Quantitative characterization of organic and inorganic pores in shale based on deep learning
Notice bibliographique
Résumé
ABSTRACT Organic matter (OM) maturity is closely related to organic pores in shales. Quantitative characterization of organic and inorganic pores in shale is crucial for rock-physics modeling and reservoir porosity and permeability evaluation. Focused ion beam-scanning electron microscopy (FIB-SEM) can capture high-precision three-dimensional (3D) images and directly describe the types, shapes, and spatial distribution of pores in shale gas reservoirs. However, due to the high scanning cost, wide 3D view field, and complex microstructure of FIB-SEM, more efficient segmentation for the FIB-SEM images is required. For this purpose, a multiphase segmentation workflow in conjunction with a U-net is developed to segment pores from the matrix and distinguish organic pores from inorganic pores simultaneously in the entire 3D image stack. The workflow is repeated for FIB-SEM data sets of 17 organic-rich shales with various characteristics. The analysis focuses on improving the efficiency and relevance of the workflow, that is, quantifying the minimum number of training slices while ensuring accuracy and further combining the fractal dimension (FD) and lacunarity to study a simple and objective method of selection. Meanwhile, the computational efficiency, accuracy, and robustness to noise of the 2D U-net model are discussed. The intersection over the union of automatic segmentation can amount to 80%–95% in all data sets with manual labels as ground truth. In addition, calculated by the FIB-SEM multiphase segmentation, the organic porosity is used to quantitatively evaluate the OM decomposition level. Deep-learning-based segmentation shows great potential for characterizing shale pore structures and quantifying OM maturity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».