📄Работа №189975
Тема: ВЫДЕЛЕНИЕ ТОНКОСЛОИТЫХ ОБЛАСТЕЙ НА ФОТОИЗОБРАЖЕНИЯХ КЕРНА
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Прикладная информатика
Объем:
49 листов
Год:
2025
Просмотров:
44
4200
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Аннотация
ВВЕДЕНИЕ 5
1 Постановка задачи 10
1.1 Описание задачи 10
1.2 Описание предметной области 10
1.3 Основная идея решения задачи 12
1.4 Математическая модель задачи 12
2 Реализация 16
2.1 Средства разработки 16
2.2 Исходные изображения 16
2.3 Алгоритм вычисления P 17
2.4 Построение графика значений P 20
3 Тестирование 22
3.1 Модельные материалы 22
3.1.1 Одна граница. Тест 1 22
3.1.2 Один слой. Тест 2 24
3.1.3 Тонкослоистые модельные области. Тесты 3 и 4 26
3.2 Тестирование на реальных материалах и модификация алгоритма 31
3.2.1 Тест 5 31
3.2.2 Тест 6 33
3.2.3 Тест 7 35
3.3 Модификация алгоритма 36
3.4 Вывод 38
ЗАКЛЮЧЕНИЕ 39
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 40
ВВЕДЕНИЕ 5
1 Постановка задачи 10
1.1 Описание задачи 10
1.2 Описание предметной области 10
1.3 Основная идея решения задачи 12
1.4 Математическая модель задачи 12
2 Реализация 16
2.1 Средства разработки 16
2.2 Исходные изображения 16
2.3 Алгоритм вычисления P 17
2.4 Построение графика значений P 20
3 Тестирование 22
3.1 Модельные материалы 22
3.1.1 Одна граница. Тест 1 22
3.1.2 Один слой. Тест 2 24
3.1.3 Тонкослоистые модельные области. Тесты 3 и 4 26
3.2 Тестирование на реальных материалах и модификация алгоритма 31
3.2.1 Тест 5 31
3.2.2 Тест 6 33
3.2.3 Тест 7 35
3.3 Модификация алгоритма 36
3.4 Вывод 38
ЗАКЛЮЧЕНИЕ 39
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 40
📖 Аннотация
Работа посвящена разработке метода автоматизированного выделения тонкослоистых областей на фотоизображениях керна нефтегазовых скважин. Актуальность исследования обусловлена задачами цифровой трансформации геологоразведки, где автоматический анализ текстур керна необходим для построения достоверных литологических профилей, однако существующие подходы не всегда обеспечивают надежную идентификацию тонкой слоистости. В качестве методологической основы была предложена математическая модель и эвристический алгоритм, вычисляющий в скользящем окне признак P как отношение суммы модулей градиентов яркости к сумме модулей градиентов без учета знаков, что позволяет количественно оценить степень слоистости. Алгоритм был реализован в виде программного обеспечения и протестирован на модельных и реальных изображениях; в ходе тестирования выявлена и реализована модификация, добавляющая параметр для снижения чувствительности к малым значениям градиентов, что повысило устойчивость метода на сложном материале. Практическая значимость результатов заключается в возможности их применения геофизическими и сервисными компаниями для автоматизации обработки керна при интерпретации данных скважинной геофизики, что отражено в контексте работ по цифровизации керна (Зиньков А.В., Макишин В.Н., 2023) и анализу текстур (Носов А.И., Прозорова Г.В., 2024). Разработанный инструмент предназначен для дальнейшего опробования с целью адаптации параметров алгоритма под специфику конкретных коллекций фотоизображений керна.
📖 Введение
В настоящее время в геологических науках приоритет отдается развитию цифровизации. В том числе при изучении образцов керна, пробы вещества в форме цилиндра. Отбор таких образцов позволяет сформировать выводы о строении горных пород и земной коры в целом.
