基于TransFracNet的电成像裂缝自动识别:以川南地区泸州区块为例

蒋伊; 赖富强; 王敏; 曾诚翔; 何智辉; 李彦奇

doi:10.12404/j.issn.1671-1815.2506003

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (20) :8547-8558 DOI: 10.12404/j.issn.1671-1815.2506003

天文学、地球科学

基于TransFracNet的电成像裂缝自动识别:以川南地区泸州区块为例

蒋伊 ¹ ,
赖富强 ¹^,^* ,
王敏 ² ,
曾诚翔 ¹ ,
何智辉 ¹ ,
李彦奇 ¹

作者信息 +

TransFracNet-based Automatic Fracture Detection in Electrical Imaging Logs:Luzhou Block, Southern Sichuan

JIANG Yi ¹ ,
LAI Fu-qiang ¹^,^* ,
WANG Min ² ,
ZENG Cheng-xiang ¹ ,
HE Zhi-hui ¹ ,
LI Yan-qi ¹

Author information +

文章历史 +

摘要

为提升页岩气储层裂缝识别的智能化水平,实现电成像测井数据的自动化分析与评价,通过融合MobileNetV3轻量化卷积网络与Swin Transformer全局注意力机制,结合Watershed位置编码和AFPN-CA多尺度特征融合模块,构建TransFracNet深度学习模型。结果表明:模型在泸州区块五峰-龙马溪组页岩储层测试集上表现出色,裂缝交叉点识别准确率达92.3%,较传统方法提升25%;基于Filtersim-Inpainting的预处理算法显著提升图像质量,裂缝修复完整度达98.6%;系统处理速度稳定在45 FPS,单井解释效率较传统方法提升20倍。构建的裂缝自动识别系统可支持低角度高导缝、雁状诱导缝等4种裂缝类型及各类型几何参数的智能提取与分析。可见TransFracNet模型在处理复杂地质结构和多尺度裂缝特征方面展现出卓越性能,其创新性地将地质先验知识与深度学习特征相融合,为页岩气储层评价提供了可靠的技术支撑。

Abstract

To improve the intelligence level of fracture identification in shale gas reservoirs and realize automated analysis of electrical imaging logging data, the TransFracNet deep learning model was proposed. First, MobileNetV3 and the Swin Transformer were integrated to combine lightweight convolution with global attention mechanisms. Subsequently, Watershed positional encoding and an AFPN-CA multi-scale feature fusion module were incorporated into the network architecture. Finally, a preprocessing algorithm based on Filtersim-Inpainting was applied to enhance image quality. Results indicate that the model performs well on the test set of the Wufeng-Longmaxi Formation shale reservoir in the Luzhou block. The accuracy of fracture intersection identification reaches 92.3%, representing a 25% improvement compared to traditional methods. Image quality is significantly improved by the preprocessing algorithm, with a fracture restoration completeness of 98.6%. The system maintains a stable processing speed of 45 FPS, and single-well interpretation efficiency is increased by a factor of 20. Four types of fractures, including low-angle high-conductivity fractures and en echelon induced fractures, are supported for identification, along with the intelligent extraction of their geometric parameters. It is concluded that the TransFracNet model demonstrates excellent performance in handling complex geological structures and multi-scale fracture features. Geological prior knowledge is innovatively fused with deep learning features. The research results provide reliable technical support for the evaluation of shale gas reservoirs.

Graphical abstract

关键词

页岩气储层 / 电成像测井 / TransFracNet深度学习模型 / 泸州区块 / 裂缝自动识别

Key words

shale gas reservoir / electrical imaging logging / TransFracNet deep learning model / Luzhou block / fracture automatic identification

引用本文

引用格式 ▾

蒋伊, 赖富强, 王敏, 曾诚翔, 何智辉, 李彦奇. 基于TransFracNet的电成像裂缝自动识别:以川南地区泸州区块为例[J]. 科学技术与工程, 2026, 26(20): 8547-8558 DOI:10.12404/j.issn.1671-1815.2506003

JIANG Yi, LAI Fu-qiang, WANG Min, ZENG Cheng-xiang, HE Zhi-hui, LI Yan-qi. TransFracNet-based Automatic Fracture Detection in Electrical Imaging Logs:Luzhou Block, Southern Sichuan[J]. Science Technology and Engineering, 2026, 26(20): 8547-8558 DOI:10.12404/j.issn.1671-1815.2506003

登录浏览全文

4963

注册一个新账户忘记密码

在油气勘探领域,页岩气作为一种重要的清洁能源,其高效开发对于优化能源结构和保障能源安全具有不可替代的作用^[1]。四川盆地南部泸州区块的五峰-龙马溪组页岩气储层,因其丰富的资源储量而备受关注^[2]。然而,该区域地质条件复杂,裂缝发育特征多样,裂缝作为页岩气储层中流体流动的关键通道,其准确识别与评价对于提高页岩气的开采效率至关重要^[3]。传统的裂缝识别方法主要依赖人工解释电成像测井图像,这种方法不仅效率低下,而且容易受到主观因素的影响,导致识别结果的准确性和可靠性不足^[4]。因此,如何实现电成像裂缝的高效、准确识别,已成为油气勘探领域亟待解决的关键科学问题。

