利用语义分割深度学习的致密砂岩储层薄片裂缝连通性计算

施宁; 刘敬寿; 张冠杰; 雷新; 罗洋; 王祥

doi:10.12404/j.issn.1671-1815.2501614

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (7) :2834-2843 DOI: 10.12404/j.issn.1671-1815.2501614

石油、天然气工业

利用语义分割深度学习的致密砂岩储层薄片裂缝连通性计算

施宁 ¹^,²^,³ ,
刘敬寿 ¹^,²^,³^,^* ,
张冠杰 ¹^,²^,³ ,
雷新 ⁴ ,
罗洋 ¹^,²^,³ ,
王祥 ¹^,²^,³

作者信息 +

Fracture Connectivity Calculation of Tight Sandstone Reservoir Thin Sections Using Semantic Segmentation Deep Learning

SHI Ning ¹^,²^,³ ,
LIU Jing-shou ¹^,²^,³^,^* ,
ZHANG Guan-jie ¹^,²^,³ ,
LEI Xin ⁴ ,
LUO Yang ¹^,²^,³ ,
WANG Xiang ¹^,²^,³

Author information +

文章历史 +

摘要

天然裂缝的连通有利于储层改造,可以作为不同油气储集单元的连接通道,是勘探开发的研究重点。现有的裂缝连通性计算主要应用于区域断裂体系的连通性分析,依赖地震数据和成像测井质量,数据要求较高,同时忽视了微裂缝对储层的改造作用。为解决上述问题,提出一种基于语义分割深度学习的薄片连通性计算方法。以琼东南盆地黄流组致密砂岩储层的薄片图像为例,计算薄片裂缝的连通性,相较于传统的人工识别,该方法具更高的效率,除部分裂缝识别不够准确,整体上计算误差在10%以下,具有较好的应用前景。对琼东南盆地黄流组致密砂岩储层不同断层区段的裂缝连通性进行计算,得到连通性松涛段>陵水段>崖西—崖南段,与断裂发育程度具有良好的一致性。该方法结合人工智能技术与地质信息,可有效计算薄片尺度的微裂缝连通性,为明确微裂缝对储层的改造作用提供帮助,且该方法数据要求低,适用于勘探开发早期对储层性质的评价。

Abstract

The connectivity of natural fractures is conducive to reservoir reconstruction and can be used as a connecting channel for different oil and gas reservoir units, which is the research focus of exploration and development. The existing fracture connectivity calculation is mainly applied to the connectivity analysis of regional fault system, which relies on the quality of seismic data and imaging logging. The data requirements are high, and the transformation of micro-fractures to reservoirs is neglected. In order to solve the above problems, a slice connectivity calculation method based on semantic segmentation deep learning was proposed. Taking the thin section image of the tight sandstone reservoir of Huangliu Formation in Qiongdongnan Basin as an example, the connectivity of thin section fractures was calculated. Compared with the traditional manual identification, this method has higher efficiency. In addition to the inaccurate identification of some fractures, the overall calculation error was less than 10%, which has a good application prospect. The fracture connectivity of tight sandstone reservoirs in different fault sections of Huangliu Formation in Qiongdongnan Basin was calculated, and the connectivity of Songtao section > Lingshui section > Yaxi-Yanan section was obtained, which was in good agreement with the degree of fault development. This method combines artificial intelligence technology and geological information to effectively calculate the connectivity of micro-fractures at the slice scale, which is helpful to clarify the transformation effect of micro-fractures on reservoirs. Moreover, this method has low data requirements and is suitable for the evaluation of reservoir properties in the early stage of exploration and development.

Graphical abstract

关键词

致密砂岩 / 裂缝识别 / 连通性 / 深度学习 / 语义分割

Key words

tight sandstone / fracture identification / connectivity / deep learning / semantic segmentation

引用本文

引用格式 ▾

施宁, 刘敬寿, 张冠杰, 雷新, 罗洋, 王祥. 利用语义分割深度学习的致密砂岩储层薄片裂缝连通性计算[J]. 科学技术与工程, 2026, 26(7): 2834-2843 DOI:10.12404/j.issn.1671-1815.2501614

SHI Ning, LIU Jing-shou, ZHANG Guan-jie, LEI Xin, LUO Yang, WANG Xiang. Fracture Connectivity Calculation of Tight Sandstone Reservoir Thin Sections Using Semantic Segmentation Deep Learning[J]. Science Technology and Engineering, 2026, 26(7): 2834-2843 DOI:10.12404/j.issn.1671-1815.2501614

登录浏览全文

4963

注册一个新账户忘记密码

在非常规油气勘探过程中,天然裂缝起着十分重要的作用,是勘探成败的关键因素^[1]。天然裂缝的存在有利于改善致密储层的渗透率和孔隙度,连通不同油气储集单元,同时可以作为油气的充注和运移通道^[2]。前人已经对天然裂缝做出了大量的研究,主要聚焦于天然裂缝的类型、发育特征和机制、主控因素以及分布预测等方向^[3-7],但对于裂缝连通性的研究较少。只有当裂缝发生连通作用形成网络结构,才有利于流体的渗流和运移^[5]。因此,裂缝的连通性计算对于油气勘探开发具有重要的作用。

