地球科学学院硕士生卫洁在期刊《Applied sciences》上发表了题为“Application of Convolutional Neural Network in Quantifying Reservoir Channel Characteristics”的研究论文。长江大学地球科学学院为论文第一署名单位，卫洁为第一作者，其导师李少华教授为该文通讯作者。

该研究运用深度学习对三角洲前缘水下分流河道内单一河道宽度进行定量识别。为了解剩余油的分布情况，需要从识别单一河道入手，逐步解剖分析复合河道砂体的非均质性，从而提高开采效率。河道砂体的宽度是设计井位布置方案的关键因素之一，并且识别单一河道的关键是能准确识别河道边界。因此想要识别单一河道，必须确定河道宽度。该研究基于深度卷积神经网络提出一种河道宽度模型优选方法，在确定河道砂体宽度应用中表现出良好的识别性能，对根据井点数据反推实际工区的河道砂体宽度以及分布特征具有实际意义。

研究以准噶尔盆地腹部古尔班通古特沙漠北部L油田为试验区，根据区块沉积背景以及现代沉积研究，采用基于目标模拟与人机交互的方法建立了不同河道宽度的水下分流河道候选模型（图1），运用基于深度卷积神经网络进行河道宽度模型优选，结果表明，当水下分流河道宽度为230m时与条件数据匹配率最高，与实际情况相符，可以确定其为研究区内水下分流河道的常见宽度。通过对水下分流河道宽度进行定量分析，为储层精细非均质性研究提供了基础，对根据井点数据反推实际工区的河道砂体宽度以及分布特征具有实际意义，也为多点地质统计学随机建模提供了依据。

论文链接：https://www.mdpi.com/2076-3417/14/6/2241

图1 不同河道宽度条件下的候选模型

图2 论文首页