中国科学技术信息研究所--国家工程技术数字图书馆

[学位论文] 王树楷西安石油大学 2023年硕士导师: 潘少伟共84页

摘要 : 利用油井历史生产数据对未来油井产油量进行预测一直以来都是油田科研人员研究的重点。使用统计学习方法进行油井产油量预测时，存在预测精度低、专业知识需求过多等问题。随着机器学习的发展和应用，在一定程度上改善了统计学习所面对的问题，但新的... 展开利用油井历史生产数据对未来油井产油量进行预测一直以来都是油田科研人员研究的重点。使用统计学习方法进行油井产油量预测时，存在预测精度低、专业知识需求过多等问题。随着机器学习的发展和应用，在一定程度上改善了统计学习所面对的问题，但新的问题凸显出来:机器学习对油井生产数据中存在的时间序列特征提取能力不足、深度学习训练开销大且易发生过拟合现象等。针对上述问题，本文提出基于深度置信网络的油井产油量预测算法，主要研究工作如下: (1)使用最大信息系数对油井生产数据进行特征重要性选择。考虑到庞大的油井产油量生产数据中存在许多无关特征，使用最大信息系数算法对生产数据中的重要特征进行提取，并构建单一深度置信网络的油井产油量预测算法。经过实验验证，与BP神经网络、支持向量回归等模型相比，单一深度置信网络算法在预测精度与模型泛化性方面有很大提升。 (2)研究实现了长短期记忆神经网络与深度置信网络的油井产油量预测算法。鉴于油井产油量生产数据具有时间序列特性，使用长短期记忆神经网络提取数据的时间序列特征。为防止在提取过程中发生过拟合现象，在长短期记忆神经网络层之间引入Dropout层。经过实验验证，长短期记忆神经网络能高效提取生产数据中存在的时间序列特征，提高模型预测精确度。 (3)研究实现了时序卷积网络与深度置信网络的油井产油量预测算法。针对长短期记忆神经网络中存在的并行性、长时间序列中梯度稳定性等问题，使用时序卷积网络提取时间序列特征。考虑到输入特征之间存在的相关性，将自注意力机制融合到预测算法中以提高预测精度。经过实验验证，时序卷积网络的特征提取能力更强，模型预测精度更高，模型训练时间开销更小。综合实验结果表明，针对油井产油量预测问题，本文所提算法与其它方法相比，一方面可以提高油井产油量预测的精确度;另一方面提高了油井产油量预测的效率，为石油开采计划的制定提供重要的理论和技术支持。收起

