Multiskalige Charakterisierung der Konnektivität mikroer Risse und der Gasmigration in vulkanischen Reservoiren mittels µCT und Hybrid-Learning-Segmentierung

Warum winzige Risse in vulkanischen Gesteinen wichtig sind

Tief unter unseren Füßen verbergen sich in vulkanischen Gesteinen oft Erdgasvorkommen: Gesteine, die mit bloßem Auge fest erscheinen, sind durchzogen von haarfeinen Rissen. Diese versteckten Wege entscheiden, ob Gas frei zu einem Bohrloch strömen kann oder im Gestein eingeschlossen bleibt. Diese Studie zeigt, wie die Kombination aus Röntgenmikroskopen und moderner Computer-Vision diese unsichtbaren Risse dreidimensional sichtbar macht und erklärt, warum einige vulkanische Gaslagerstätten gut durchlässig sind, während andere kaum Durchfluss erlauben.

Ins Gestein blicken, ohne es aufzubrechen

Die Forscher arbeiteten mit vier vulkanischen Gesteinsproben aus dem Songliao-Becken in China, einer wichtigen Region für unkonventionelles Öl und Gas. Statt die Gesteine zu zerschneiden, nutzten sie Mikro-Computertomographie (µCT), eine Art 3D-Röntgenscan, um in jede Probe bei einer Auflösung von etwa zwölf Mikrometern hineinzublicken — ungefähr ein Zehntel des Durchmessers eines menschlichen Haares. Diese Scans zeigen Minerale, Poren und Brüche als Graustufen. Die für sie relevanten Risse sind jedoch extrem schmal und weisen einen schwachen Kontrast zum umgebenden Gestein auf, sodass sie mit bloßem Auge oder einfachen Bildverarbeitungsmethoden nur schwer zu unterscheiden sind.

Computern beibringen, haarfeine Risse zu erkennen

Um dieses Problem anzugehen, entwickelte das Team ein zweistufiges „Hybrid-Learning“-System, das Computern beibringt, Risse vom festen Gestein zu trennen. Zunächst setzten sie ein Ensemble-Verfahren namens Random Forests ein, um eine schnelle, grobe Klassifikation auf 2D-Bildabschnitten vorzunehmen. Eine halbautomatische „Label-as-you-train“-Routine erlaubte es den Wissenschaftlern, Maschinenfehler an nur wenigen von hunderten Schnitten zu korrigieren, wodurch lästige manuelle Beschriftungsarbeit stark reduziert wurde. Dieser erste Schritt entfernte viel Rauschen und lieferte eine brauchbare Schätzung, wo Risse verlaufen. Anschließend wurden Stapel benachbarter Schnitte in ein leistungsfähigeres Deep-Learning-Netzwerk namens U-Net++ eingespeist, das im „2.5D“-Modus konfiguriert war und erfasst, wie Risse von Schnitt zu Schnitt fortlaufen, ohne die hohen Kosten vollständigen 3D-Lernens. Zusammen erzeugten diese Schritte sehr genaue Risskarten und erreichten einen Dice-Wert — ein Maß für die Übereinstimmung von Vorhersage und Wahrheit — von etwa 0,90 in nur zehn Trainingsdurchläufen.

Von digitalen Rissen zu 3D-Gaswegen

Sobald die Risse sauber segmentiert waren, wandelte das Team die segmentierten Bilder in vollständige 3D-Modelle digitaler Gesteine um. Sie entfernten winzige isolierte Partikel, ermittelten, welche Risse tatsächlich verbunden waren, und reduzierten die komplexen Bruchsysteme zu Netzwerken aus „Poren“, die durch enge „Hälse“ verbunden sind. Dieses Poren–Hals-Modell erfasst das vorhandene Leerraumvolumen, die Breite der Kanäle und die Anzahl der Verbindungen jeder Pore. Über die vier Proben hinweg zeigten sich markante Unterschiede: Manche Gesteine wiesen größere, gut verbundene Rissnetzwerke auf, die die ganze Probe durchspannten, während andere viele winzige, unverbundene Risse enthielten, die keine kontinuierlichen Wege bildeten.

Wie Rissnetzwerke den Gasfluss steuern

Mithilfe dieser digitalen Gesteine simulierten die Forscher, wie Erdgas unter einem Druckunterschied durch jede Probe sickern würde, basierend auf dem Darcy-Gesetz für Strömungen in porösen Medien. In den am besten verbundenen Gesteinen bildeten die Risse nahe-vertikale „Autobahnen“ mit Seitenästen, und die simulierten Gasstromlinien waren dicht, kontinuierlich und reichten vom Einlass bis zum Auslass. Diese Proben zeigten höhere Permeabilität und schnelleren Fluss, selbst wenn ihre Gesamporosität mäßig war. Im Gegensatz dazu führten schlanke, verstreute Risse zu dünnen, unterbrochenen Stromlinien; das Gas drang nur kurz voran, bevor Wege abbrachen. Auffällig war eine Probe mit relativ hoher Porosität, die sich dennoch schlecht verhielt, weil ihr Rissnetz fragmentiert war — ein Hinweis darauf, dass Konnektivität und Halsbreite wichtiger sind als das reine Porenvolumen.

Was das für Energie und Modellierung bedeutet

Für Nichtfachleute lautet die Kernbotschaft: In dichten vulkanischen Gasreservoirs bestimmt das Muster winziger Risse — nicht nur der vorhandene Leerraum — weitgehend, ob Gas effizient gefördert werden kann. Die Studie liefert sowohl einen praktischen Workflow, um unscharfe Röntgenscans in zuverlässige 3D-Karten von Mikrofrakturen zu verwandeln, als auch ein klares physikalisches Bild: Gut entwickelte Rissnetzwerke fungieren als Hauptstraßen und Nebenwege für Gas und erhöhen den Fluss selbst in ansonsten dichten Gesteinen, während schlecht verbundene Risse das Gas einsperren. Diese Erkenntnisse können die Analyse digitaler Gesteine verbessern, die Reservoirbewertung leiten und genauere Prognosen darüber ermöglichen, wie viel Gas solche komplexen Gesteine realistisch liefern können.

Zitation: Zhang, J., Yu, Y., Cai, H. et al. Multiscale characterization of micro fracture connectivity and gas migration in volcanic reservoirs using µCT and hybrid learning segmentation. Sci Rep 16, 8442 (2026). https://doi.org/10.1038/s41598-026-39657-3

Schlüsselwörter: vulkanisches Reservoir, mikrorisse, digitale Gesteine, Gasmigration, Tiefenlern-Segmentierung