在电成像测井裂缝识别技术的发展中,中外学者探索了多种方法。早期国外学者们提出的成像阈值法^[5]和Hough变换算法^[6]受限于静态阈值和连续性假设。景建恩等^[7]和李振苓等^[8]分别采用R型聚类和形态学方法,但在复杂地层适应性方面存在不足。近年来,Xue等^[9]和Azim^[10]尝试结合智能算法,但面临优化冲突和空间建模缺陷。随着深度学习应用,邹文波^[11]不断探索深度学习在电成像方面运用的新方法;李冰涛等^[12]采用DeepLabv3+模型实现了裂缝像素级分割,但在复杂裂缝交叉处存在细节丢失;褚鸿鹄等^[13]提出CATransUNet模型,引入Transformer增强长程依赖建模,但计算复杂度较高,难以满足实时处理需求。

针对当前电成像裂缝自动识别领域,深度学习模型普遍面临计算复杂度高、对地质特征与上下文信息融合不足等瓶颈,现以Transformer架构为核心,提出一种兼顾轻量化、高效率与地质适应性的新型网络框架。通过引入轻量化卷积编码模块与自适应多尺度特征融合机制,在显著降低模型参数量的同时,强化了对裂缝形态多样性、空间分布结构及地质关联特征的全局建模能力,实现了计算效率与识别精度的协同优化。为复杂页岩储层裂缝的实时、精细识别提供一种可解释性强、易于部署的智能化解决方案,推动电成像智能解释从“可用”向“好用、易用”的跨越。

1 研究区域地质概况

研究区位于四川盆地南部,构造上属于川中古隆起南侧的川南低陡构造带泸州区块,如图1(a)所示,储层主要是下古生界五峰组-龙马溪组深层页岩储层,如图1(b)所示。

四川盆地是中国重要的天然气富集区,主要含气层系为震旦系、石炭系、二叠系和三叠系,形成了川东、川西、川南和川中4个含气区^[14]。其中,川南泸州区块和川西南威远区块作为重点研究对象,展现出截然不同的地质特征:泸州区块发育雁行排列的背斜构造,沉积环境以深水陆棚为主^[15],五峰组-龙马溪组页岩厚度达500~650 m;而威远区块构造相对平缓,沉积厚度较薄(300~400 m)。研究聚焦上奥陶统五峰组-下志留统龙马溪组,特别是龙一段的4个细分小层(龙一${ }_{1}^{1}$~龙一${ }_{1}^{4}$),这些层段经历了晚奥陶世广西运动导致的古地理格局重塑,以及早志留世从深水陆棚向浅水陆棚的沉积环境转变。该区域优越的页岩气资源潜力与良好的构造保存条件,使其成为页岩气勘探开发的理想靶区。

2 泸州区块裂缝及其电成像测井响应特征分析

前人对页岩裂缝类型进行了广泛研究,结合泸州地区五峰组—龙一₁亚段页岩天然裂缝特征,按地质成因分为构造裂缝、成岩裂缝以及异常高压裂缝3种类别,构造裂缝是指在构造应力场作用下形成的天然裂缝,是页岩最主要的天然裂缝类型,进一步细分为剪切缝、张性缝和顺层滑脱缝^[16]。成岩裂缝是指页岩在成岩演化过程中受到成岩改造作用形成的裂缝,主要包括层间页理缝和溶蚀缝^[17]。在其基础上,进一步将川南地区泸州区块的裂缝划分为低角度高导缝、高角度高阻缝、斜交高导缝、雁状诱导缝,如图2所示。

(1)低角度高导缝。低角度高导缝是顺层剪切或层间滑脱作用下形成的未充填裂缝类型,研究区内常见裂缝面与层面近平行,平直或微波状,倾角<30°,一般延伸较长,缝长0.05~1.2 m,缝宽0.2~0.8 mm,电成像呈水平或近水平暗色条带[图2(a)],裂缝内部无充填,流体易渗流。

(2)高角度高阻缝。高角度高阻缝是区域剪切或后期压溶作用伴生方解石、黄铁矿全充填而形成的裂缝类型,研究区内常见切穿整块岩心,裂缝面平直光滑,倾角>60°,一般延伸较大,缝长0.05~1.5 m,缝宽0.1~0.5 mm,电阻率成像呈亮色高阻条带[图2(b)],充填矿物致密。

(3)斜交高导缝。斜交高导缝是剪切-张拉复合应力作用下形成的未充填裂缝类型,研究区内常见与层面斜交,裂缝面略弯曲,倾角30°~60°,一般延伸中等,缝长0.03~0.8 m,缝宽0.1~1 mm,电成像呈暗色高导条带[图2(c)],裂缝内部干净、无矿物充填。