关键词 : 油井产量预测特征提取深度置信网络长短期记忆神经网络时序卷积网络

2. 基于深度学习的测井曲线补全算法研究与实现

[学位论文] 牟昱辉西安石油大学 2023年硕士导师: 潘少伟共78页

摘要 : 测井曲线补全研究是石油工程领域的基础性研究之一。完整且有效的测井曲线可反应油气田井下地层的岩性、孔隙度、饱和度以及渗透率等物理参数。但实际测井时会出现测井仪器故障等不可避免的情况，导致部分测井曲线丢失或失真，而重新测井施展难度较大... 展开测井曲线补全研究是石油工程领域的基础性研究之一。完整且有效的测井曲线可反应油气田井下地层的岩性、孔隙度、饱和度以及渗透率等物理参数。但实际测井时会出现测井仪器故障等不可避免的情况，导致部分测井曲线丢失或失真，而重新测井施展难度较大。因此，在不消耗额外经济成本的情况下研究如何补全缺失的测井曲线就显得尤为关键。随着深度学习的快速发展，利用深度学习算法补全缺失的测井曲线成为了研究热点。本文针对GRU模型补全测井曲线时，存在不可兼顾测井曲线局部细节特征以及测井曲线随深度变化的趋势、未考虑测井曲线数据点之间互相影响的问题，提出基于CNN-AB-BiGRU的测井曲线补全算法和基于RES-AB-BiGRU的测井曲线补全算法。主要工作如下。 (1)设计实现基于GRU的测井曲线补全算法。测井曲线补全算法众多，首先基于测井曲线的特点研究传统机器学习以及深度学习算法中的基础模型。经理论分析，GRU模型最合适，该模型可充分利用测井曲线的时序信息。与RF、SVR、BPNN、1DCNN、RNN、LSTM模型进行实验对比并进行量化评估，GRU模型的补全效果最优，因此选择GRU模型作为后续研究的基础模型。 (2)研究实现基于CNN-AB-BiGRU的测井曲线补全算法。基础的GRU模型存在一定的缺陷，仅利用了测井曲线数据点之间单向影响的特点，未充分利用测井曲线的特性，因此构建CNN-AB-BiGRU模型。该模型综合了 CNN的局部特征提取特性、注意力机制的特征权重分配特性以及BiGRU网络的长期信息记忆特性和双向捕获信息特性。与GRU、BiGRU、CNN-BiGRU模型进行实验对比并进行量化评估，CNN-AB-BiGRU模型的补全效果最优。除此之外，四种模型的对比实验证明CNN、BiGRU和注意力机制均可进一步提升模型的补全精度。 (3)研究实现基于RES-AB-BiGRU的测井曲线补全算法。考虑到CNN-AB-BiGRU模型仅用到了基础的CNN。ResNet为CNN的一种，可在一定程度上避免梯度消失;除此之外，ResNet的直接映射结构可保证测井曲线信息不会随着卷积的增加而损耗，在一定程度上保证了测井信息的完整性，更利于后续的映射进程。所以采用ResNet提取测井曲线的局部细节特征，构建RES-AB-BiGRU模型。该模型综合了 ResNet的局部特征提取特性、注意力机制的特征权重分配特性以及BiGRU网络的长期信息记忆特性和双向捕获信息特性。实验结果表明，与RF、CNN-AB-BiGRU和TCN模型相比，RES-AB-BiGRU模型可最为精准地补全不同井的不同测井曲线。综合实验结果表明，针对测井曲线补全问题，本文提出的基于CNN-AB-BiGRU的测井曲线补全算法和基于RES-AB-BiGRU的测井曲线补全算法与其它方法相比，一方面可更为精准地补全缺失的测井曲线;另一方面，在保证补全精度的同时，补全成本大大降低，可为油气田研究人员提供一种补全测井曲线的新思路。收起

关键词 : 油气勘探测井曲线补全卷积神经网络残差网络双向门控循环单元神经网络注意力机制

3. 基于卷积神经网络的储层内夹层识别算法研究与应用

[学位论文] 郑泽晨西安石油大学 2021年硕士导师: 潘少伟共73页

摘要 : 油田已有的夹层识别方法存在主观性强、适应性差和数据利用率低等不足。因此，本文结合油田已有的地质数据和生产数据，提出基于卷积神经网络的储层内夹层识别算法，主要工作如下： (1)夹层测井曲线的图像较为特殊，其特征多聚集在曲线的变化上，... 展开

