砂样岩屑图像特征的岩性智能高效识别

在录井过程中,岩屑的岩性分析主要依靠人工,效率较低且稳定性较差,难以在钻进地层过程中快速识别岩性变化。为此,提出基于砂样图像中颗粒岩屑纹理、色泽和形状等特征的岩性智能识别方法。首先,计算砂样图像的像素值梯度并求取颗粒质心,采用分水岭算法获取颗粒岩屑轮廓线并标记;然后,采用图像分割算法从砂样图像中分离出待检测的单个颗粒岩屑图像,建立颗粒岩屑图像样本库;最后,利用注意力机制及特征融合模块改进MobileNetV2网络,提取颗粒岩屑特征并分类,实现单个颗粒岩屑图像岩性识别,进而获取砂样岩性成分比。该方法将以往岩性智能识别过程中常采用的砂样整体识别方式转变为对砂样中单颗粒岩屑的岩性识别,大幅度减少了颗粒岩屑之间的相互干扰。多个油气区块的砂样图像测试结果表明,该方法对灰岩、泥岩、砂岩和页岩的识别准确率均不低于92%,一组砂样图像岩性分析的用时小于10 s。

基于数字图像的岩石成对断面特征分析

岩石断裂面的特征研究是岩石断裂理论的基本问题之一,但是对成对断面特征认识较少。基于数字图像技术,针对成对断面的异同及特征进行研究。给出数字图像技术基本原理与方法,提出岩石断面数字图像的标准化方法、对比判断准则、处理流程。开展6组花岗岩巴西圆盘劈裂试验,对成对断面进行了基于R、G、B和灰度分量的特征分析。结果表明:(1)数字图像技术可应用于成对断面特征分析中;(2)对于花岗岩巴西圆盘劈裂试验,单断面R、G、B、Y分量分布规律一致,符合高斯线性组合,成对断面之间的R、G、B、Y分量分布差异明显;(3)巴西圆盘劈裂试验下,对于A类花岗岩试样,从岩石不同组分中断裂约占21. 1%~23. 0%,B类花岗岩约为33%~38%,C类花岗岩约为37. 5%~43. 9%。结论利于深化对岩石成对出现的断面特征差异的认识,同时对于数值分析中的损伤断裂分析中的微观参数设定、最终断面形态及断裂路径具有重要的参考价值。

白格滑坡-碎屑流堆积体颗粒识别与分析

受到滑坡-碎屑流灾害瞬时性及致灾性极强的影响,滑坡-碎屑流灾害往往极难直接观察研究。对其堆积体颗粒的研究是滑坡-碎屑流研究极好的切入点。为方便快捷的统计分析堆积体颗粒粒径分布,采用无人机航拍与图像识别技术相结合的方式获取堆积体粒径数据,并将PCAS软件运用于堆积体粒径识别,并提出"无人机航拍-PCAS图像识别"的粒径分析工作方法。以2018年11月3日发生的白格滑坡-碎屑流为研究案例,对滑坡-碎屑流堆积体粒度分布进行统计分析。结果显示:(1)PCAS软件能有效识别堆积体颗粒粒径;(2)堆积体中小粒径占了绝大多数,随滑坡-碎屑流运动距离增加,小粒径含量增加,且大粒径出现"双峰"现象;(3)白格滑坡斜坡堆积面密度与斜坡坡度之间存在一定关系,并推导建立了其关系的经验公式;(4)堆积体形态特征参数的变化能侧面反应滑坡-碎屑流的运动过程及运动特性。对白格滑坡-碎屑流堆积体颗粒的研究结果表明,PCAS软件应用于堆积体粒径统计分析是可靠的,能在滑坡-碎屑流研究领域发挥一定的作用。