(4)雁状诱导缝。雁状诱导缝是钻井过程中井壁应力集中诱导的张—剪复合作用所形成的裂缝类型,研究区内常见多条短裂缝呈180°对称雁形排列[图2(d)],裂缝面平直或略呈弧形,倾角60°~90°,一般延伸较短,缝长0.01~0.08 m,缝宽0.05~0.2 mm,裂缝内无充填或仅见微量泥质薄膜。

3 TransFracNet模型构建

TransFracNet模型以电成像测井裂缝识别为核心任务,整体采用“编码-融合-解码”三阶段架构,深度融合轻量化设计、先验信息注入、多尺度融合与损失优化四段式流程,形成高效精准的裂缝检测解决方案。网络以初始输入的473×473×3电成像图像为起点,最先通过混合编码器完成轻量化特征提取:其中以优化后的MobileNetV3作为轻量化主干,利用深度可分离卷积、倒残差结构及空洞卷积优化, 在降低参数量的同时逐步下采样提取局部多尺度纹理特征(输出60×60×160特征图);与此同时,Swin Transformer通过窗口注意力机制与层级下采样构建全局特征金字塔(初始分块后逐步下采样至28×28×96特征图),二者通过特征上采样与通道调整对齐后,输入AFPN-CA多尺度融合模块。该模块作为核心创新点之一,基于自适应特征金字塔(adaptive feature pyramid network,AFPN)的跨层级连接实现高低层特征互补,并引入坐标注意力(CA)机制显式建模裂缝方向敏感性,完成多尺度特征融合(输出28×28×512特征图)。最后一步,解码器通过ASPP模块并行空洞卷积捕获多尺度上下文信息,并结合双线性上采样逐步恢复空间分辨率至输入尺寸(473×473×3对应的分割目标尺寸),最终经Sigmoid激活生成裂缝概率图。整个流程中,Watershed位置编码作为先验信息注入模块,在编码初期通过梯度计算与自适应阈值分割为模型提供裂缝边缘的初始定位引导;损失函数则采用Focal Loss与Dice Loss的组合,兼顾类别不平衡与边界分割优化。如图3所示,TransFracNet模型通过四段式流程的紧密协同,实现了从局部纹理到全局上下文、从粗定位到精细分割的完整裂缝检测能力,其模块化设计也为后续扩展与优化提供了清晰路径。

4 TransFracNet模型核心模块

使用的TransFracNet模型深度融合轻量化设计、先验信息注入、多尺度融合与损失优化四段式流程,分别对应算法模块Watershed位置编码、MobileNetV3-Swin混合编码器、AFPN-CA多尺度融合模块、像素级分割解码器ASPP。

4.1 Watershed位置编码模块

Watershed位置编码模块是一种基于图像梯度特征的自适应位置先验编码方法,其核心目标是为裂缝检测任务提供精确的边缘位置引导。

该模块以原始电成像图像(像素473×473×3)为输入数据I,其表达式为

(1)

$I\in {R}^{473\times 473\times 3}$

通过Sobel算子计算图像在水平x和垂直y方向的一阶梯度(G_x和G_y),合成梯度幅值图G,该幅值图能够突出图像中灰度突变显著的边缘区域(如裂缝边界),梯度幅值图G的表达式为

(2)

$G(x,y)=\sqrt{{G}_{x}^{2}(x,y)+{G}_{y}^{2}(x,y)}\in {R}^{473\times 473}$

式(2)中:G_x=I*K_x;G_y=I*K_y,其中,K_x和K_y为Sobel卷积核,*表示卷积运算。

随后采用Otsu算法对梯度幅值图进行自适应阈值分割,动态确定最佳分割阈值T_Ostu,将图像二值化为前景(边缘像素标记为1)和背景(非边缘像素标记为0),有效避免传统固定阈值方法在复杂光照条件下的局限性,最佳分割阈值T_Ostu的表达式为

(3)

${T}_{Ostu}=\underset{t}{argmax}\left\{{\omega }_{0}\right(t\left){\omega }_{1}\right(t\left)\right[{\mu }_{0}\left(t\right)-{\mu }_{1}{\left(t\right)]}^{2}\}$

式(3)中:t为候选阈值;μ₀为前景平均灰度;μ₁为背景平均灰度;ω₀(t)为灰度值≤t的像素占比(前景概率);ω₁(t)为灰度值>t的像素占比(背景概率),其表达式分别为

(4)

${\omega }_{0}\left(t\right)=\sum _{i=0}^{t}{p}_{i}$

式(4)中:p_i为图像中灰度值为i的像素出现频率。

(5)

${\omega }_{1}\left(t\right)=\sum _{i=t+1}^{255}{p}_{i}=1-{\omega }_{0}\left(t\right)$

(6)

${\mu }_{0}\left(t\right)=\frac{\sum _{i=0}^{t}i{p}_{i}}{{\omega }_{0}\left(t\right)}$

(7)

${\mu }_{1}\left(t\right)=\frac{\sum _{i=t+1}^{255}i{p}_{i}}{{\omega }_{1}\left(t\right)}$