关键词 : 油气井夹层识别卷积神经网络遗传算法粒子群算法人工鱼群算法

4. 基于生成对抗网络的岩心图像去噪算法研究与实现

[学位论文] 马金采西安石油大学 2023年硕士导师: 潘少伟共72页

摘要 : 岩心铸体薄片图像（以下简称岩心图像）是岩心实物的高度保真图像，可以反映地下的原始面貌，在沉积环境推断、储层物性预测、油气分析等方面具有重要作用。通过对岩心图像进行相关处理，可以更好地认识岩心的地质构造。但岩心图像在获取时容易受到噪... 展开岩心铸体薄片图像（以下简称岩心图像）是岩心实物的高度保真图像，可以反映地下的原始面貌，在沉积环境推断、储层物性预测、油气分析等方面具有重要作用。通过对岩心图像进行相关处理，可以更好地认识岩心的地质构造。但岩心图像在获取时容易受到噪声的污染，图像去噪就成了首要问题。目前，基于深度学习的图像去噪算法能够解决传统算法计算量大、边缘模糊、细节丢失、生成图像质量不高等问题，从而得到了广泛应用。为了克服当前岩心图像去噪的挑战，基于生成对抗网络的岩心图像去噪算法研究与实现主要工作有以下两点: （1）研究实现一种基于全局残差的岩心图像去噪算法。该算法从网络结构及损失函数两个方面进行优化:在生成器网络中使用预激活残差模块和一个从输入直接通往输出的全局跳跃连接，以优化训练过程、解决梯度消失的问题;在对抗损失函数中引入梯度惩罚机制，将对抗损失、像素损失、感知损失及平滑损失加权融合作为损失函数，形成一种优化的复合感知损失函数，从像素、特征及语义层面对模型去噪能力进行提升。实验分析得出:该网络在J油田与S油田均能够有效去除噪声，生成的图像保留了岩心图像中结构特征的完整性，获得更好的视觉效果，有效验证了改进方法的可行性。（2）研究实现一种基于双频特征与注意力残差的岩心图像去噪算法。该算法为进一步恢复岩心图像的纹理细节，增强生成对抗网络对噪声特征的区分能力，进行了如下操作:①在生成器中通过加入八度卷积，它将特征图分成高频和低频两部分，提高了特征提取能力;②在残差结构末端嵌入通道注意力模块，提高网络对噪声的敏感度，避免在特征提取过程中细节丢失;③判别器采用PatchGAN,以引导生成器学习图像质量更好的岩心图像。实验结果表明:该网络在J油田与S油田均能够有效去除噪声，生成的去噪图像可获得优秀的图像质量，恢复更多纹理细节，在视觉效果和评价指标上都表现出色，有效验证了改进方法的优势。综合实验结果表明，针对岩心图像去噪问题，本文所提算法与CBM3D、WNNM、GCGAN和FFDNet等相比，存在以下优势:一方面，在提高训练速度的同时，高效地消除了噪声，得到更为真实的岩心图像;另一方面，降低了人工岩心图像去噪的成本,为后续岩心图像处理提供了重要的技术支撑，具有一定的理论意义和应用价值，同时对后续油气田领域的勘探和开发也产生了重要的现实意义。收起