Приоритет развития цифровизации в геологических науках определяется Программой цифровой трансформации Федерального агентства по недропользованию на согласованной с Министерством цифрового развития, связи и массовых коммуникаций Российской Федерации и одобренной протоколом заседания президиума Правительственной комиссии по цифровому развитию. Особенностями реализации процессов цифровизации добывающей отрасли является крайняя сложность структур природных объектов, которыми характеризуются месторождения полезных ископаемых, обладающие множественностью и высокой степенью изменчивости своих параметров.
Одним из способов получения информации о строении земной коры является бурение, в ходе которого на поверхность могут быть извлечены пересекаемые скважиной горные породы в виде цилиндрических столбиков (керн). Извлечённые из скважины образцы керна несут важную информацию о строении земной коры .
Для получения этой информации извлечённый керн подвергается всестороннему изучению в соответствии с поставленными задачами: выполняется его фотографирование, описание (литологическое, структурное, геомеханическое и другие виды), инструментальные замеры каких-либо свойств, производится отбор образцов на анализы и т.д.
Как правило, весь извлечённый керн фотографируется и полученные фотоснимки привязываются к глубине, с которой керн был отобран. Фотографии позволяют учесть цветовые и текстурные характеристики исходного керна, важные для выделения и описания литологических типов. По фотографиям получают зависимость от глубины текстурных и цветовых признаков - профили, которые совместно с другими геолого-геофизическими данными могут использоваться для более надёжной интерпретации материалов, полученных по керну.
Для построения профилей текстурных признаков коллекция фотографий керна анализируется в скользящем окне во всём интервале глубин. В каждой позиции окна производится анализ изображения и вычисляются текстурные характеристики. Вычисленные в текущей позиции значения сравниваются со значениями зафиксированного текстурного шаблона, что даёт возможность оценить степень сходства различных участков изображения керна и на этом основании строить профили текстурных признаков. При таком подходе не всегда удаётся задать параметры обработки такие, чтобы всё разнообразие текстур отражалось в текстурных профилях. Для преодоления этой проблемы строятся ансамбли текстур (разные варианты фильтрации изображений, два способа определения текстурных характеристик, три способа задания меры сходства).
Кроме этого, стоит отметить, что границы областей с разной текстурой не всегда бывают хорошо выражены, а также то, что такой метод чувствителен к неравномерности освещённости керна при фотографировании.
В работе представлен сравнительный анализ двух подходов определения породы по фотографиям керна методами машинного обучения: на основе графических идентификаторов и свёрточных нейронных сетей. В работе сделан вывод о том, что обе модели показали достаточно высокую точность и могут быть применены на практике. Также сделан вывод о том, что подход на основе глубоких нейронных сетей имеет больший потенциал развития с учетом увеличения мощностей видеокарт и снижения их стоимости по отношению к единице мощности.
Один способов решения задачи классификации текстур керна с помощью полносвязной нейронной сети рассмотрен в работе. Для классификации текстуры керна (цветных изображений 200 на 200 пикселей) использовали нейронную сеть с полносвязанными слоями (не свёрточную). Полученная в работе высокая оценка показывает, что полносвязные нейронные сети могут быть использованы для решения задач классификации текстур геологического керна.
....
Приоритет развития цифровизации в геологических науках определяется Программой цифровой трансформации Федерального агентства по недропользованию на согласованной с Министерством цифрового развития, связи и массовых коммуникаций Российской Федерации и одобренной протоколом заседания президиума Правительственной комиссии по цифровому развитию. Особенностями реализации процессов цифровизации добывающей отрасли является крайняя сложность структур природных объектов, которыми характеризуются месторождения полезных ископаемых, обладающие множественностью и высокой степенью изменчивости своих параметров.
Одним из способов получения информации о строении земной коры является бурение, в ходе которого на поверхность могут быть извлечены пересекаемые скважиной горные породы в виде цилиндрических столбиков (керн). Извлечённые из скважины образцы керна несут важную информацию о строении земной коры .
Для получения этой информации извлечённый керн подвергается всестороннему изучению в соответствии с поставленными задачами: выполняется его фотографирование, описание (литологическое, структурное, геомеханическое и другие виды), инструментальные замеры каких-либо свойств, производится отбор образцов на анализы и т.д.
