The KAN-NAFNet Deep Learning Framework for Super-Resolution and Pixel-Leakage-Free Digital Rock Analysis in Reservoir and CCS Host Rocks

Research article

Available Online 28 May 2026

Behnia Azizzadeh Mehmandost Olya, Reza Mohebian

https://doi.org/10.1016/j.marger.2026.207790

面向储层与碳捕集封存（CCS）围岩超分重建及无像素泄露数字岩心分析的 KAN-NAFNet 深度学习框架

研究要点

• KAN-NAFNet 可将显微 CT 图像分辨率提升至原来的 4 倍
• 图像超分过程中可有效抑制像素泄露问题
• 基于超 67000 张多岩性显微 CT 图像完成深度学习模型训练
• 结构相似性指数达 0.9885，证明图像还原保真度极高
• 提升了孔喉识别与连通性表征的精度

摘要

工业级显微 CT 设备受分辨率限制，难以精准表征复杂储层的孔隙连通性与微孔隙。提升硬件分辨率会大幅缩小成像视场，而数字图像超分技术可在不缩减样品观测范围的前提下解决该难题。本文提出KAN-NAFNet深度学习框架，融合柯尔莫哥洛夫 - 阿诺尔德网络与 NAFNet 网络，用于优化储层岩石显微 CT 图像分析。

该方法针对性解决油气储层表征中的两大痛点：图像分辨率不足、像素泄露伪影导致孔隙度测算失真。研究采用 18 组岩心样品共计 67426 张二维显微 CT 切片构建数据集，涵盖贝雷砂岩、本特海默砂岩、萨沃尼耶碳酸盐岩、奥斯汀白垩等岩性，完成四倍超分辨率重建，同时彻底消除像素泄露。数据集划分为训练集与验证集，保障模型稳定性。

应用结果表明，该技术显著提升岩石表征效果：孔隙度计算精度提升 3.5%，图像峰值信噪比达 29.71 分贝，结构相似性指数为 0.9885。方法在消除像素泄露的同时完整保留颗粒边界特征，对砂岩、碳酸盐岩、玄武岩等多种岩性均具备良好适用性与可靠性。

更高的图像分辨率与更少的像素泄露误差，可直接提升储层评价及碳捕集与封存（CCS）评估的准确性，实现孔隙连通性与微孔隙的精细表征，为流体运移模拟与碳封存机理优化提供可靠依据。

(AI翻译）

获取更多内容，请点击文章底部阅读原文