关键词 : 生成对抗网络岩心图像去噪残差网络注意力机制八度卷积

5. 基于CNN的抽油机示功图分类算法设计与实现

[学位论文] 亢明珠西安石油大学 2023年硕士导师: 潘少伟共71页

摘要 : 利用计算机技术对抽油机示功图自动、准确、高效的分类是油田智能化、专业化的重要一环。针对目前关于示功图的分类方法中数据量少、分类准确率低等问题，结合油田示功图生产数据，提出基于卷积神经网络的示功图分类算法，主要工作如下: (1)研究... 展开利用计算机技术对抽油机示功图自动、准确、高效的分类是油田智能化、专业化的重要一环。针对目前关于示功图的分类方法中数据量少、分类准确率低等问题，结合油田示功图生产数据，提出基于卷积神经网络的示功图分类算法，主要工作如下: (1)研究实现一种基于可变形卷积的示功图分类算法。示功图曲线部分是有效的特征，在建立示功图分类模型时，要在保持较高的分类准确率的同时，能更好的达到抽油机示功图自动分类识别的实际要求。在几种经典的卷积神经网络中选择表现最佳的DenseNet作为基础的实验模型。从提升模型性能的角度出发，对网络使用的损失函数、卷积层、优化算法进行改进，以此构建DenseNet-DC网络。其中，添加可变形卷积替代密集层中3×3的卷积，以提高网络对几何形变物体的学习能力，增强网络的空间建模能力;使用Focal-Loss损失函数替代交叉熵损失函数，解决样本不平衡的问题，对难分类数据自动学习调整;使用Adam优化算法替代SGD优化算法，解决模型训练速度慢、损失震荡过大的问题。实验结果表明，DenseNet-DC模型在一定程度上可以有效提高模型的准确率，比最初的DenseNet网络分类准确率提升了1％。 (2)研究实现一种基于注意力机制的示功图分类算法。DenseNet-DC网络特有的密集连接能解决深层网络训练时梯度消失的问题，但也会导致大量的冗余信息复用，没有考虑从特征维度层面学习特征通道间的权重相关性，降低了特征提取过程的效率。为提高模型对特征的利用效率，进一步提高分类准确率，以此构建SE-DenseNet-DC网络。在DenseNet-DC网络的每一个DenseBlock模块中，添加特征自适应重标定的“SE模块”，让网络自适应调整各个通道的权重，更关注特征层中的有效特征通道。并在每个过渡层后添加单独的SENet块，重新调整特征图，保持网络的密集连接特点。通过一系列对比实验表明，SE-DenseNet-DC网络分类准确率最高，为98.4％。综合实验结果表明，针对示功图分类问题，本文所提算法与其它方法相比，一方面考虑到特定意义的示功图与实际生产过程的关联，使其反映真实的状况。能解决传统网络需要人工提取示功图几何特征的复杂工作过程与特征选取不当的问题，自动准确地对示功图图像精准分类。另一方面，基于卷积神经网络的示功图分类算法，能提高油田的综合管理，为未来的智能化操作提供一个全新的视角。收起

关键词 : 示功图卷积神经网络可变形卷积注意力机制抽油机

6. 基于机器学习的FC网络仿真与分析算法的设计与实现

[学位论文] 黄佳西安石油大学 2023年硕士导师: 潘少伟共71页

摘要 : FC(FibreChannel,FC)网络协议在实际应用中会产生海量数据，有效解析网络传输的中数据信息，能够真实直接地对网络运行状况的进行反馈，并快速精准进行故障定位与排除。传统的FC网络数据分析通常以网络字段为依据或海量数据直接搜索，面对数据量庞大复... 展开 FC(FibreChannel,FC)网络协议在实际应用中会产生海量数据，有效解析网络传输的中数据信息，能够真实直接地对网络运行状况的进行反馈，并快速精准进行故障定位与排除。传统的FC网络数据分析通常以网络字段为依据或海量数据直接搜索，面对数据量庞大复杂的FC网络数据传统方法搜索范围大，效率低下。随着机器学习的出现，众多领域都在发生变革与升级，机器学习因其高效的特点受到众多领域的青睐。为了解决传统的FC网络数据分析效率低下，逐步将机器学习引入FC网络数据分析全环节。本文提出基于组合神经网络的FC网络数据聚类算法。主要工作如下: (1)设计实现组合神经网络的FC网络数据聚类算法。该算法使用组合神经网络对处理后的数据进行特征提取，替代了传统分类或聚类中人为选择特征的环节。在特征提取模块中使用到了经典的ResNet18网络模型以及BP神经网络(ErrorBackPropagationTraining,BP)。本文对典型ResNet18精简优化，保留浅层特征提取模块。BP神经网络结合聚类评价指标轮廓系数，参与BP神经网络反向传播过程，形成基于K-Means的BP神经网络。实现聚类算法引导神经网络更新提取更高质量的数据特征以提升聚类结果。采用串行组合结构形成组合神经网络，通过改进网络结构来达到提高聚类精度的目的。 (2)设计实现了基于智能优化算法的参数寻优的FC网络数据聚类算法。该算法在组合神经网络聚类算法基础上提出的使用粒子群算法对K-Means算法超参数进行寻优，使用PSO算法对K-Means模型的参数进行寻优调整，在迭代寻优过程中，找到符合对应算法场景的K-Means算法的最佳参数组合。最大限度地提高算法本身的性能，还能减少算法调整所带来的人力成本。同时根据分类后的数据训练一个分类器模型，在测试集中进行验证，确保本文所提出的组合神经网络的FC网络数据聚类模型的聚类结果是合理的。综合实验表明组合神经网络模型和智能优化算法寻优得到的参数组合能够在不同的环节使得最终聚类效果有效提升。在测试集中分类器分类准确率可达98％再一次验证了前期聚类效果的准确性。在后续的FC网络协议分析中本方法可作为前置环节应用，为更全面的实现网络协议分析智能化提供有效支撑。收起