裂缝的连通性计算目前主要基于拓扑学原理^[8],按照裂缝平面展布时不同连接类型总结出不同类型节点,并讨论不同类型节点对于裂缝连通性的控制作用,现有的裂缝连通性计算主要应用于区域断裂体系的连通性分析^[9-10],缺少对储层内部小尺度裂缝的精细刻画,忽视了微裂缝对储层的改造作用^[11],且断裂体系连通性分析依赖于地震数据和成像测井质量,数据要求较高。薄片裂缝以二维展布为主,交切关系直观,信息含量高,可以直观刻画裂缝连通情况^[12],若进一步结合分形理论,利用自相似性同样可以反映区域断裂的连通性质^[13],具有数据要求低的特点,且可以进行储层内部连通性精细刻画。因此,基于薄片微裂缝的连通性计算存在巨大的发展和改进空间。

人工智能技术的快速发展,使得其对大规模数据的处理和统计成为可能,特别是语义分割和深度学习技术,可以充分利用图像信息进行数据统计,打破了传统模式对于数据的理解^[14]。在岩石薄片图像中,包含着大量的地质信息,结合人工智能技术可以进行深度挖掘利用,提高工作自动化程度和普及程度,减少对于人工经验的依赖^[15-16]。现通过对传统裂缝连通性计算方法进行改进,以琼东南盆地黄流组致密砂岩储层薄片图像为例,构建裂缝语义分割模型,结合裂缝骨架提取程序获取单像素图像,采用自设计的算法识别图像中不同类型节点。通过统计裂缝拓扑形态下不同类型节点的数量,计算裂缝连通性,明确不同断层区段裂缝连通性的差异,探究人工智能技术应用于裂缝连通性计算的可能性,以期为油气勘探开发提供新的思路。

1 地质概况

琼东南盆地位于南海西北部大陆边缘,面积约50 000 km²,为新生代拉张型盆地,盆地整体走向为北东—南西向^[17]。盆地西部由一号断裂带与莺歌海盆地相连,北部与南海隆起区邻接,东北部为神狐隆起区,南部紧靠永乐隆起^[18][图1(a)]。在地层发育上,主要由新生界和第四系组成,经历了2个演化阶段,在早期古近纪的断陷阶段,盆地依次沉积始新统陆相岭头组(E₂l)、下渐新统海陆过渡相崖城组(E₃y)、上渐新统滨—浅海相陵水组(E₃l);在后期的新近纪坳陷阶段,由于海水加深,盆地连续接受海相沉积,依次沉积形成下中新统三亚组(N₁s)、中中新统梅山组(N₁m)、上中新统黄流组(N₁h)、上新统莺歌海组(N₂y)和第四系乐东组(Q₁d)[图1(b)]^[19]。盆地发育有三套烃源岩,分布在始新统湖相、渐新统海陆过渡相和中新统海相等单套烃源岩^[20]。盆地整体上发育多段储层,包括陵水组三段扇三角洲相、三亚组二段滨海相、黄流组滨海相、莺歌海组低位扇相等,其中以上渐新统陵水组与上中新统黄流组为主要储层^[21]。

琼东南盆地具有“东西分块、上下分层、南北分带”的构造特征,盆地自上而下根据沉积和构造特征可以划分为3个构造层位:裂陷构造层(T₆₀界面以下)、浅海相披覆沉积层(T₆₀~T₄₀)及边缘海沉积层(T₄₀以上)^[22]。盆地断裂主要发育在断坳转换时期形成的不整合界面T₆₀以下的裂陷期,多为裂陷期拉张作用形成的正断层。断层倾角以高角度为主,同向和反向断层均有发育,同时部分断层受盆地西部一号断层的影响,剖面上表现出一定的走滑构造样式,形成具有走滑性质的张性正断层^[23]。盆地的二号断裂带位于琼东南盆地中部,控制着盆地的整体形态特征及中央坳陷带规模,根据断裂带几何形态和组合样式的差异可以分为3个区段:崖西—崖南段、陵水段和松涛段。崖西—崖南段断裂主要为单断式正断层,断层断距较小,平面上组合形式较为单一,呈平行式排列,网状裂缝发育较少;陵水段断裂以单断式和台阶式正断层为主,断距与西段相比较大,平面上组合样式与西段相似,网状裂缝发育;东段断裂主要为斜列式正断层,断距较大,平面上呈网状和斜交分布,发育高密度裂缝网络^[24-25]。断裂带内部主要发育微裂缝、碎裂带、硅酸盐混合变形带和微观涂抹带4种微观构造,黄流组致密砂岩储层岩性主要为粉-细砂岩和中砂岩,砂体厚度较薄,储集空间主要以微裂缝为主^[26],在盆地中分布较为广泛,因二号断裂带不同区段断裂发育程度的不同导致储层自西向东微裂缝连通性出现差异。

