卷积式自动编码器网络基于抓取测试的石质识别
Suling Wang1, Zhihui Ren1, Kangxing Dong2
1School of Mechanical Science and Engineering, Northeast Petroleum University, 199 Fazhan Rd, High-Tech Developing Zone, Daqing, 163318, Heilongjiang, China.
Scientific reports
|August 19, 2025
概括
这项研究引入了一种新的方法,用于识别页岩石结构,使用测试数据和卷积自编码器网络 (CAE). 该CAE方法实现了高精度,改善了利亚奥盆地的水库建模.
科学领域:
- 地质地质地质地质地质地
- 人工智能的人工智能
- 石油工程是石油工程中的一个.
背景情况:
- 大陆页岩构造,例如在丽盆地的页岩构造,表现出频繁的岩石学交替.
- 精确的石质学识别对于精细的水库建模至关重要,特别是在异质页岩水库中.
研究的目的:
- 开发一个高精度的石质学识别方法,用于大陆页岩使用机械性能数据.
- 评估一种新型卷积神经网络 (CNN) 和自编码网络 (AE) 综合方法的性能.
主要方法:
- 对来自山口 (2360米-2409米) 形成的页岩储核心进行了削测试.
- 获得了九个机械特征参数,包括硬度,压力强度和波桑比率.
- 通过整合CNN和AE开发了一种石质学识别方法,采用最佳的尺度选择和与其他神经网络进行比较分析.
主要成果:
- 拟议的方法使用卷积自编码网络 (CAE),在20×9.9的识别尺度下,在测试数据集上实现了89.58%的准确性.
- 在所有石质学识别中,回忆率超过了84%.
- 与其他神经网络方法相比,CAE方法显示出更高的准确性和回忆率.
结论:
- 开发的基于CAE的方法为复杂的页岩构造中的水库石质识别提供了一种新而精确的方法.
- 这种方法为在异质页岩水库中更准确地建模裂变传播提供了基础.
- 这些发现支持在具有相似地质特征的盆地中改进水库表征和管理.