关键词 : FC网络数据机器学习智能优化算法 ResNet

7. 基于岩心图像识别的水驱油仿真系统设计与实现

[学位论文] 李辉西安石油大学 2022年硕士导师: 潘少伟共71页

摘要 : 在我国油田的开发后期，其主体开发方式是注水开发，然而长期的注水开发导致油田进入高含水甚至特高含水期，开发难度越来越大。为了提高注水开发效率，对水驱油过程和注水驱替后剩余油分布规律进行深入研究十分关键。本文针对现有水驱油研究过... 展开在我国油田的开发后期，其主体开发方式是注水开发，然而长期的注水开发导致油田进入高含水甚至特高含水期，开发难度越来越大。为了提高注水开发效率，对水驱油过程和注水驱替后剩余油分布规律进行深入研究十分关键。本文针对现有水驱油研究过程中物理仿真实验准备周期长、局限性大等问题，设计并实现了一种基于岩心图像识别的水驱油仿真系统。该系统以输入的岩心图像数据为基础，结合数字图像处理技术和计算机仿真方法，能够实现在计算机上模拟油田储集层注水驱替原油的整个动态过程。本文主要工作如下: (1)岩心图像预处理算法的研究。由于岩心图像在采集和存储的过程中会受到外部因素的影响，为了获得准确的识别分割结果用于水驱油仿真，本文设计了岩心图像预处理流程。该流程包括灰度化、平滑去噪、灰度变换和均衡化四个步骤，并在各阶段从原理和实验结果对比了各种处理算法，最终得到适合于岩心图像的预处理算法。 (2)岩心图像分割算法的设计与实现。针对岩心图像的特点，设计实现了一种基于GA-PSO的K均值聚类和区域生长的岩心图像分割算法。该算法首先基于GA-PSO模型寻优得到K均值聚类算法的初始聚类中心，以此完成岩心图像的聚类分割，然后检测出聚类分割区域的边缘，并以此边缘作为种子像素点进行区域生长，从而得到最终的岩心图像分割结果。通过与其他图像分割算法进行实验对比，结果表明本文算法用时稍长但是分割准确率更高，验证了该算法用于岩心图像分割的有效性。 (3)水驱油仿真系统的设计与实现。首先对系统进行需求分析，然后从系统架构设计、功能设计、UML建模设计和水驱油仿真模型设计四个方面设计了水驱油仿真系统。在算法研究和系统设计的基础上，以Microsoft Visual Studio作为集成开发平台，以C++作为开发语言，基于OpenCV、OpenGL和Qt实现了整个水驱油仿真系统。系统主要包括岩心图像预处理、岩心图像分割和水驱油仿真三大功能模块。最后，使用不同地质特征的岩心图像对水驱油仿真系统进行了应用实例测试，测试结果表明该系统达到了预期的目的，能够用于水驱油相关课题研究，对油田科研工作的开展具有重要意义。收起