2 裂缝连通性计算原理

裂缝在二维表面发育过程中,裂缝面与岩石表面相交形成裂缝迹线。若迹线之间独立发育,最终会在终端停止发育形成I型节点,若迹线之间出现相交,根据相交情况的不同可形成Y型节点和X型节点[图2(a)]。在三类节点中,X节点为交叉型,有四个方向连通,其连通性最好,Y节点为邻接型,有三个方向连通,连通性次之,I节点为孤立型,仅有一个方向连通,连通性最差。通过统计裂缝不同节点的数量,计算出不同类型节点占有的比例。根据确定的比例绘制三角图投影,确定每条裂缝占有的平均节点数量C_L。随着C_L增大,每条裂缝平均所占有的X型节点和Y型节点的数量增大,裂缝连通性变好。当C_L<2时,裂缝网络主要以I型节点为主,难以进入连通状态;当C_L≥3.5时,裂缝网络达到渗流状态,连通性较好^[27-28]。根据C_L的不同,可以将三角图划分为连通型,临界连通型及未连通型[图2(b)]。

3 基于语义分割深度学习的裂缝连通性计算

运用上述方法进行裂缝连通性计算的关键在于裂缝的识别,采用语义分割改进的裂缝识别方法,可以有效提高识别效率。语义分割通过将图像分割成多个区块,赋予每个区块一定的语义含义,然后识别出每个区块的语义类别并进行演算推理,最终形成一幅各像素均具有语义含义的图像^[29-31]。随着深度学习技术的发展,语义分割技术也得到了很大的提升。如今的语义分割可以结合卷积神经网络实现自动化图像特征学习,有效提升了语义分割的精确度。

3.1 样本集制作

样本集制作是语义分割识别裂缝的关键环节,制作样本集时需要对裂缝进行标注,后期裂缝识别及连通性计算的准确性取决于裂缝标准的准确性。通过将薄片图像分为裂缝和非裂缝两类标签进行标注,将发育的裂缝标注为裂缝标签作为识别对象,剩余图像标注为非裂缝标签作为图像背景。本次研究采用的数据图片为琼东南盆地黄流组致密砂岩储层的薄片图像,图片分辨率为3 560×2 920,选取研究区裂缝较发育的薄片作为模型训练样本集(图3),共筛选出350张薄片图像,通过图片随机分割和翻转镜像等数据增强技术,将样本集图片扩充至6 000张,其中80%作为训练集,20%作为验证集。

3.2 裂缝语义分割识别

本次裂缝语义分割识别采用PSPNet(pyramid scene parsing network)网络模型进行识别模型的训练,PSPNet是一种基于卷积神经网络的语义分割模型[图3(a)],首先由扩张网络获得原图像1/8大小的特征图,然后采用金字塔池化模块将特征图通过4个并行池化层得到不同大小的输出,将4个输出进行上采样,然后还原到特征图的大小并与特征图连接,最后经过卷积层得到预测图像。

选用ResNeXt作为骨干网络,输入图片尺寸为(3 560,2 920,3),输出特征图尺寸为(445,365,2 048),模型采用4级池化层,尺寸分别为1×1、2×2、3×3和6×6,使用随机梯度下降法^[32-34]训练模型,以交叉熵为损失函数,初始学习率设置为0.000 3,循环次数为120,批次设置为50。采用独立于训练集的验证集对模型性能进行测试,计算监控模型的性能指标,即

(1)MPA=$\frac{TP+TN}{FN+TP+FP+TN}$

(2)MIoU=$\frac{TP}{FN+TP+FP}$

式中:MPA(mean pixel accuray)为平均像素准确率;MIoU (mean intersection over union)为平均交并比;TP表示正确预测为裂缝标签的像素数量;TN表示正确预测为非裂缝标签的像素数量;FP表示错误预测为裂缝标签的像素数量;FN表示错误预测为非裂缝标签的像素数量。两项指标均呈稳定上升趋势,模型未出现过拟合情况,且两项指标均在90%以上[图3(b)],模型训练的可靠性较高。利用训练得到的模型进行薄片裂缝识别,输入待识别的图像[图4(a)],由模型识别之后得到裂缝识别图像[图4(b)],将裂缝识别得到的结果与薄片图像进行叠加[图4(c)], 可以直观地发现薄片中的裂缝识别效果较好,整体裂缝轮廓基本没有出现变形及较大的差异,裂缝识别的效果较为可靠,能够提供有效的识别数据。

