（通讯员 杨玲）近日，我校地球物理与石油资源学院聂昕教授团队在纳米数字岩心图像智能处理领域取得新进展。相关研究成果在Nature Portfolio旗下期刊《Scientific Reports》发表，论文题为《Application of convolutional neural networks in focused ion beam scanning electron microscopy image denoising》（卷积神经网络在聚焦离子束扫描电子显微镜图像降噪中的应用）。该研究由聂昕教授团队与中国石油长庆油田分公司勘探开发研究院等单位合作完成，获得国家自然科学基金项目基金资助。

聚焦离子束扫描电子显微镜（FIB-SEM）是获取纳米尺度三维数字岩心图像的重要技术。然而，受岩石样品表面形貌和内部组分差异等因素影响，FIB切割过程中容易产生具有明显纵向条纹特征的“窗帘噪声”，造成孔隙边界模糊、图像分割误差增大，进而影响数字岩心孔隙结构表征及岩石物理参数计算。降低离子束流、沉积保护层及传统滤波等方法虽然能够在一定程度上减弱噪声，但难以兼顾噪声去除、细节保持和模型泛化能力。

针对FIB-SEM图像“窗帘噪声”问题，研究团队构建了基于卷积神经网络的降噪方法，对比分析了注意力U-Net与DnCNN模型。改进后的U-Net通过引入注意力机制和复合损失函数，增强了条纹噪声识别能力，在降噪的同时较好保留孔隙边界与纹理细节。将网络用于三维数字岩心重建后，噪声造成的虚假孔隙明显减少，主要孔隙结构得到有效保留。该成果为纳米尺度数字岩心准确重建以及非常规油气储层孔隙表征和岩石物理评价提供了新的技术手段。

图1 网络模型结构及降噪效果对比

论文全文链接：https://doi.org/10.1038/s41598-025-32444-6

该团队长期围绕非常规储层数字岩石物理、微观孔隙结构表征、岩石物理建模及测井评价等方向开展研究，致力于推动人工智能方法与油气地球物理、数字岩心技术的深度融合，为复杂油气储层精细评价提供理论和技术支撑。相关研究成果已陆续发表于《Advances in Geo-Energy Research》、《Petrophysics》、《Artificial Intelligence in Geosciences》、《地质论评》等国内外高水平期刊。

《Scientific Reports》是Nature Portfolio旗下综合性开放获取期刊，主要发表自然科学、心理学、医学和工程等领域的原创研究成果。

（审核 盛广龙 编辑 余为）