Para abordar la alta subjetividad de la identificación manual en el análisis actual de la petrofacies de arenisca, y la limitación de los métodos tradicionales de análisis de imágenes que se enfocan en tareas individuales y carecen de capacidad sistemática de caracterización cuantitativa, se propone un esquema de análisis inteligente que fusiona imágenes de láminas delgadas, abarcando procesos y tecnologías. Mediante la construcción de un marco de análisis petrofacial de arenisca que incluye tres características principales: composición, estructura y porosidad, se define una ruta estándar de interpretación desde la imagen de lámina delgada hasta parámetros geológicos. Al fusionar aprendizaje profundo y procesamiento de imágenes, se utiliza el modelo Mask R-CNN para la segmentación precisa de granos detríticos, combinado con el modelo MobileNet para la clasificación de componentes, e integrado con algoritmos de procesamiento de imágenes para extraer tres tipos de parámetros: composición, estructura (incluyendo tamaño de grano, selección, redondez y relaciones de contacto entre partículas) y porosidad (porosidad superficial y diámetro de poros). Validado con muestras de arenisca de varias cuencas, los resultados muestran: ① alta concordancia entre el análisis fusionado y la identificación manual en parámetros clave, mostrando mejor objetividad y precisión en casos complicados como el aumento secundario de cuarzo; ② el marco de análisis de arenisca construido puede entregar sistemáticamente un “volumen de datos petrofaciales”, logrando la transición de la descripción cualitativa al análisis cuantitativo.

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