数字岩石物理（DRP）通过高分辨率成像与数值模拟，为理解岩石微观结构与宏观物性之间的关系提供了关键手段，在油气勘探、碳封存、地下水管理等领域具有重要应用价值。然而，DRP分析面临两大核心挑战：一是图像预处理阶段对高质量、大规模标注数据的依赖较强，而实际中获取大量标注样本成本高、难度大；二是在岩石力学性质预测中，传统方法多仅基于分割后的二值图像，忽略了蕴含地质活动信息的边缘特征（如颗粒接触边界、微裂缝等），这些信息对准确预测岩石的弹性响应至关重要。
为此，本提出了一种融合边缘特征的智能DRP分析框架。首先，设计了面向少样本学习的EdgeSegNet网络，同步实现图像分割与边缘检测。该方法包含三大创新模块：1）信息增强共享层（IESL），结合CLAHE对比度增强与傅里叶变换提取高频信息，提升图像细节表达；2）交互约束模块（ICM），通过分割与边缘任务的深度交互与约束，增强任务间的互补性；3）深度监督策略，通过逐层加权监督提升网络对多尺度特征的捕捉能力。其次，在力学性质预测阶段，本文将分割结果与边缘检测结果作为双通道输入，引入多门混合专家网络（MMOEROCK），实现体积模量与剪切模量的同步预测，使边缘特征作为地质先验信息有效约束预测过程。
图1.提出的EdgeSegNet架构图
实验结果表明，EdgeSegNet在有限训练样本下实现了图像分割与边缘检测的高精度，IoU和Dice系数分别达到约94%和98%，优于多种主流方法。消融实验验证了IESL、ICM及深度监督模块对性能提升的关键作用。在力学性质预测方面，引入边缘特征的双通道输入显著提升了预测精度，R²分数相比仅使用分割结果的方法提高了0.03，尤其在处理复杂孔隙结构时表现更为明显。此外，EdgeSegNet在训练数据减半的情况下仍保持稳定的性能，展现出良好的泛化能力和少样本学习适应性，为数字岩石物理中的智能预处理与物性预测提供了高效、鲁棒的新路径。
图2.实验结果：(a)分割结果对比可视化、(b)边缘检测结果对比、(c)力学性能预测结果对比、(d)地质信息融入可视化分析
研究成果近期发表在能源地学领域国际重要期刊Geoenergy Science and Engineering。论文第一作者为tyc7111cc太阳成集团硕士生王子强，通讯作者为tyc7111cc太阳成集团曹丹平教授，合作者包括洛桑大学地球科学研究所侯治宇博士，该研究得到国家自然科学基金和国家重大专项资助。
论文信息：Wang, Z., Hou. Z, and Cao. D (2026), Deep-learning-based digital rock physics analysis: from image segmentation and edge detection by few-shot learning to mechanical properties prediction, Geoenergy Science and Engineering, 256, 214133, doi:https://doi.org/10.1016/j.geoen.2025.214133.