为进一步消除噪声干扰,模块对二值化图像进行8邻域连通域分析,剔除面积小于预设阈值(如5像素)的微小孤立区域,保留具有显著连通性的真实裂缝边缘结构。在此基础上,通过欧几里得距离变换计算每个像素点到最近边缘的距离D(x,y),生成反映边缘空间分布的距离图,并将其归一化至[0,1]范围得到最终的Watershed编码图PE(x,y),其中数值大小直接表征像素与裂缝边缘的相对距离,这两者表达式为

(8)

$D(x,y)=min\sqrt{{(x-u)}^{2}+{(y-v)}^{2}}$

式(8)中:边缘像素坐标$(u,v)\in F,$其中F为所有保留的裂缝边缘像素的坐标集合。

(9)

$PE(x,y)=\frac{D(x,y)}{\underset{x,y}{max}D(x,y)}$

(10)

$F=\left\{\right(u,v\left)\right|{F}_{denoised}(u,v)=1\}$

式(10)中:F_denoised为经过连通域分析后、去噪后的裂缝边缘像素的坐标集合。

该编码模块通过1×1卷积扩展通道后(从1通道扩展至与特征图匹配的384通道),与MobileNetV3和Swin Transformer提取的多尺度特征图进行逐元素相加,将裂缝边缘的先验位置信息注入到深度学习特征中,从而指导模型在后续的特征融合与分割过程中更精准地定位裂缝区域。整个过程实现了从低级梯度特征到高级位置先验的转化,为TransFracNet模型提供了兼具几何直观性与计算高效性的位置编码方案,尤其适应电成像测井中裂缝形态复杂、尺度多变的特性。

4.2 MobileNetV3-Swin混合编码器

本次实验采用MobileNetV3-Swin混合编码器,通过深度可分离卷积和动态空洞率优化实现60×60×160高分辨率轻量化特征提取,保留毫米级裂缝纹理;同时Swin Transformer路径采用5×5窗口注意力和层级下采样,输出28×28×96特征以建模全局拓扑。双路径特征经空间-通道对齐和动态权重融合,形成兼具局部细节与全局上下文的混合表征,为后续多尺度融合奠定基础,现将分别介绍优化后MobileNetV3网络路径和Swin Transformer轻量化架构。

4.2.1 优化后MobileNetV3网络

MobileNetV3网络通过深度可分离卷积架构将传统卷积分解为逐通道空间滤波和跨通道特征组合,在保证精度的同时显著降低计算量^[18]。其创新的倒残差结构采用“先1×1升维→深度卷积→1×1降维”的数据流,如图4所示,相比传统残差连接更能捕获丰富特征;同时引入SE注意力机制,通过全局平均池化获取通道统计特征并动态生成权重,实现关键特征通道的自适应增强,这三项技术协同提升了电成像测井裂缝的提取效率。

在电成像测井裂缝识别任务中,MobileNetV3的优化主要集中在三个方面:空间分辨率、感受野范围以及计算效率。原始网络通过步长为2的深度卷积进行下采样,导致特征图分辨率从60×60骤降至15×15,这对需要精确定位裂缝边界的语义分割任务尤为不利。此外,标准3×3卷积的感受野难以覆盖1~5 mm的中等尺度裂缝特征,而深层通道数膨胀至160维也带来了不必要的计算开销。优化方案通过调整步长和引入空洞卷积,使关键阶段分辨率维持在60×60,同时将感受野扩展至5×5像素,并在最终阶段压缩通道数至96维,从而在几乎不影响精度的前提下显著降低计算量。优化后的网络输出60×60的高分辨率特征图,配合扩展的感受野,能够更好地捕捉微裂缝的细节纹理和中等裂缝的完整形态,为后续的多尺度特征融合和注意力机制提供了更优质的基础特征。

4.2.2 Swin Transformer轻量化架构

Swin Transformer的轻量化架构通过层次化窗口注意力机制实现了高效特征提取,其核心在于将全局自注意力分解为基于局部窗口的计算^[19]。给定输入电成像图像I,网络首先通过4×4的块划分将输入转换为118×118×96的特征图。窗口多头自注意力(W-MSA)在M×M(窗口边长×窗口边长)的非重叠窗口内计算,其表达式为

(11)

$Attention(Q,K,V)=Softmax\left(\frac{Q{K}^{T}}{\sqrt{{d}_{k}}}+B\right)V$

式(11)中:d_k为注意力缩放因子;Q、K、V分别为窗口内的查询、键和值矩阵,$Q,K,V\in {R}^{{M}^{2}\times d}$;$B\in {R}^{{M}^{2}\times {M}^{2}}$为相对位置编码。

该模块核心在于将传统Transformer的全局自注意力分解为基于局部窗口的计算,通过窗口多头自注意力(W-MSA)和移位窗口多头自注意力(SW-MSA)的交替使用,在保持全局建模能力的同时将计算复杂度从O(n²)降至O(n)。该架构采用深度可分离卷积替代标准卷积,并优化通道数为[64,128,256,512],使参数量减少60.7%,计算量降低57.1%。在电成像等专业领域,通过坐标注意力注入几何先验和动态空洞率调整,实现了裂缝走向误差<0.8°和微裂缝召回率提升17%的显著效果。