关键词 : 水驱油仿真系统架构设计数字图像处理

8. 基于混合优化XGBoost的岩性识别算法研究

[学位论文] 王朝阳西安石油大学 2022年硕士导师: 潘少伟共71页

摘要 : 岩性识别是石油工业的基础性研究工作之一，准确识别岩性对油田后续勘探开发工作的开展具有重要意义。随着机器学习的不断发展，利用机器学习方法进行岩性识别成为了一个研究热点。针对已有机器学习方法岩性识别时，存在数据特征缺失遭忽视、参数优化... 展开岩性识别是石油工业的基础性研究工作之一，准确识别岩性对油田后续勘探开发工作的开展具有重要意义。随着机器学习的不断发展，利用机器学习方法进行岩性识别成为了一个研究热点。针对已有机器学习方法岩性识别时，存在数据特征缺失遭忽视、参数优化困难和识别准确率低等问题，提出基于混合优化XGBoost的岩性识别算法，主要工作如下: (1)研究一种基于长短期记忆神经网络的缺失特征补全算法，考虑到部分井中的数据存在特征缺失，且数据具有时间序列特征，采用基于注意力机制的长短期神经网络对缺失数据进行补全，降低数据缺失对岩性识别的影响。 (2)构建单一优化XGBoost的岩性识别算法，针对XGBoost参数较多，寻优困难的问题，分别使用单一的网格搜索、遗传算法、差分进化算法和粒子群算法对XGBoost参数寻优。研究发现网格搜索对XGBoost参数寻优的岩性识别准确率较高但寻优速度较慢，而遗传算法、差分进化算法和粒子群算法这些智能优化算法对XGBoost参数寻优的准确率稍低于网格搜索，但寻优速度较快。 (3)构建混合优化XGBoost的岩性识别算法，由于采用网格搜索优化的XGBoost参数寻优耗时较长，准确率略高，而采用遗传算法、差分进化算法和粒子群算法优化的XGBoost寻优耗时较短，准确率稍低。因此将两类算法相结合，使用网格搜索对XGBoost的整型参数寻优，分别利用遗传算法、差分进化算法和粒子群算法对XGBoost的非整型参数寻优，从而结合这两类算法的优势，获取较高的准确率且保证耗时较短。综合实验结果表明，基于混合优化XGBoost的岩性识别算法相比于其他方法准确率较高，且以先使用网格搜索对整型参数寻优，后使用粒子群对非整型参数进行寻优的混合优化算法准确率最高为96.71％，且耗时较短为2959秒。收起

关键词 : 岩性识别机器学习特征补全长短期记忆神经网络注意力机制混合优化XGBoost算法

9. 深度学习在油田异常井诊断中的应用研究

[学位论文] 张航西安石油大学 2022年硕士导师: 潘少伟共69页

摘要 : 在石油生产过程中，异常井会造成产油量的波动，及时对异常井进行诊断并修复可以减少油田的损失。示功图分析法是对异常井诊断的重要方法之一，在传统方法中主要依赖人工经验，这样不仅耗时并且容易出错。针对油田已有的异常井诊断方法中存在的主观性... 展开在石油生产过程中，异常井会造成产油量的波动，及时对异常井进行诊断并修复可以减少油田的损失。示功图分析法是对异常井诊断的重要方法之一，在传统方法中主要依赖人工经验，这样不仅耗时并且容易出错。针对油田已有的异常井诊断方法中存在的主观性强、数据利用率低和模型内存过大等问题，结合已有的生产数据，提出基于深度学习的异常井诊断模型，主要的研究工作如下: (1)结合数据难以获取导致数据样本过少的现状，深入研究示功图的特性，提出一种基于示功图特性的图像扩充方法，通过示功图的类间转换，达到扩充示功图数据样本的目的; (2)示功图曲线的图像较为特殊，特征多聚集在变化的曲线上，因此异常井诊断模型建立过程中，深度学习模型的参数选择非常重要。首先从模型内存大小、参数量和准确率三个方面出发，从经典卷积神经网络模型中筛选出最适合本文任务的AlexNet模型，然后通过对比不同的卷积核大小、步长和批归一化层对异常井诊断模型分类准确率的影响，构建出一种改进的AlexNet模型; (3)针对深层次AlexNet模型参数过多和内存过大的问题，在改进AlexNet模型中又引入了全局池化层、空洞卷积和Inception模块。利用全局池化层来有效地替代全连接层，以减少网络模型的内存大小和参数;加入空洞卷积结构可帮助网络模型更准确地提取示功图特征;引入Inception模块可进一步减少网络模型的无效参数。通过上述改进，获得最适合本文任务的多尺度结合全局池化的异常井诊断模型。综合实验结果表明，首先提出的改进AlexNet模型相比经典AlexNet模型、VGG 16模型和LeNet模型，其分类准确率、参数量和模型大小均得到改善;之后提出的多尺度结合全局池化的异常井诊断模型的分类准确率达到了98.3％，模型大小达到了3.41M，与上述其它模型相比，在分类准确率和模型大小方面均有较大程度的提高。将深度学习应用于油田的异常井诊断中，对及时发现油田生产异常井，提高原油采收率，促进深度学习方法在石油工业中的应用具有非常重要的理论和现实意义。收起