3.3 裂缝骨架提取

裂缝连通性计算是基于拓扑学原理,忽略了裂缝不同形态对于连通性的影响,仅考虑裂缝的数量及裂缝之间形成的节点数量。骨架提取技术也叫二值图像细化,可以将连通的二值图像细化成为一个像素的宽度,从而对目标的拓扑形态进行表示。目前主要采用的方法有中轴变换算法、细化算法^[35-37]。其中中轴变化算法容易产生多余的毛刺,导致精细化的拓扑表征较为困难,细化算法常用的Zhang-Suen算法不能保证得到单一像素的图像,裂缝连通性的计算对于节点周围的像素点要求较高,现选用改进的快速并行细化算法^[38]。裂缝骨架提取首先需要将识别得到的裂缝图像进行二值化,即0-1化处理,其中1代表裂缝所在位置的像素,为白色;0代表非裂缝所在位置的像素块,为黑色[图4(d)]。采用改进的快速并行细化算法可以有效提取裂缝二维平面展布形态[图4(e)],保留裂缝拓扑结构的同时减少了裂缝形态不同造成的冗余信息,从而根据不同节点周边的像素点分布状态确定不同节点数量,计算裂缝的连通性。

3.4 裂缝节点识别

裂缝骨架提取可以得到单像素的裂缝拓扑图像,根据裂缝节点的拓扑学特征,编写节点识别程序。将像素块分为3×3的像素区域,以中心像素块为基准,循环遍历中心像素点及周围邻接的8个像素点并读取像素点的值,记为P_i[图5(a)]。计算除中心点的各像素点P_i总和P_s,为

(3)P_s=$\sum _{i=2}^{9}$P_i

式(3)中:P_s为二值化像素值总和;P_i为各点二值化像素值(0或1)。

综合各类节点的像素点分布特征,可以明确节点存在时,裂缝像素点的邻接像素为非裂缝像素点,结合二值化特征,节点存在应该满足如下条件。

当P_i=1(i≥2)时,

(4)

$\left\{\begin{array}{l}{P}_{i}{P}_{i+1}=0\\ {P}_{i}+{P}_{i+1}=1\end{array}\right.$

式(14)中:P_i、P_i₊₁为满足条件的各点及邻接点二值化像素值(0或1)。当3个条件同时满足时说明节点存在,若要识别节点具体类型,还需要满足以下条件。

对X型节点识别时,由于X型节点有4个方向连通,为交叉型连接,其特征为有一个交叉的中心点和4个向外延伸的点,典型的像素分布方式主要有2种[图5(b)],中心像素点为裂缝像素,即

(5)P₁=1

且周围仍存在4个交叉连接的裂缝像素,即

(6)P_s=4

对Y型节点识别时,由于Y型节点有3个方向连通,为T型连接,其特征为有一个交叉的中心点和3个向外延伸的点,典型的像素分布方式主要有4种[图5(d)],相比较X型节点,中心像素点同样为裂缝像素,即

(7)P₁=1

但周围仅存在3个交叉连接的裂缝像素,即

(8)P_s=3

对I型节点识别时,由于I型节点为孤立型节点,未发生连通,不与其他裂缝连接,其特征为不一定存在中心点,且只有一个向外延伸的点,典型的像素分布方式主要有3种[图5(c)],若I型节点末端经过中心像素点,此时

(9)P₁=1

且周围仅存在1个连接的裂缝像素,即

(10)P_s=1

若I型节点末端未经过中心像素点,即

(11)P₁=0

此时可能会出现多个I型节点的情况,节点存在条件为

(12)1≤P_s≤4

且此时I节点的个数为P_s。

式中:P₁为中心点二值化像素值;P_s为二值化像素值总和。

根据以上节点识别方法,绘制节点识别流程如图6所示,编写程序识别不同类型的节点并统计数量N,将不同类型节点的比例投影在三角图上,根据节点在三角图上的分布情况即可得到各薄片的裂缝连通性。

4 结果与讨论

4.1 计算结果

对研究区薄片裂缝连通性进行人工识别计算,通过清绘裂缝图像拾取不同类型节点的比例,与通过语义分割模型识别的节点比例进行对比,计算各类型节点比例的误差并取平均值,发现在人工精准识别裂缝节点比例的情况下,采用语义分割模型识别各类型节点比例整体上与人工较为接近,除部分薄片识别不够准确,整体上节点识别平均误差在10%以下,如表1所示。

利用裂缝语义分割模型进行裂缝节点识别,对黄流组致密砂岩储层裂缝连通性进行计算。结果表明,在断裂带不同区段中,各类型节点比例分布存在明显的差异。其中,崖西—崖南段储层的I型节点比例为65%~80%,陵水段储层的I型节点比例为35%~65%,松涛段储层的I型节点比例为18%~45%,整体上I节点的比例呈现递减趋势。崖西—崖南段段储层的Y型节点比例为15%~28%,陵水段储层的Y型节点比例为25%~45%,松涛段储层的Y型节点比例为40%~65%,整体上Y型节点比例呈增加趋势。崖西—崖南段储层X型节点比例为3%~9%,陵水段储层X型节点比例为6%~12%,松涛段储层X型节点比例为5%~15%,整体上X型节点比例变化不明显,呈现小幅度增加趋势(图7)。

