机器学习具有巨大的潜力，可以彻底改变石油行业处理大型数据集的速度；然而，必须谨慎行事。
石油行业产生了大量的数据，其处理速度往往快于数据的处理速度，即使在数据被利用的情况下，数据也往往没有充分发挥其潜力。人类通过计算机直接编程来处理数据的能力是有限的。机器学习（ML）是人工智能（AI）的一个子集，它已经准备好卸载大量的工作。
扫描电子显微镜（SEM）等成像技术已被证明是油气勘探和生产的宝贵工具，特别是在页岩等非常规油藏中。扫描电镜成像在定性地了解微观结构和孔隙度方面是必不可少的。孔隙度、孔隙连通性和孔隙大小分布的定量测量是有规律的，但由于通常分析的图像数量很少，因此缺乏统计意义。为了获得有意义的统计数据，需要分析大量的SEM图像，这是一项耗时且费力的工作。这里的瓶颈通常不是图像采集时间，而是图像的快速和准确分析。此外，目前许多特征提取方法的鲁棒性不足以保证后续分析所需的准确性。
我们的目标是通过训练计算机识别微结构特征来加速和自动化特征提取过程。我们从简单的任务开始，并提出了一个问题：给定页岩的微观结构是唯一的吗？机器是否可以根据微观结构识别出该图像来自的油气藏？在某种程度上，这是人类大脑可以迅速完成的事情，但目前基于计算机的特征提取方法很难做到。我们可以看看Barnett页岩和Marcellus页岩的SEM图像，如图1所示，经过适当的训练，基于对微观结构的视觉检查，我们可以相当确信每个图像属于哪一个。我们利用来自18个不同页岩地层的27,000多张SEM图像的独特数据库来训练计算机来完成这项工作。目前，该计算机仅通过其微观结构的扫描电镜图像就能准确识别页岩地层，准确率为91%。该网络为图像所属的页岩地层分配了一个概率。具有相似微观结构特征的页岩往往具有更高的概率。当计算机无法从图像中预测出正确的页岩时，许多错误的分配是由于两个或更多具有相似微观结构的储层。众所周知，页岩在储层中具有显著的非均质性，需要对其进行探索，以建立结果的稳健性。
新技术经常面临的问题是，它们被过度销售，达不到预期，并因不可靠而被抛弃。机器学习也不例外。虽然机器学习在扫描电镜图像分析中显示出巨大的前景，但需要谨慎。机器学习实验的结果需要被验证和仔细审查。计算机可能会在数据中发现毫无意义的趋势，或者更糟的是，会产生误导。让我们感到鼓舞的是，我们的初步工作表明，经过训练的计算机可以识别页岩SEM图像中的微观结构特征，并确定哪些页岩在微观结构上相似。我们正在利用这项工作将其扩展到特征提取，即孔隙度，有机和无机孔隙度，裂缝和矿物质；然而，我们继续提供对结果的验证和检查，并通过更好的数据集改进训练。
