Debido a la alta subjetividad en la identificación manual en el análisis actual del petrofacies de areniscas y a que los métodos tradicionales de análisis de imágenes suelen centrarse en tareas individuales y carecen de capacidad cuantitativa sistemática, se propone un programa inteligente de análisis de imágenes de láminas delgadas integrado que abarca procesos y tecnologías. Construyendo un marco de análisis petrofacial de areniscas que incluye tres características principales: composición, estructura y porosidad, se define una ruta estandarizada de interpretación desde la imagen de lámina delgada hasta parámetros geológicos. Combinando aprendizaje profundo y procesamiento de imágenes, se utiliza el modelo Mask R-CNN para la segmentación precisa de granos detríticos, junto con el modelo MobileNet para la clasificación de la composición, y se integran algoritmos de procesamiento de imágenes para extraer sistemáticamente tres tipos de parámetros: composición, estructura (incluyendo granulometría, selección, redondez y relaciones de contacto entre partículas) y porosidad (porosidad superficial y diámetro de poro). Se valida con muestras de arenisca provenientes de varias cuencas. Los resultados muestran: ① el análisis integrado coincide altamente con la identificación manual en los parámetros clave, mostrando mejor objetividad y precisión en situaciones complejas como el aumento secundario de cuarzo; ② el marco de análisis de arenisca desarrollado puede generar sistemáticamente un “conjunto de datos de petrofacies”, logrando una transformación del análisis cualitativo al cuantitativo.

procesamiento de imágenes;modelo Mask R-CNN;modelo MobileNet;aprendizaje profundo;análisis cuantitativo inteligente;petrofacies de arenisca