将识别得到的节点比例投影到三角图(图8),可以看出崖西—崖南段储层的裂缝连通性整体较差,主要处于未连通状态,陵水段储层的裂缝连通性变好,部分裂缝处于临界连通状态,松涛段储层的裂缝连通性最好,较多裂缝进入连通状态。整体上琼东南盆地黄流组致密砂岩储层裂缝连通性为松涛段>陵水段>崖西—崖南段,即裂缝连通性自西向东呈现增大的趋势,与断裂发育程度具有良好的一致性^[39]。

4.2 裂缝图像识别研究展望

(1)由于薄片图像样本集制作的限制,导致不能完全准确地识别不同类型的裂缝,在进行语义分割识别时有判定为非裂缝的可能性,统计的节点数量出现差异。但运用语义分割模型识别裂缝效率远高于人工识别,能够对数据进行批量统计和计算处理。可以看出利用深度学习语义分割对裂缝识别并计算连通性具有广泛的发展前景。

(2)目前若要精确识别裂缝,完善样本集的制作是主要的方法,也可以结合裂缝发育特征及主控因素,从裂缝发育机制的层面上进行深入的探究,开发和完善相关的算法,可以有更加精确的计算结果,并可能实现裂缝的发育情况及连通性的预测。由于目前样本集制作是深度学习的关键步骤,且不同地区的裂缝发育形态有所不同,有必要建立不同地区的裂缝图像数据库,通过建立在线数据库实现训练集图像的共享,可以实现更加高效率的模型训练,也可以提高后期裂缝节点识别的吻合率。

(3)除了实现薄片裂缝节点智能识别之外,也可考虑结合其他类型的反射光图像进行深度学习自动化开发,例如阴极发光、扫描电镜和电子探针图像的裂缝识别。对于CT同步加载、岩心扫描和数字散斑实验获得的图像,也可以实现裂缝更精准的识别定位,探究裂缝拓展规律。

5 结论

(1)为解决传统人工识别薄片裂缝计算连通性时间成本高、普适性较差的问题,采用基于语义分割的薄片裂缝连通性的计算方法,实现薄片中裂缝的准确识别。利用训练好的模型实现薄片裂缝语义分割识别,经验证集检验,模型未出现过拟合情况,MIoU和MPA两项指标均在90%以上。在识别得到的裂缝图像中,用于标记裂缝的图像色块较为准确地保留了裂缝轮廓。

(2)通过裂缝骨架提取和自设计节点识别算法,较好地识别出裂缝不同类型的节点。分别通过人工精确识别和裂缝语义分割识别模型计算薄片连通性并进行对比,除部分薄片裂缝识别误差较大,计算误差整体上在10%以下,结果具有较好的可信性。若要提高裂缝识别的精确度,可以完善样本集,也可以结合地质信息的特点,完善并成熟相关的算法。

(3)通过运用模型计算琼东南盆地二号断裂带不同断裂区段的黄流组致密砂岩储层薄片裂缝连通性,发现整体上裂缝连通性为松涛段>陵水段>崖西—崖南段,即裂缝连通性自西向东呈现增大的趋势,与断裂发育程度具有较好的一致性。该方法数据要求较低,可以有效地计算薄片裂缝连通性,具有自动化、智能化的优点,有利于勘探开发早期阶段储层性质评价。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	赵星, 王贵文, 李亚锋, 等. 柴达木盆地英雄岭页岩油储层天然裂缝发育特征与测井识别[J]. 天然气地球科学, 2025, 36(4): 713-733.

[2]	Zhao Xing, Wang Guiwen, Li Yafeng, et al. Development characteristics and logging identification of natural fractures in shale oil reservoirs of the Yingxiongling Area, Qaidam Basin[J]. Natural Gas Geoscience, 2025, 36(4): 713-733.

[3]	刘豇瑜, 任登峰, 秦世勇, 等. 塔里木盆地富满油田超深缝洞型碳酸盐岩储层立体酸压技术[J]. 大庆石油地质发, 2025, 44(3): 77-84.

[4]	Liu Jiangyu, Ren Dengfeng, Qin Shiyong, et al. 3D acid fracturing technique for ultra-deep fractured-vuggy carbonate reservoirs in Fuman Oilfield of Tarim Basin[J]. Petroleum Geology & Oilfield Development in Daqing, 2025, 44(3): 77-84.

[5]	张冠杰, 吴孔友, 范彩伟, 等. 低渗透砂岩储层裂缝特征及控制因素——以莺歌海盆地L气田黄流组为例[J]. 海相油气地质, 2022, 27(4): 383-395.

[6]	Zhang Guanjie, Wu Kongyou, Fan Caiwei, et al. Characteristics and controlling factors of fractures in low-permeability sandstone reservoirs: a case study of the Miocene Huangliu Formation in L Gasfield, Yinggehai Basin[J]. Marine Origin Petroleum Geology, 2022, 27(4): 383-395.

