基于DeepLabv3+网络的煤体孔隙识别及分析

摘要

煤基质孔隙结构影响着瓦斯赋存、运移形式，对瓦斯涌出量预测、煤层气安全开采至关重要。为实现煤体孔隙的准确表征，以小保当(XBD)和桑树坪(SSP)2个矿区煤样为例，通过聚焦离子束扫描电镜(FIB-SEM)试验获取煤体孔隙分布图像，建立数据集。基于机器学习方法构建了煤体孔隙图像识别分割的DeepLabv3+模型，并与经典网络模型PSPnet和UNet进行对比，实现煤体孔隙结构的快速识别及分析。结果表明：DeepLabv3+网络分割效果良好，平均交并比达到92.71%,较PSPnet和UNet网络分别提升了12.67%、2.32%,对于微纳米孔隙的识别能力较强；XBD煤样孔径大于50 nm的大孔分布较多，占总孔的55.02%,以角砾孔、粒间孔和溶蚀孔为主，孔隙连通性较好，而SSP孔径2～50 nm的过渡孔及大孔数量较多，所占孔隙比例为76.04%,形态相对简单，平均圆度达到0.531μm,但孔隙间连通性差，不利于瓦斯气体运移，与瓦斯涌出量的测定结果一致。研究结果证明了DeepLabv3+模型在煤体孔隙图像分割方面具有良好的适用性，为煤体孔隙结构表征及分析提供了参考依据。

关键词

孔隙结构 / 瓦斯涌出量 / 聚焦离子束扫描电镜 / 机器学习 / DeepLabv3+模型