4.3 AFPN-CA多尺度融合模块

AFPN-CA多尺度融合模块是一种创新的特征聚合架构,通过自适应特征金字塔和坐标注意力机制的协同设计,实现了卷积神经网络与Transformer特征的深度整合。该模块的核心在于双路径特征融合:一方面接收来自MobileNetV3路径的60×60×160高分辨率特征,保留微裂缝的精细纹理;另一方面整合Swin Transformer路径输出的28×28×96低分辨率特征,捕获裂缝网络的全局拓扑结构。特征对齐阶段通过双线性插值将高维特征下采样至28×28分辨率,并采用1×1卷积统一通道维度至384,与Transformer特征的96通道拼接形成480维融合特征。坐标注意力机制通过沿井深(y轴)和方位角(x轴)两个方向分别计算注意力权重,其中x方向全局平均池化捕获裂缝走向特征,y方向池化强化深度连续性,二者通过Sigmoid激活生成空间权重图,使网络能够自适应增强关键区域的响应。

自适应特征金字塔,如图5所示,其部分采用多分支空洞卷积策略,包含1×1卷积提取全局上下文、3×3空洞卷积(dilation=2)捕捉中等尺度裂缝特征,以及5×5空洞卷积(dilation=4)建模大尺度裂缝模式,最终输出28×28×512的增强特征。

其中全局感知分支(1×1):采用全局平均池化操作,将整个特征图压缩为通道统计向量,能够把握裂缝网络的整体分布规律,特别适用于识别延伸较长的主干裂缝,将全局感知分支得到的统计量命名为g_c,其表达式为

(12)

${g}_{c}=\frac{1}{{473}^{2}}\sum _{y=1}^{473}\sum _{x=1}^{473}{X}_{c}(y,x)$

式(12)中:下标c≤3,为RGB三通道;X_c为输入特征单通道像素值。

中尺度分析分支(3×3):通过3×3区域平均池化在滑动窗口内进行局部特征聚合。这个分支既能保持足够的视野范围,又能分辨裂缝的中等尺度特征(如5~20像素的次级裂缝),将3×3区域均值命名为L_c(y,x),其表达式为

(13)

${L}_{c}(y,x)=\frac{1}{9}\sum _{v=y-1}^{y+1}\sum _{u=x-1}^{x+1}{X}_{c}(v,u)$

微观解析分支(5×5):使用5×5的池化窗口深入提取细粒度特征。通过更大的感受野,有效抑制局部噪声的同时增强微小裂缝的信噪比,将5×5区域均值命名为L_c(y,x),其表达式为

(14)

${L}_{c}(y,x)=\frac{1}{25}\sum _{v=y-2}^{y+2}\sum _{u=x-2}^{x+2}{X}_{c}(v,u)$

将三层分支所提取得均值进行动态权重融合输出,将其命名为Y_c(y,x),其表达式为

(15)

$\begin{array}{l}{Y}_{c}(y,x)={\omega }_{g}{\stackrel{-}{g}}_{c}+{\omega }_{m}{M}_{c}(y,x)+\\ {\omega }_{l}{L}_{c}(y,x)\end{array}$

式(15)中:ω_g、ω_m、ω_l为动态权重系数;${\stackrel{-}{g}}_{c}$为全局特征的广播扩展。

AFPN-CA多尺度融合模块输出的28×28×512特征图通过双线性插值上采样后,便会直接输入ASPP解码器进行多尺度上下文信息提取,从而实现从多尺度特征融合到像素级预测的无缝衔接。

4.4 像素级分割解码器ASPP

空洞空间金字塔池化(atrous spatial pyramid pooling,ASPP)模块通过多分支协同机制构建160维融合特征,其核心在于将局部细节与全局语义进行多层次耦合。第一步先进行4个并行卷积分支(1×1标准卷积、rate=3、6、9的空洞卷积)分别输出28×28×32的特征图,专注于不同尺度裂缝的局部模式捕捉(从3×3邻域的微纹理到25像素感受野的大裂缝结构)。现将AFPN-CA直接输出的像素特征值命名为F_in。

(16)

${F}_{in}\in {R}^{28\times 28\times 512}$

1×1标准卷积的表达式为

(17)

${F}_{1}=Con{v}_{1\times 1}\left({F}_{in}\right),{W}_{1}\in {R}^{512\times 32}$

式(17)中:W₁为卷积权重。

3×3空洞卷积可表示为

(18)

${F}_{rate}=Con{v}_{3\times 3}^{\eta =rate}\left({F}_{in}\right),{W}_{rate}\in {R}^{512\times 32}$

式(18)中:rate=3、6、9;W_rate为卷积权重;η为空洞率。

而全局平均池化分支则通过压缩空间维度至1×1后经1×1卷积扩展为32维全局特征向量F_g,其表达式为

(19)

${F}_{g}=Con{v}_{1\times 1}\left[GAP\right({F}_{in}\left)\right]$

(20)

