基于深度学习的超声成像测井裂缝的语义分割

作     者：敖代钦 

作者单位：长江大学 

学位级别：硕士

导师姓名：周箩鱼

授予年度：2023年

学科分类：0820[工学-石油与天然气工程] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 082002[工学-油气田开发工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：深度学习 成像测井 语义分割 裂缝检测 

摘      要：随着社会经济的快速发展,石油和天然气资源的消耗量与日俱增。裂缝性油气藏的勘探开发对于油气资源的稳定供应具有重要的意义,因为裂缝性油气藏中的裂缝能够影响油气分布,所以裂缝的有效检测对于裂缝性油气藏的勘探开发具有一定的指导作用。目前,通过测井图像识别裂缝是检测裂缝的主要手段之一,但是测井裂缝的识别仍然需要人工操作,这不仅耗时耗力,而且识别结果也存在一定的人为误差。基于此,本文围绕基于深度学习的超声成像测井裂缝的语义分割方法展开研究,以实现测井图像中裂缝的自动检测,论文的主要工作和创新点如下:(1)考虑到测井图像需要较高的标注成本,本文设计了一种无需标注的测井裂缝分割算法。该算法能够从已有的数据集中学习与测井图像数据集相似的特征,从而减少测井图像的标注成本。(2)由于测井图像数据集样本数量少、轮廓不清晰等特点,本文根据医学图像分割任务与测井裂缝分割任务的相似性,以医学图像分割领域应用较为广泛的UNet结构为基础,设计了一种基于UNet的测井裂缝分割算法,较好地实现了测井裂缝的分割。(3)因为Transformer在计算机视觉任务中的优异表现,本文设计了一种基于Transformer的测井裂缝分割算法,该算法以UNet结构为基础,将UNet的编码层和解码层替换为Swin Transformer的基本模块,该算法同样具有良好的分割效果。本文设计的三种算法均能实现测井裂缝的自动检测,但是受限于样本数量和标注精度等客观条件,测井裂缝的分割效果仍然存在较大的改进空间。本文的工作从三种不同的思路对实现测井裂缝的自动分割进行了尝试,为后续工作提供了一些参考。