[7]	李晓梅, 张记刚, 陈超, 等. 准噶尔盆地西北缘玛2井区致密储层裂缝发育特征及定量预测[J]. 特种油气藏, 2022, 29(3): 50-56.

[8]	Li Xiaomei, Zhang Jigang, Chen Chao, et al. Fracture development characteristics and quantitative prediction of tight reservoirs in Well Block Ma 2, Northwestern Margin, Junggar Basin[J]. Special Oil & Gas Reservoirs, 2022, 29(3): 50-56.

[9]	胡彦智, 李晓, 张召彬, 等. 页岩储层压裂流固耦合数值模拟及裂缝扩展研究进展[J]. 工程地质学报, 2024, 32(4): 1381-1396.

[10]	Hu Yanzhi, Li Xiao, Zhang Zhaobin, et al. A review on hydro-mechanical coupling simulations of hydraulic fracture network in shale reservoirs[J]. Journal of Engineering Geology, 2024, 32(4): 1381-1396.

[11]	韩鹏远, 丁文龙, 杨德彬, 等. 塔河油田奥陶系碳酸盐岩储层裂缝表征与主控因素分析[J]. 地学前缘, 2024, 31(5): 209-226.

[12]	Han Pengyuan, Ding Wenlong, Yang Debin, et al. Characteristics and main controlling factors of fracture development in the Ordovician Carbonate Reservoir, Tahe Oilfield[J]. Earth Science Frontiers, 2024, 31(5): 209-226.

[13]	曾联波, 巩磊, 宿晓岑, 等. 深层-超深层致密储层天然裂缝分布特征及发育规律[J]. 石油与天然气地质, 2024, 45(1): 1-14.

[14]	Zeng Lianbo, Gong Lei, Su Xiaocen, et al. Natural fractures in deep to ultra-deep tight reservoirs: distribution and development[J]. Oil & Gas Geology, 2024, 45(1): 1-14.

[15]	Sanderson D J, Nixon C W. The use of topology in fracture network characterization[J]. Journal of Structural Geology, 2015, 72: 55-66.

[16]	梁孝柏, 鞠玮. 基于拓扑结构分析的断层连通性评价——以川南泸州中区深层页岩气储层多级断层为例[J]. 油气藏评价与开发, 2024, 14(3): 446-457.

[17]	Liang Xiaobo, Ju Wei. Fault connectivity evaluation based on topological structure analysis: a case study of multi-stage faults of deep shale gas reservoirs in central Luzhou Block, Southern Sichuan[J]. Petroleum Reservoir Evaluation and Development, 2024, 14(3): 446-457.

[18]	李勇, 何建华, 邓虎成, 等. 深层页岩储层天然裂缝连通性表征及力学有效性分析——以川东南盆缘丁山—东溪地区五峰组—龙马溪组为例[J]. 天然气地球科学, 2024, 35(2): 230-244.

[19]

Li Yong, He Jianhua, Deng Hucheng, et al. Analysis of connectivity characterization and mechanical effectiveness of natural fracture in deep shale reservoirs: a case study of the Wufeng-Longmaxi Formations in the Dingshan-Dongxi Area, Southeastern Margin of Sichuan Basin[J]. Natural Gas Geoscience, 2024, 35(2): 230-244.

[20]	胡辉庭, 马勇, 张遂安, 等. 页岩裂缝和基质渗透率各向异性特征及影响因素[J]. 科学技术与工程, 2023, 23(24): 10252-10263.

[21]	Hu Huiting, Ma Yong, Zhang Suian, et al. Anisotropy and influencing factors of shale fracture and matrix permeability[J]. Science Technology and Engineering, 2023, 23(24): 10252-10263.

[22]	巩磊, 程宇琪, 高帅, 等. 库车前陆盆地东部下侏罗统致密砂岩储层裂缝连通性表征及其主控因素[J]. 地球科学, 2023, 48(7): 2475-2488.

[23]	Gong Lei, Cheng Yuqi, Gao Shuai, et al. Fracture connectivity characterization and its controlling factors in Lower Jurassic tight sandstone reservoirs of Eastern Kuqa Foreland Basin[J]. Earth Science, 2023, 48(7): 2475-2488.

[24]	孟宪武, 王莹, 李南颖, 等. 基于拓扑分形方法的裂缝网络体系[J]. 科学技术与工程, 2024, 24(35): 14984-14991.

[25]	Meng Xianwu, Wang Ying, Li Nanying, et al. Fracture network analysis using topological fractal methods[J]. Science Technology and Engineering, 2024, 24(35): 14984-14991.

[26]	李顺勇, 李青辉, 邢煜曼. 基于轻量化网络和迁移学习的岩石智能识别[J]. 科学技术与工程, 2025, 25(5): 1774-1782.

