使用电子显微镜实验和深度学习解释识别岩石孔隙结构和渗透率

• Abstract 摘要
• • 方法
  • 结果+结论
• 2Method：基于深度学习的语义分割
• • 2.1 FCN
  • 2.2基于FCN的语义分割
• 3Method：基于深度学习的页岩电镜孔隙识别
• • 3.1图像识别数据生成
  • 3.2砂岩的SEM图像识别的训练
  • 3.3砂岩的自动化分割
• 4结果和分析
• • 4.1 基于深度学习的砂岩孔隙渗透系数计算
  • 4.2 计算结果及与其他方法的比较
• 5.结论

Abstract 摘要

方法

1. 通过基于人工智能的图像语义分割，分析孔隙特征
2. 通过基于深度学习框架，分析砂岩微观孔隙特征和宏观渗透率参数之间的关系

结果+结论

1. 该方法解决了传统图像识别方法的局限性（例如扫描电子显微镜SEM图像中无法获得完整的孔隙空间特征、分割效果差、分割精度低）
2. 该方法可充分发挥图像准确识别的优势，实现显微图像的自动处理，显著提高岩样孔隙识别的准确性。

2Method：基于深度学习的语义分割

2.1 FCN

解决了图像大小与输出预测图大小不一致的问题。

2.2基于FCN的语义分割

3Method：基于深度学习的页岩电镜孔隙识别

3.1图像识别数据生成

3.2砂岩的SEM图像识别的训练

3.3砂岩的自动化分割

4结果和分析

4.1 基于深度学习的砂岩孔隙渗透系数计算

4.2 计算结果及与其他方法的比较

5.结论

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！