使用µCT与混合学习分割对火山储层微裂缝连通性与气体迁移的多尺度表征

为什么火山岩中的微小裂缝很重要

在我们脚下深处，天然气常常藏在看似完整但布满发丝般细裂缝的火山岩中。这些隐蔽通道决定了气体能否自由流向井口，或被困在岩石中。该研究展示了如何结合X射线显微镜与先进的计算机视觉技术，在三维中揭示这些看不见的裂缝，并解释为何某些火山气藏能良好流动而另一些几乎不通。

在不破坏岩样的情况下窥见内部

研究人员使用了来自中国松辽盆地的四个火山岩样本，该地区是非常规油气的重要区块。他们没有切割岩样，而是用微型计算机断层扫描（µCT）进行三维X射线成像，以约十二微米的分辨率观察每个样本——大约是人发直径的十分之一。扫描图像中，矿物、孔隙与裂缝以灰度呈现。然而，研究关注的裂缝极其狭窄且与周围矿物对比度低，使其难以用肉眼或简单图像处理方法区分。

教计算机识别发丝般的裂缝

为了解决这一问题，团队构建了一个两步的“混合学习”体系，教计算机将裂缝与致密岩石区分开。首先，他们使用一种称为随机森林的集成方法对二维切片做快速、粗略的分类。一个半自动的“训练即标注”流程允许科学家只在数百张切片中的几张上纠正机器错误，大大减少了枯燥的人工标注工作。第一步清除了大量噪声并给出了裂缝位置的合理猜测。接着，他们将相邻切片堆栈输入更强大的深度学习网络U‑Net++，以“2.5D”模式配置，既能捕捉裂缝在切片间的延续性，又避免了完整3D学习的高昂代价。两步结合后产生了非常准确的裂缝图谱，在仅十轮训练中就达到了约0.90的Dice分数——一种衡量预测与真值重叠程度的指标。

从数字裂缝到三维气体通道

一旦裂缝被干净地分离出来，团队将分割后的图像转化为完整的三维数字岩心模型。他们移除了微小的孤立斑点，测量了哪些裂缝实际上是连通的，并将复杂的裂缝系统提炼为由“孔隙”通过狭窄“喉道”相互连接的网络。该孔—喉模型刻画了空隙量、通道宽度以及每个孔隙的连接数。在四个样本中，他们发现了显著差异：有些岩石具有较大且连通良好的裂缝网络贯穿整个样本，而另一些则包含许多微小且不连通的裂缝，无法形成连续通道。

裂缝网络如何控制气体流动

利用这些数字岩心，研究人员在压力差驱动下基于达西定律对天然气在各样本中的渗流进行了模拟。在连通性最好的岩石中，裂缝形成了带侧支的近垂直“高速公路”，模拟得到的气体流线密集、连续，并从入口延伸到出口。这些样本显示出更高的渗透性和更快的流动速度，即便其总体孔隙度并不高。相反，具有细长且分散裂缝的岩石产生了稀疏且断裂的流线；气体只渗入很短的距离便因通道中断而停止。值得注意的是，其中一个孔隙度相对较高的样本仍表现不佳，因为其裂缝网络是碎片化的，强调了连通性与喉道宽度比单纯的孔体积更为重要。

这对未来能源与建模的意义

对非专业读者而言，关键结论是：在致密火山气藏中，微小裂缝的分布模式——而不仅仅是岩石包含多少空隙——在很大程度上决定了气体是否能被高效开采。该研究提供了一个实用的工作流程，可将模糊的X射线扫描转化为可靠的三维微裂缝地图，并给出清晰的物理图景：发育良好的裂缝网络像主干道与支路一样促进气体流动，能在本来致密的岩石中提升通量；而连通性差的裂缝则会使气体被困。该洞见可助于改进数字岩分析、指导储层评价并支持对这类复杂岩石可实际产气量的更可靠预测。

引用: 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

关键词: 火山储层, 微裂缝, 数字岩心, 气体迁移, 深度学习分割