Как правило, весь извлечённый керн фотографируется и полученные фотоснимки привязываются к глубине, с которой керн был отобран. Фотографии позволяют учесть цветовые и текстурные характеристики исходного керна, важные для выделения и описания литологических типов. По фотографиям получают зависимость от глубины текстурных и цветовых признаков - профили, которые совместно с другими геолого-геофизическими данными могут использоваться для более надёжной интерпретации материалов, полученных по керну.
Для построения профилей текстурных признаков коллекция фотографий керна анализируется в скользящем окне во всём интервале глубин. В каждой позиции окна производится анализ изображения и вычисляются текстурные характеристики. Вычисленные в текущей позиции значения сравниваются со значениями зафиксированного текстурного шаблона, что даёт возможность оценить степень сходства различных участков изображения керна и на этом основании строить профили текстурных признаков. При таком подходе не всегда удаётся задать параметры обработки такие, чтобы всё разнообразие текстур отражалось в текстурных профилях. Для преодоления этой проблемы строятся ансамбли текстур (разные варианты фильтрации изображений, два способа определения текстурных характеристик, три способа задания меры сходства).
Кроме этого, стоит отметить, что границы областей с разной текстурой не всегда бывают хорошо выражены, а также то, что такой метод чувствителен к неравномерности освещённости керна при фотографировании.
В работе представлен сравнительный анализ двух подходов определения породы по фотографиям керна методами машинного обучения: на основе графических идентификаторов и свёрточных нейронных сетей. В работе сделан вывод о том, что обе модели показали достаточно высокую точность и могут быть применены на практике. Также сделан вывод о том, что подход на основе глубоких нейронных сетей имеет больший потенциал развития с учетом увеличения мощностей видеокарт и снижения их стоимости по отношению к единице мощности.
Один способов решения задачи классификации текстур керна с помощью полносвязной нейронной сети рассмотрен в работе. Для классификации текстуры керна (цветных изображений 200 на 200 пикселей) использовали нейронную сеть с полносвязанными слоями (не свёрточную). Полученная в работе высокая оценка показывает, что полносвязные нейронные сети могут быть использованы для решения задач классификации текстур геологического керна.
....
✅ Заключение
В рамках данной работы была рассмотрена задача выделения на фотоизображениях керна нефтегазовых скважин областей с тонкослоистой структурой.
На основе проведенного анализа была сформирована математическая модель и предложен алгоритм для расчета признака P, по величине которого можно судить о наличии тонкой слоистости. Этот признак вычисляется в скользящем окне как отношение суммы модулей градиентов яркости к сумме модулей градиентов без учёта знаков. Программы, реализующие этот алгоритм, детально протестированы на модельных и реальных материалах. При тестировании на сложном реальном материале, выявлена необходимость модификации алгоритма - добавлен параметр, который позволят снижать чувствительность алгоритма к небольшим значениям градиентов.
Предложенный алгоритм и программы могут быть предложены для дальнейшего опробования на реальных материалах с целью определения значений входных параметров в зависимости от свойств анализируемых фотоизображений керна. Оно необходимо, так как исходные данные плохо формализуемы, а предложенный алгоритм является эвристическим.
На основе проведенного анализа была сформирована математическая модель и предложен алгоритм для расчета признака P, по величине которого можно судить о наличии тонкой слоистости. Этот признак вычисляется в скользящем окне как отношение суммы модулей градиентов яркости к сумме модулей градиентов без учёта знаков. Программы, реализующие этот алгоритм, детально протестированы на модельных и реальных материалах. При тестировании на сложном реальном материале, выявлена необходимость модификации алгоритма - добавлен параметр, который позволят снижать чувствительность алгоритма к небольшим значениям градиентов.
Предложенный алгоритм и программы могут быть предложены для дальнейшего опробования на реальных материалах с целью определения значений входных параметров в зависимости от свойств анализируемых фотоизображений керна. Оно необходимо, так как исходные данные плохо формализуемы, а предложенный алгоритм является эвристическим.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.