${F}_{g}^{up}=Resize({F}_{g},28\times 28)$

式(20)中:${F}_{g}^{up}$为空间广播的全局上下文;Resize为插值及池化操作。

再上采样至28×28分辨率实现空间广播,最终与128维局部分支特征拼接形成160维融合特征F_aspp,其表达式为

(21)

${F}_{aspp}=Concat[{F}_{1},{F}_{3},{F}_{6},{F}_{9},{F}_{g}^{up}]\in {R}^{28\times 28\times 128}$

式(21)中:F₁、F₃、F₆、F₉为不同尺度的局部分支输出特征图。

这种设计使每个空间位置的特征向量同时包含局部窗口的几何细节(占80%)和全图统计的语义先验(占20%),在电成像测井任务中,GAP分支的全局上下文引导使断续裂缝的连通性预测准确率提升12%,通过1×1卷积将160维特征压缩至128维输出时,既保留了裂缝边缘的锐利度,又通过通道注意力机制自动强化重要特征流,最终在高精度mIoU下实现较高的实时性能,其动态空洞率调整策略(d=3、6、9自适应)与MobileNetV3主干的轻量化特征形成端到端的协同优化,实现电成像裂缝的准确自动识别。

5 实验过程与结果分析

5.1 电成像图像数据预处理

电成像测井(FMI/EMI/XRMI)能清晰表征井壁裂缝特征,但受井身形态影响易产生空白条带。采用一种结合Filtersim(地质统计学多点模拟)和Inpainting(图像修复算法)的组合方案来填补空白区域并优化图像的连续性。该方案要求原始图像的覆盖率至少达到50%,因为算法会将原始图像的覆盖部分用作地质统计模拟的训练图像(Training Image)。具体操作中,算法首先根据极板的方位角和覆盖范围确定空白条带的位置。对于大面积的空白区域,优先使用Filtersim来模拟地质结构;而对于小面积的空白区域或复杂的纹理区域,则采用Inpainting进行局部修复。如图6所示,其展示了电成像空白条带去除的效果。

该算法通过分析已知区域的纹理特征,生成符合地质规律的空白区域图像。利用偏微分方程或深度学习模型,根据邻近像素的梯度信息迭代填充空白区域,从而保持图像边缘的连续性,且经过图像对比,修复准确率达98.6%。

5.2 数据集制作

在TransFracNet的编码过程中,可充分利用已分类的4种裂缝类型(雁状诱导缝、高角度高阻缝、斜交高导缝、低角度高导缝)来增强特征提取的针对性和可解释性。针对图7中呈现的原始电成像数据,通过电阻率色标和几何形态分析定位各类裂缝的典型区域——暖色调高阻区(如右上角)对应高角度高阻缝,需在图8的test_05和test_12子图中重点捕捉垂直走向的细亮线特征;图7底部近水平延伸的暗色条带则对应低角度高导缝,应在图8的test_16子图中验证其宽缓波浪形响应。对于雁状诱导缝,需在图8的test_03和test_09子图内检测30°~60°倾角的平行短裂缝组,通过方向滤波器增强其周期性排列特征;而斜交高导缝的识别则依赖于图8的test_07等交叉区域,需结合非最大抑制算法提取45~75°交叉裂缝的网状模式。

这四类裂缝的先验知识可编码至TransFracNet的位置嵌入层(如为高角度缝添加垂直方向偏置)和AFPN-CA的注意力掩码(对高导缝区域降低空间权重),最终在如图9所示的数据集图中以差异化的响应强度呈现,高角度高阻缝表现为高亮细线(像素值>0.9),雁状缝呈现等距条纹(间距方差<0.1),斜交缝形成星形交叉节点,低角度缝则为宽幅低对比度区域,通过t-SNE降维可视化可清晰观察到四类裂缝在特征空间的聚类分离。这种融合地质先验的编码方式,相比通用特征提取方法在交叉裂缝的拓扑保持指标上提升,同时保持实时处理能力(单帧<50 ms)。

5.3 模型对比实验与结果展示

在电成像测井裂缝识别任务中,TransFracNet算法通过融合地质先验知识与深度学习架构的创新设计,展现出相较于传统PSPNet和FCN算法的显著优势。具体而言,PSPNet虽然通过金字塔池化模块捕获多尺度上下文信息,但其固定的感受野设计难以适应电成像中从毫米级微裂缝到米级主裂缝的极端尺度变化,尤其对雁状诱导缝的周期性特征保持不足(间距方差较TransFracNet高出0.2以上);而FCN受限于局部卷积的有限感受野,在处理高角度裂缝时频繁出现断裂现象,且无法有效区分电阻率差异微弱的裂缝与背景噪声。相比之下,TransFracNet通过方向敏感的位置编码(垂直角度误差<5°)、裂缝类型自适应的动态空洞卷积以及电导率加权的注意力机制,在保持实时处理速度为45FPS的同时,实现了对复杂裂缝系统几何特性的精准刻画,如图10所示。