[27]	Li Shunyong, Li Qinghui, Xing Yuman. Intelligent rock recognition based on lightweight network and transfer learning[J]. Science Technology and Engineering, 2025, 25(5): 1774-1782.

[28]	万成舟, 季晓慧, 杨眉, 等. 基于渐进多粒度训练深度学习的矿物图像识别[J]. 地学前缘, 2024, 31(4): 112-118.

[29]	Wan Chengzhou, Ji Xiaohui, Yang Mei, et al. Mineral image recognition based on progressive deep learning across different granularity levels[J]. Earth Science Frontiers, 2024, 31(4): 112-118.

[30]	程国建, 杨静, 黄全舟, 等. 基于概率神经网络的岩石薄片图像分类识别研究[J]. 科学技术与工程, 2013, 13(31): 9231-9235.

[31]	Cheng Guojian, Yang Jing, Huang Quanzhou, et al. Rock image classification recognition based on probabilistic neural networks[J]. Science Technology and Engineering, 2013, 13(31): 9231-9235.

[32]	刘子玉, 贾万丽, 李建平, 等. 浊积扇沉积构成及主要单元储层差异: 以琼东南盆地梅山组为例[J]. 地质科学, 2024, 59(5): 1268-1279.

[33]	Liu Ziyu, Jia Wanli, Li Jianping, et al. Sedimentary composition of turbidite fan and reservoir difference of main units: a case study of Meishan Formation in Qiongdongnan Basin[J]. Chinese Journal of Geology(Scientia Geologica Sinica), 2024, 59(5): 1268-1279.

[34]	胡林, 熊富浩, 陈安清, 等. 琼东南盆地花岗质岩浆-构造演化及其对潜山储层物性的约束[J]. 地质通报, 2024, 43(7): 1191-1206.

[35]	Hu Lin, Xiong Fuhao, Chen Anqing, et al. Granitic magmatism and tectonic evolution in Qiongdongnan Basin and their constraints on the properties of buried hill reservoirs[J]. Geological Bulletin of China, 2024, 43(7): 1191-1206.

[36]	李建平, 贾万丽, 李宏义, 等. 物源—地貌双控背景下海底扇沉积储层特征及勘探意义: 以琼东南盆地梅山组为例[J]. 地质科学, 2024, 59(1): 148-165.

[37]

Li Jianping, Jia Wanli, Li Hongyi, et al. Sedimentary reservoir characteristics and exploration significance of submarine fan under the dual control of provenance and geomorphology: taking the Meishan Formation in Qiongdongnan Basin as an example[J]. Chinese Journal of Geology(Scientia Geologica Sinica), 2024, 59(1): 148-165.

[38]	唐武, 谢晓军, 熊连桥, 等. 琼东南盆地深层源汇系统特征及富砂性预测: 以松南低凸起中段陵三段为例[J]. 海洋地质与第四纪地质, 2024, 44(4): 123-133.

[39]	Tang Wu, Xie Xiaojun, Xiong Lianqiao, et al. Characteristics of deep source-to-sink systemsand sand prediction in Qiongdongnan Basin: a case study[J]. Marine Geology & Quaternary Geology, 2024, 44(4): 123-133.

[40]	刘硕, 方立羽, 罗鼎, 等. 琼东南盆地崖城13-A构造潜山天然气成藏条件与成藏模式[J]. 中外能源, 2024, 29(9): 39-47.

[41]	Liu Shuo, Fang Liyu, Luo Ding, et al. Hydrocarbon accumulation conditions and models in buried hill of Yacheng 13-A structure in Qiongdongnan Basin[J]. Sino-Global Energy, 2024, 29(9): 39-47.

[42]	周吉林, 李丽霞, 朱振宇, 等. 琼东南盆地天然气水合物与浅层气分布特征与潜力区[J]. 地质学报, 2024, 98(9): 2630-2640.

[43]	Zhou Jilin, Li Lixia, Zhu Zhenyu, et al. Thedistribution characteristics and the potential target of gas hydrate and shallow gas in the Qiongdongnan Basin[J]. Acta Geologica Sinica, 2024, 98(9): 2630-2640.

[44]	尤丽, 江汝锋, 龚宇, 等. 琼东南盆地深水海底扇岩性圈闭成藏主控因素与勘探突破[J]. 地球科学, 2024, 49(2): 749-758.

[45]	You Li, Jiang Rufeng, Gong Yu, et al. Main controlling factors of accumulation and exploration breakthrough of deep-water submarine fan lithologic trap in the Qiongdongnan Basin[J]. Earth Science, 2024, 49(2): 749-758.

[46]	田澜希, 张冠杰, 雷新. 琼东南盆地二号断裂带断层封闭性评价[J]. 现代地质, 2024, 38(5): 1235-1247.

[47]	Tian Lanxi, Zhang Guanjie, Lei Xin, et al. Evaluation of fault sealing in the No.2 Fault Zone of the Qiongdongnan Basin[J]. Geoscience, 2024, 38(5): 1235-1247.

