砂砾岩储层在油气勘探中占据着重要的地位,其储层特性对油气的赋存和开采效率有着直接影响。但砂砾岩的颗粒组成复杂,孔隙结构多变,导致其表现出较强的非均质性,增加了地质分析和储层评价的难度。本文以乌尔逊凹陷铜钵庙组砂砾岩薄片图像为研究对象,提出了一种基于深度学习的砂砾岩薄片图像颗粒精准识别与特征提取方法,并探讨该地区储层基本特征与储集规律。 本文通过对岩心精细观察、XRD全岩黏土矿物定量分析、高压压汞等地质实验,分析该地区砂砾岩储层的基本特征和成岩作用;针对砂砾岩薄片图像颗粒分布密集、边界模糊和小颗粒漏检率高等问题,在传统Mask R-CNN模型上引入软Ro I分割机制和加权Ro I融合策略,并采用Dice Loss与Io U Loss组合损失函数,提升颗粒边界分割精度;针对普通薄片无法全面覆盖砂砾岩结构的局限性,通过冷冻制片、超大薄片制备等技术与激光共聚焦显微镜,获取高分辨率的大视野图像,通过特征点匹配和多分辨率融合技术完成图像高精度拼接;最后使用改进后的方法识别颗粒,对砂砾岩颗粒识别结果进行特征提取,实现智能提取应用。 本文的主要研究成果如下:(1)铜钵庙组储层主要由石英和长石组成,黏土矿物含量较低。储集空间以次生粒间孔、溶蚀孔和微裂缝为主。根据岩石结构、支撑方式和分选性,将储层岩相划分为同级颗粒支撑、多级颗粒支撑和杂基支撑三类。同级颗粒支撑岩相的储集能力最好,杂基支撑最差。成岩作用主要受到胶结和溶蚀作用的影响。(2)基于优化后的Mask R-CNN算法,模型在铜钵庙组砂砾岩薄片图像数据集上达到了0.75的分割精度,相较其他基线模型提升了颗粒边界分割精度和小颗粒识别能力。(3)铜钵庙组砾石颗粒的平均粒度在1.04-8.90mm之间,分选系数为0.58-1.86,磨圆度集中在次棱角至次圆区间,整体分选性较差至中等。特征提取结果与对应测井解释、薄片分析实验结果相符,为储层的精细化表征和高效开发提供了新技术手段,推动了深度学习技术在地质领域的应用。