（通讯员 杨玲）近期，长江大学地球物理与石油资源学院蔡明教授团队研究生在地球物理学领域权威期刊《地球物理学报》（Chinese Journal of Geophysics）上发表了题为《基于电成像测井资料的裂缝智能拾取方法与应用研究》的论文。该研究针对现有成像测井裂缝识别方法在智能化程度、识别精度和效率方面的不足，创新性提出了一种基于“点面匹配算法”的裂缝智能识别方法，为复杂裂缝参数的精确计算提供了全新的技术路径。论文第一作者为硕士研究生罗世鸿，通讯作者为测井信息工程系蔡明教授，长江大学为第一署名单位，该研究受蔡明教授主持的国家自然科学基金面上项目及中石油创新基金联合资助。

该论文提出的点面匹配算法裂缝评价方案主要包括图像预处理、裂缝智能拾取和裂缝参数计算三大核心环节：首先，利用直方图均衡化、自适应维纳滤波、阈值分割和形态学操作等图像处理技术，有效提高裂缝响应的信噪比和对比度；其次，通过将二维成像数据映射至三维空间坐标系，构建裂缝识别平面，利用三维成像数据与识别平面之间的拟合关系实现裂缝的高精度识别；最后，采用密度聚类算法对裂缝面进行分析归纳，精确提取倾向、倾角、宽度及长度等关键裂缝参数。

图1 点面匹配算法的裂缝拾取效果

值得关注的是，该算法的核心创新在于将裂缝拟合程度系数作为裂缝判定的量化指标，有效克服了传统Hough变换中因裂缝长度不一而导致的峰值不一致问题。研究团队通过构建不同倾角和宽度的裂缝正演模型（包括低倾角窄裂缝、高倾角宽裂缝以及多裂缝交叉的复杂模型），并在模型中添加噪点和不同比例的空白条带，全面验证了该算法的鲁棒性与普适性。

图2 含噪点与空白带的裂缝模型识别效果

实验结果表明，点面匹配算法在不同裂缝正演模型中的裂缝参数识别综合准确率达95%以上。在实际油田测井资料的应用验证中，以人工精细识别结果为基准，本文方案裂缝智能拾取准确率达到86.36%，显著优于传统Hough变换方法和基于深度学习的MASK R-CNN模型；尤其在面对含噪点和空白条带干扰的复杂裂缝模型时，该算法依然表现出优异的抗干扰能力和裂缝参数识别精度，有效解决了当前成像测井资料中复杂交叉裂缝识别准确率不足的技术瓶颈。该研究成果不仅为电成像测井裂缝智能评价提供了高效、精准的新方法，也为非常规油气藏的精细描述与高效开发提供了重要的技术支撑。

论文全文链接：https://doi.org/10.6038/cjg2025S0482

该团队近年来围绕声波测井新方法理论及信号处理、岩石物理与数值模拟实验、井周裂缝体系多尺度测井智能表征与成像、非常规储层属性与有效性智能评价等开展系列研究，推动超深复杂储层高精度智能勘探技术发展。相关研究成果已陆续发表于《Petroleum Science》《Journal of Petroleum Science and Engineering》《Geophysics》《地球物理学报》等国内外高水平期刊。

《地球物理学报》（Chinese Journal of Geophysics）创刊于1948年，是中国地球物理学领域最具影响力的综合性学术期刊。该期刊被SCI、EI等国际权威检索系统收录，是中国科学院主管、中国地球物理学会和中国科学院地质与地球物理研究所共同主办的权威期刊。期刊主要刊载固体地球物理、应用地球物理、空间物理和大气物理等领域的创新性研究成果，在国内外地球科学界享有崇高的学术声誉。

（审核 盛广龙 编辑 余为）