岩切片的数据集.
- 使用像素精确度指标 (F1分数,二进制IOU,回忆,精度) 进行评估.
- 使用数值模拟方法 (LBM,PNM,CFD) 用CNN分割图像来预测透率和形成因子.
主要成果:
- 与Otsu方法相比,先进的CNN显示出更高的像素分段精度.
- 在预测流体流动特性 (如透性和形成因子) 方面,CNN的性能显著提高.
- EfficientNetB0-Unet,VGG16-Unet和Enet在细分复杂的孔状结构方面显示出了卓越的结果.
结论:
- 深度学习,特别是CNN,在数字岩石图像分析的传统方法上提供了实质性的进步.
- 该研究验证了特定的CNN架构的有效性,用于准确的孔隙结构细分和可靠的石化物理性质预测.
- 优化的CNN模型通过改进的图像分析和模拟输入来提高水库特征的效率和精度.
