[Paper] 格罗宁根气田储层属性图像切片用于图像翻译和分割

Source: arXiv - 2605.03942v1

Overview

作者发布了一个高分辨率、开源的图像数据集，提取自格罗宁根气田的静态地质模型。通过将三维油藏网格转换为对齐的二维 PNG 切片（包括相、孔隙度、渗透率和含水饱和度），他们为机器学习和地球科学社区提供了一个即用的基准，用于图像‑到‑图像翻译、分割以及其他深度学习任务。

关键贡献

• Comprehensive image corpus – > 10 k PNG 切片，覆盖四个核心储层属性，全部空间对齐，可直接用于像素级分析。
• Reproducible processing pipeline – 已归档的脚本（Python/NumPy、GDAL、PyTorch），用于数据增强、掩模创建和配对图像生成。
• Baseline experiments – 语义分割（U‑Net）和图像到图像翻译（Pix2Pix）的参考实现，并提供了性能指标。
• Cross‑domain research enablement – 数据集支持研究如何利用生成模型从一种属性（例如孔隙度）推断另一种属性（例如岩相）。
• Open licensing & documentation – 完整文档化的数据集和代码采用宽松许可证，鼓励社区贡献和可重复性。

方法论

1. 数据提取 – 作者从 3‑D Groningen 静态模型（具有数值属性值的网格单元）开始。
2. 切片生成 – 对于每个轴向（X‑Y、X‑Z、Y‑Z），他们将网格栅格化为二维图像，将标量值映射为灰度（或用于层相的分类色图）。
3. 对齐与格式化 – 所有属性图像共享相同的像素尺寸和坐标系，从而实现直接的像素级操作。
4. 增强与配对 – 使用提供的工作流，他们应用旋转、翻转和噪声来创建训练/验证划分，并构建配对数据集（例如，层相 ↔ 孔隙度）。
5. 基线建模 – 基于 CNN 的简单 U‑Net 用于分割，条件 GAN（Pix2Pix）用于翻译，均在配对数据上进行训练，以展示可行性并设定性能基准。

该流水线刻意设计为模块化：开发者可以替换为自己的模型，添加新的增强方式，或通过额外属性扩展数据集。

结果与发现

• 分割 – U‑Net 基线在岩相分类上实现了约 85 % 的平均交并比（mIoU），确认图像质量和标注足以支撑现代深度学习模型。
• 图像到图像翻译 – Pix2Pix 能够从岩相预测孔隙度图，结构相似性指数（SSIM）约为 0.78，表明跨属性关系可以从数据中学习。
• 可重复性 – 所有实验均可通过归档脚本重新运行，产生相同的指标，这验证了数据集和工作流的完整性。

这些结果可作为参考基准；更复杂的架构（例如 Transformer、扩散模型）有望进一步提升性能。

实际意义

• 快速原型 – 储层工程师和数据科学家可以跳过耗时的地质模型构建步骤，直接进入模型开发和超参数调优。
• 基准测试 – 该数据集提供了一个共同平台，可用于在地球科学和计算机视觉社区中比较分割、超分辨率或生成方法。
• 跨属性推断 – 企业可以探索基于 AI 的“属性补全”（例如，在仅有岩相数据的情况下估算渗透率），从而可能降低昂贵的井曲线或岩心分析需求。
• 教育工具 – 大学可以在地统计学、储层模拟或深度学习课程中使用该数据集，让学生获得真实地下数据的实践经验。
• 与现有工作流的集成 – 由于图像采用标准 PNG 格式，且代码使用广泛采用的库，它们可以通过简单的导入脚本接入商业储层建模平台（如 Schlumberger Petrel、Halliburton Landmark）。

局限性与未来工作

• Static model only – 数据集反映单一静态快照；未捕获动态属性（例如，随时间变化的压力）。
• Resolution constraints – 虽然对二维切片而言分辨率较高，但像素尺寸对于细尺度异质性研究仍可能过粗。
• Geographical specificity – 数据来源于格罗宁根油田；对具有不同地质特征的其他盆地的迁移性可能需要领域适配。
• Future extensions – 作者建议加入时间序列（4‑D）数据、整合地震属性，并将基准扩展至包括不确定性量化和物理信息神经网络。

总体而言，这一开放数据集降低了将最先进的计算机视觉技术应用于油藏表征的门槛，为人工智能增强的油气勘探与生产开辟了新途径。

作者

• Abdulrahman Al-Fakih
• Nabil Sariah
• Ardiansyah Koeshidayatullah
• SanLinn I. Kaka

论文信息

• arXiv ID: 2605.03942v1
• 类别: cs.CV, cs.DB, physics.geo-ph
• 出版日期: 2026年5月5日
• PDF: 下载 PDF