[48]	宋瑞有, 何小胡, 万阳, 等. 琼东南盆地潜山发育特征与成藏主控因素[J]. 世界石油工业, 2023, 30(6): 30-42.

[49]	Song Ruiyou, He Xiaohu, Wan Yang, et al. Development characteristics and main control factors of reservoir formation of buried hills in Qiongdongnan Basin[J]. World Petroleum Industry, 2023, 30(6): 30-42.

[50]	裴仰文, 王静, 范彩伟, 等. 琼东南盆地崖城区微观构造变形特征及油气地质意义[J]. 中国石油大学学报(自然科学版), 2023, 47(3): 15-26.

[51]	Pei Yangwen, Wang Jing, Fan Caiwei, et al. Characterization of micro-structural deformation and its petroleum significance in Yacheng area of Qiongdongnan Basin[J]. Journal of China University of Petroleum(Edition of Natural Science), 2023, 47(3): 15-26.

[52]	Cao M, Sharma M. Effect of fracture geometry, topology and connectivity on energy recovery from enhanced geothermal systems[J]. Energy, 2023, 282: 212-315.

[53]	Laura L A, Nascimento D J L G, Fernandes I G, et al. Impact of fracture topology on the fluid flow behavior of naturally fractured reservoirs[J]. Energies, 2021, 14(17): 5488-5488.

[54]	王民水, 王明常, 王婧瑜, 等. 融合注意力机制和权重平衡算法的遥感图像分类[J]. 吉林大学学报(地球科学版), 2025, 55(2): 697-704.

[55]	Wang Minshui, Wang Mingchang, Wang Jingyu, et al. Remote sensing image classification based on fusion of attentionmechanism and weight balance algorithm[J]. Journal of Jilin University(Earth Science Edition), 2025, 55 (2): 697-704.

[56]	刘玉, 于明, 朱叶. 基于双重聚合和自合并网络的小样本图像语义分割[J]. 液晶与显示, 2024, 39(10): 1421-1430.

[57]	Liu Yu, Yu Ming, Zhu Ye. Bi-aggregation and self-merging network for few-shot imagesemantic segmentation[J]. Chinese Journal of Liquid Crystals and Displays, 2024, 39(10): 1421-1430.

[58]	贾黎黎, 朱世博, 王建荣, 等. 基于语义分割深度学习的找矿靶区预测研究——以广东省阳江-茂名地区为例[J]. 地质与勘探, 2023, 59(5): 1093-1102.

[59]	Jia Lili, Zhu Shibo, Wang Jianrong, et al. Prediction of prospecting targets based on semantic segmentation with deep learning: a case study of the Yangjiang-Maoming Area in Guangdong Province[J]. Geology and Exploration, 2023, 59(5): 1093-1102.

[60]	Zheng Y W, Zhang L X, Chen S Z, et al. Robust decentralized stochastic gradient descent over unstable networks[J]. Computer Communications, 2023, 203: 163-179.

[61]	Racolte G, Marques A, Menezes E, et al. Stochastic gradient descent optimization to estimate the power-law fractal index in fracture networks[J]. Computers and Geosciences, 2024, 191: 105677.

[62]	Hong H, Tsangaratos P, Ilia I, et al. Introducing a novel multi-layer perceptron network based on stochastic gradient descent optimized by a meta-heuristic algorithm for landslide susceptibility mapping[J]. Science of the Total Environment, 2020, 74: 2140549.

[63]	Choi W P, Lam K M, Siu W C. Extraction of the euclidean skeleton based on a connectivity criterion[J]. Pattern Recognition, 2003, 36(3): 721-729.

[64]	Zhu S C, Yuille A L. FORMS: a flexible object recognition and modeling system[J]. International Journal of Computer Vision, 1996, 20(3): 187-212.

[65]	Xie W J, Thompson R P, Perucchio R. A topology-preserving parallel3Dthinning algorithm for extracting the curve skeleton[J]. Pattern Recognition, 2003, 36(7): 1529-1544.

[66]	代少升, 毛兴华, 余自安. 基于图像处理的路面裂缝特征提取方法[J]. 半导体光电, 2024, 45(3): 508-514.

[67]	Dai Shaosheng, Mao Xinghua, Yu Zian. Pavement crack feature extraction based on image processing[J]. Semiconductor Optoelectronics, 2024, 45(3): 508-514.

[68]	钟佳, 代龙, 朱沛苑, 等. 琼东南盆地黄流组中央峡谷水道储层特征及主控因素[J]. 海相油气地质, 2023, 28(2): 169-177.

[69]	Zhong Jia, Dai Long, Zhu Peiyuan, et al. Reservoir characteristics and its main controlling factors of the central canyon-channel of Huangliu Formation in Qiongdongnan Basin[J]. Marine Origin Petroleum Geology, 2023, 28(2): 169-177.