关键词:
生物扰动
深度学习
碳酸盐岩储集层
塔河油田
图像分类
摘要:
生物扰动是(古)生物在生命活动过程中在沉积物表面或内部形成的各种沉积结构或沉积构造,在分析沉积地层古环境、预测其分布规律、评价烃源岩生烃能力和盖层封堵能力、揭示(古)生物对油气储集层的改造机制和改造效应等方面具有重要应用。传统生物扰动强度分析主要依靠人工识别后对照生物扰动指数图版进行半定量划分,因此受主观因素影响大,执行效率低且结果容易产生较大误差。文中通过引入EMA (Efficient Multi-Scale Attention)注意力机制到ResNet-50模型中,提出了一种加入注意力机制的残差网络模型(Res-EMANet)。该模型在训练过程中采用随机梯度下降算法(Stochastic Gradient Descent,SGD),初始学习率为0.01,权重衰减参数为0.0001;批次大小设置为16,共执行了300个轮次。从Accuracy (准确率)、Precision(精确率)、Recall (召回率)、F1分数和混淆矩阵等5个方面评价了模型结构改进对模型性能的影响,并利用塔里木盆地奥陶系16口取心井3028张含不同等级生物扰动的岩心照片数据集进行了模型检验,结果表明:(1)该模型能够准确划分岩心数字图像上0~5级别的生物扰动强度,准确率高达91%,显著优于传统人工方法和已有的ResNet-50模型。(2)该模型在提升生物扰动等级识别准确度的同时,有效降低了对专家知识的依赖和人工评估生物扰动等级的劳动强度及个人主观性的影响,在生物扰动特征的自动化、智能化和定量化分析等方面展了显著的应用优势。本研究为生物扰动程度评估和识别的自动化处理提供了一款高效可靠的定量化分析工具,这对油气勘探领域的沉积学和古生物学研究具有重要意义。