岩心铸体薄片图像(以下简称岩心图像)分类是石油地质勘探中油气储层评价的关键环节,但其应用长期受限于两大瓶颈:传统方法对领域专家经验的过度依赖和分类精度不足。近年来,随着机器学习技术的发展,岩心图像分类研究取得了一定的进展,部分问题也得到改善,但分类准确率有限且需要大量的数据集作为支撑。针对以上问题,本文提出基于图神经网络的小样本岩心图像分类算法,旨在提高分类精度,降低人工依赖,具有实际应用和理论价值,主要工作如下: (1)研究实现基于MoNet-EGNN算法的岩心图像分类模型。该算法通过3个关键创新提升模型的分类效果。首先,采用Mobile Net-V2网络作为特征提取器,优化特征表示;其次,将边相似性度量优化为余弦相似度,增强模型对地质特征的学习;最后,通过分别优化边分类和节点分类的损失函数,有效提升模型分类精度。在5Way 3Shot任务设置下,本算法的分类准确率相较EGNN提升6.10%,达到90.08%。 (2)研究实现基于Res-MoNet-EGNN算法的岩心图像分类模型。虽然MoNe-EGNN算法的分类效果相较EGNN模型有显著提升,但其分类能力和稳定性仍有改进空间,并存在过拟合现象。为此,对MoNe-EGNN进行两项关键改进,提出Res-MoNet-EGNN算法。首先,在节点更新模块中引入残差机制,这一举措增强模型的稳定性,缓解训练过程中的过拟合问题,提高模型对新数据的鲁棒性。其次,基于Adam优化器引入锐度感知最小化算法,进一步提升模型的稳定性。在5Way 3Shot任务设置下,本算法的分类准确率相较EGNN提升7.84%%,达到91.82%;相较MoNet-EGNN,分类准确率提升1.74%,该算法为岩心图像分类在不同场景下提供新的选择。 (3)结合所提出的算法设计实现岩心图像分类系统。该系统将训练好的模型部署在本地运行,采用Python语言构建用户界面,使用户可以通过友好的操作界面使用算法。经全面的测试表明,本系统能够实现岩心图像的自动化分类。 综合实验表明,针对岩心图像分类任务,所提出的两个算法相较于其他岩心图像分类方法,在准确率或效率上有显著提升;所实现的系统为相关领域研究人员提供简洁高效的岩心图像分类平台;基于图神经网络的岩心图像分类算法的研究,为石油地质的勘探开发节省人力资源、减少主观偏差以及提升效率提供了新思路。