选择LX井部分井段进行3种模型裂缝自动拾取并与人机交互识别裂缝进行对比,绘制对比图,如图11所示。在3 957.5 m处,能明显看到TransFracNet模型识别的密集裂缝线(间距<0.2 m)与人机交互电成像裂缝识别结果最为相近且识别裂缝总密度相似率为92.3%,较传统方法提升25%的准确率,且将误检率降低至3.7%,而传统模型则在不少裂缝处存在断裂或误检。

6 结论

基于深度学习模型开展页岩气储层电成像裂缝自动识别研究,以四川盆地泸州区块页岩气井电成像测井数据为研究对象,针对复杂裂缝系统的高精度识别难题,提出一种融合MobileNetV3与Swin Transformer的混合编码网络(TransFracNet深度学习模型),得出以下结论。

(1)TransFracNet模型通过Watershed位置编码注入地质先验知识,结合AFPN-CA多尺度特征融合模块,实现了对高角度裂缝、网状裂缝等复杂结构的精准识别,交叉点识别准确率达92.3%。

(2)模型采用轻量化设计,在保持473×473高分辨率输入条件下,较传统方法参数量降低60.7%,计算效率提升3倍,满足测井现场实时处理需求。

(3)针对电成像数据空白条带问题,开发了基于Filtersim+Inpainting的预处理流程,经现场验证,裂缝连续性修复准确率达98.6%,显著提升后续识别可靠性。

(4)在实用性方面,TransFracNet模型依托Filtersim-Inpainting预处理流程,有效修复电成像空白条带(修复完整度98.6%),显著提升数据质量;系统处理速度稳定在45 FPS,单井解释效率较人工解释提升20倍,可满足大规模页岩气井场的实时处理需求。该模型已成功应用于泸州区块五峰-龙马溪组10口页岩气井的裂缝解释任务,累计识别裂缝长度超过1.2 km,为压裂方案优化提供了关键参数支撑。

(5)在应用前景上,本文方法可扩展至四川盆地其他区块(如威远、涪陵等)的页岩气储层评价,并可适配多种电成像设备(如FMI、XRMI)。未来通过融合核磁共振、阵列声波等多模态数据,有望实现裂缝开度、充填物性质等参数的联合反演,形成页岩气储层“裂缝识别-参数定量-工程决策”一体化智能解决方案,推动油气勘探向智能化、自动化方向发展。

(6)本文方法的优势主要体现在三方面:① 轻量化设计使模型可在普通GPU服务器部署,降低了硬件门槛;② AFPN-CA模块支持多尺度裂缝特征融合,对低角度缝、网状缝等复杂结构具有较强识别能力;③ Watershed位置编码引入地质先验,提升了解释结果的地质合理性。

(7)当前方法的局限性在于:① 模型训练依赖大量人工标注数据,在裂缝类型极稀缺样本(如溶蚀缝)上泛化能力有待提升;② 对井眼垮塌等极端工况造成的图像畸变适应性不足;③ 裂缝参数定量反演模块尚处于研发阶段,需进一步集成岩石力学模型。后续工作将重点围绕以上瓶颈开展优化。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	周继, 南智军, 段成栋, 等. 页岩气全电动自动化压裂工艺技术研究与应用[J]. 工业控制计算机, 2025, 38(7): 44-45, 48.

[2]	Zhou Ji, Nan Zhijun, Duan Chengdong, et al. Fully electric and automated fracturing technology for shale gas[J]. Industrial Control Computer, 2025, 38(7): 44-45, 48.

[3]	刘立航, 胡海燕, 詹学锋, 等. 泸州区块龙马溪组深层页岩孔隙结构及NMR分形特征[J]. 中国科技论文, 2023, 18(5): 501-511.

[4]	Liu Lihang, Hu Haiyan, Zhan Xuefeng, et al. Pore structure and NMR fractal characteristies of deep shale of Longmaxi Formation in Luzhou block, Sichuan Basin[J]. China Sciencepaper, 2023, 18(5): 501-511.

[5]	石学文, 吴伟, 胡海燕, 等. 泸州地区深层五峰-龙马溪组页岩气储层全孔径表征及其主控因素[J]. 地球科学, 2023, 48(1): 158-172.

[6]	Shi Xuewen, Wu Wei, Hu Haiyan, et al. The whole apertures of deeply buried Wufeng-Longmaxi Formation shale and their controlling factors in Luzhou district, Sichuan Basin[J]. Earth Science, 2023, 48(1): 158-172.

[7]	黄登旺. 川南深层页岩气水平井测井解释方法研究[D]. 武汉: 长江大学, 2023.

[8]	Huang Dengwang. Study on interpretation method of deep shale gashorizontal well logging in southern Sichuan[D]. Wuhan: Yangtze University, 2023.

[9]	魏伯阳, 杨占军, 王立党, 等. Faster R-CNN在储层裂缝识别中的初探[J]. 河南水利与南水北调, 2024, 53(11): 62-63.

[10]	Wei Boyang, Yang Zhanjun, Wang Lidang, et al. Application of Faster R-CNN in reservoir fractures identification[J]. South-to-North Water Transfers and Water Science & Technology, 2024, 53(11): 62-63.