关键词 : 油田异常井诊断模型示功图图像扩充深度学习

10. 基于深度学习的岩心图像边缘检测算法研究与应用

[学位论文] 王蒙歌西安石油大学 2022年硕士导师: 潘少伟共69页

摘要 : 岩心图像是油田勘探开发过程中的重要地质资料，它在沉积环境的推断、储集层物性与含油性分析中具有重要作用。岩心图像边缘检测是岩心图像数字化研究的首要内容。针对现有方法在岩心图像边缘检测中存在的边缘过宽、边缘缺失和噪点过多等问题，在前人... 展开岩心图像是油田勘探开发过程中的重要地质资料，它在沉积环境的推断、储集层物性与含油性分析中具有重要作用。岩心图像边缘检测是岩心图像数字化研究的首要内容。针对现有方法在岩心图像边缘检测中存在的边缘过宽、边缘缺失和噪点过多等问题，在前人研究的基础之上，提出基于深度学习的岩心图像边缘检测算法，具体研究工作如下: (1)构建实验所需的岩心图像数据集。首先使用labelme标注工具将目前掌握的岩心图像标注为相应的岩心边缘图像;然后将标注好的岩心边缘图像进行相应的二值转换，使其边缘的颜色由红色变为白色;其次采用相应的数据扩充方法将岩心边缘图像进行适当的扩充;最后将扩充好的岩心图像和岩心边缘图像划分为相应的训练集、验证集和测试集。 (2)构建一种融合细化功能的HED边缘检测算法。该算法以HED算法为基础，通过对VGG16网络结构的修改，实现了从岩心图像到岩心边缘图像的检测任务;在模型训练阶段，先通过多个侧输出层来对多尺度的特征图像进行输出，再使用权重融合函数将多尺度特征图像融合为岩心边缘图像;在模型预测阶段，为了使得到的岩心边缘图像的精度更高，在模型检测出的边缘图像上进行相应的边缘细化处理，最终获得相应的岩心边缘图像。经过检测结果的对比和评价指标值的分析，证明该方法所检测出的岩心图像边缘在宽度、连续性和准确性上要优于HED方法所检测出的岩心图像的边缘效果。 (3)构建一种融合细化功能的HED边缘检测优化算法。该算法主要是对前一个算法的进一步优化，首先对HED的网络结构进行适当的优化，在减少网络池化层的同时又对转置卷积进行了相应的调整;然后通过训练拟合得到优化后的HED最优边缘检测模型;在模型预测阶段，先采用优化模型对岩心图像进行边缘检测，再使用边缘细化方法进行相应的处理，最终得到相应的岩心边缘图像。经过检测结果的对比和评价指标值的分析，证明该方法所检测出的岩心图像边缘在宽度、连续性和准确性上要优于(2)中的检测效果。综合以上实验结果表明，融合细化功能的HED边缘检测优化算法较优化前的算法效果更佳，其检测结果与实际的岩心图像边缘更加接近，对岩心图像进行边缘检测在油田科研工作中具有重要意义，可为进一步的岩心微观孔隙结构三维重构和微观渗流模拟奠定基础。收起

关键词 : 岩心图像边缘检测深度学习