在石油开发中，微观剩余油的精确识别与分类对提升油田采收率和开发效率至关重要。随着油田进入高含水、高采出程度的“双高”阶段，超过70%的原油产量来自此阶段。然而，剩余油分布零散且形态复杂，开发后期仍存在局部富集现象，导致采收率递减和效益降低，严重制约油田的可持续发展。因此，深入了解油层孔隙中剩余油的赋存形态，对于增加可采储量和高效挖潜剩余油具有重要意义。
现有的微观剩余油识别方法主要分为传统人工方法和基于机器学习的方法。传统方法依赖专业人员经验，通过显微镜手动分类，效率低且易受主观影响，特别是在处理形状相似的油簇时准确性不足。基于机器学习的方法通过提取几何特征构建分类模型，虽提高了自动化水平，但在样本不均衡和模型泛化方面仍存局限。近年来，东北石油大学赵娅副教授带领团队对微观剩余油赋存形态的分类方法进行了系统总结，并基于深度学习模型提出了一种新的分类方法。该方法旨在提升微观剩余油识别的精度与效率，为油田开发中的剩余油管理与优化提供了创新的技术路径，具有显著的理论意义和应用价值。相关研究认识刊登在《石油学报》第45卷第12期。
（1）基于冷冻制片荧光显微镜技术拍摄的微观剩余油赋存形态分布图像，依据现有的文献数据对油藏高含水开发阶段常见的微观剩余油的赋存形态进行了归纳。根据形成原理和形态特征，将微观剩余油赋存形态划分为孔表薄膜状、角隅状、颗粒吸附状、簇状、粒间吸附状和狭缝状6种赋存形态。
（2）针对人工分类方法和基于机器学习分类方法流程复杂、分类准确率低等问题，提出了一种新型的剩余油分类网络LLGFormer。该网络架构通过整合图像预处理与分类过程，简化剩余油图像的处理流程，实现深度学习自动提取图像的深层特征，避免了人为因素的影响。LLGFormer省略了传统方法中的图像分割步骤，直接对原始图像进行深度学习分析，从而提高剩余油识别的速度和智能化水平。这种方法不仅简化了处理流程，还通过深度学习技术提升了分类的准确性和效率，为微观剩余油的快速、准确识别提供了一种有效的技术途径。
（3）通过结合Ghost卷积和空洞卷积设计了高效的局部特征提取模块，减少了计算量和参数。同时，创新性地引入稀疏判别自注意力机制，通过掩码筛选重要特征，显著降低了计算复杂度并提高了模型效率。这些设计有效优化了微观剩余油分类模型的计算性能，为未来算法部署提供了更低计算资源需求的解决方案，同时提升了模型的准确性和效率。
论文链接：http://www.syxb-cps.com.cn/CN/10.7623/syxb202412008