[11]	Chen S. The wavelet transformation sensitiveness to direction of image characteristics and its application in formation microscanner image fracture identification[J]. Sensors & Transducers, 2014, 173(6): 16-20.

[12]	景建恩, 魏文博, 梅忠武, 等. 裂缝型碳酸盐岩储层测井评价方法——以塔河油田为例[J]. 地球物理学进展, 2005, 20(1): 78-82.

[13]	Jing Jianen, Wei Wenbo, Mei Zhongwu, et al. Method of well-logging interpretation for fracture reservoirs of carbonate rock: a case study in Tahe oilfield[J]. Progress in Geophysics, 2005, 20(1): 78-82.

[14]	李振苓, 沈金松, 李曦宁, 等. 用形态学滤波从电导率图像中提取缝洞孔隙度谱[J]. 吉林大学学报(地球科学版), 2017, 47(4): 1295-1307.

[15]	Li Zhenling, Shen Jinsong, Li Xining, et al. Estimating porosity spectrum of fracture and karst cave from conductivity image by morphological filtering[J]. Journal of Jilin University(Earth Science Edition), 2017, 47(4): 1295-1307.

[16]	Xue Y C, Cheng L S, Mou J Y, et al. A new fracture prediction method by combining genetic algorithm with neural network in low-permeability reservoirs[J]. Journal of Petroleum Science and Engineering, 2014, 121: 159-166.

[17]	Azim R A. Estimation of reservoirs fracture network properties using an artificial intelligence technique[J]. International Journal of Applied Engineering Research, 2021, 12(15): 5345-5350.

[18]	邹文波. 人工智能研究现状及其在测井领域的应用[J]. 测井技术, 2020, 44(4): 323-328.

[19]	Zou Wenbo. Artificial intelligence research status and applications in well logging[J]. Well Logging Technology, 2020, 44(4): 323-328.

[20]	李冰涛, 王志章, 孔垂显, 等. 基于成像测井的裂缝智能识别新方法[J]. 测井技术, 2023, 43(3): 257-262.

[21]	Li Bingtao, Wang Zhizhang, Kong Chuixian, et al. A new intelligent method of fracture recognition based on imaging logging[J]. Well Logging Technology, 2023, 43(3): 257-262.

[22]	褚鸿鹄, 袁华青, 龙砺芝, 等. 基于Transformer的高分辨率桥梁裂缝图像级联分割方法[J]. 中国公路学报, 2024, 37(2): 65-76.

[23]	Chu Honghu, Yuan Huaqing, Long Lizhi, et al. A Transformer-based cascade method for segmenting bridge cracks from high-resolution images[J]. China Journal of Highway and Transport, 2024, 37(2): 65-76.

[24]	罗超, 李金玺, 李智武, 等. 四川盆地泸州区块构造变形特征及形成过程[J]. 成都理工大学学报(自然科学版), 2022, 49(6): 665-673.

[25]	Luo Chao, Li Jinxi, Li Zhiwu, et al. Structural deformation characteristics and formation process of Luzhou block in Sichuan Basin, China[J]. Journal of Chengdu University of Technology (Science & Technology Edition), 2022, 49(6): 665-673.

[26]	闫建平, 罗静超, 石学文, 等. 川南泸州地区奥陶系五峰组-志留系龙马溪组页岩裂缝发育模式及意义[J]. 岩性油气藏, 2022, 34(6): 60-71.

[27]	Yan Jianping, Luo Jingchao, Shi Xuewen, et al. Fracture development models and significance of Ordovician Wufeng-Silurian Longmaxi shale in Luzhou area, southern Sichuan Basin[J]. Lithologic Reservoirs, 2022, 34(6): 60-71

[28]	冯周, 武宏亮, 郭洪波, 等. 电成像测井图像微锯齿精细校正方法研究[J]. 测井技术, 2017, 41(4): 423-427.

[29]	Feng Zhou, Wu Hongliang, Guo Hongbo, et al. Sawtooth effect correction for electric lmaging logging curves[J]. Well Logging Technology, 2017, 41(4): 423-427.

[30]	刘耀伟. 电成像测井资料的地层倾角处理方法研究与软件开发[D]. 北京: 中国石油大学(北京), 2007.

[31]	Liu Yaowei. Electrical image log formation dip processing method study and software developing[D]. Beijing: China University ofPetroleum (Beijing), 2007.

[32]	申科, 肖小玲, 张翔, 等. 改进PSPNet的电成像测井裂缝自动识别[J]. 科学技术与工程, 2025, 25(7): 2691-2702.

[33]	Shen Ke, Xiao Xiaoling, Zhang Xiang, et al. Improved automatic crack identilfication for electrical imaging logging using PSPNet[J]. Science Technology and Engineering, 2025, 25(7): 2691-2702.

[34]	Xiang C, Guo J, Cao R, et al. A crack-segmentation algorithm fusing transformers and convolutional neural networks for complex detection scenarios[J]. Automation in Construction, 2023, 152:104894.