Введение 4
Постановка задачи 6
Цель работы 6
Задачи работы 6
Обзор литературы 8
Глава 1. Анализ фотографий керна 9
1.1. Описание исходных данных 9
1.2. Формирование обучающей выборки 14
1.3. Выделение атрибутов для обучения 17
1.3.1 Сегментация изображений керна 17
1.3.2 Дескрипторы для сегментов 17
1.3.3 Матрица смежности 18
1.3.4 Локальные бинарные паттерны 19
1.3.5 Глобальное описание сегмента 19
1.4. Обогащение данных 19
Глава 2. Разработка программного комплекса 22
2.1. Организация программного окружения для проведения исследований 22
2.2. Разработка приложения для экспертной разметки фотографий керна 24
Глава 3. Проведение исследования 27
3.1. Результаты исследования исходных данных 29
3.1.1 Определение типов пород 29
3.1.2 Определение типа насыщения 30
3.1.3 Определение трещиноватости 31
3.2. Результаты с использованием обогащенных данных 32
3.2.1 Определение типов пород 32
3.2.2 Определение типа насыщения 33
3.2.3 Определение трещиноватости 34
Заключение 36
Перспективы развития 36
Список литературы 38
Эффективное ведение геологоразведочных работ при поиске и разведке скоплений углеводородов и последующей разработке залежей невозможно без детального и своевременного исследования извлеченного при бурении керна, который является главным носителем реальной информации о недрах земли. Керн представляет собой цилиндрический образец несколько дециметров в диаметре и несколько метров в длину. Обычно он состоит из 3-5 широких слоёв породы, чередующихся узкими прослойками (слойками) включений. Будучи добытым из коллектора углеводородов, в состав керна могут входить различные нефтеносные осадочные породы, например, несцементированный песок, известняк, доломит, песчаник, алевролит, а также слои глины, образующие природные границы резервуара. В первую очередь керн распиливают на несколько частей, полируют и целиком фотографируют при дневном и ультрафиолетовом (УФ) свете. Последнее делают для визуальной идентификации нефти: при дневном свете нефтяные включения (особенно для образцов с крупными порами/трещинами и высокой насыщенностью) видны как тёмные маслянистые пятна на поверхности; в УФ свете нефть обычно люминисцирует бело-синим на фото, а иногда коричнево-жёлтым в зависимости от её сорта. Даже если в образце нефть сразу не обнаруживают, для него по-прежнему идентифицируют фации (слои, имеющие общие характеристики), определяют степень раздробленности пластов и идентифицируют литотипы пород, слагающих керн. Эта информация, впоследствии используется для построения модели месторождения.
Создание геологических моделей нефтяных и газовых месторождений и прогнозирование распространения ловушек углеводородов должно опираться на результаты исследования керна, позволяющие получить достоверные сведения о строении нефтегазовых комплексов, о составе отложений, о характере насыщения и других свойствах пород-коллекторов. С изучения керна начинается поиск, разведка, доразведка, а в дальнейшем и разработка любого месторождения. Бурение и всестороннее исследование керна практически единственные методы, которые позволяют получить достоверную информацию о свойствах и составе веществ на больших глубинах и обеспечивают объективную проверку и интерпретацию дистанционных исследований.
На данный момент один из методов первичного анализа заключается в описании основных характеристик керна по фотографиям в дневном свете и после люминесцентно-битуминологического анализа [1]. Необходимо определить тип породы, нефтенасыщенность, карбонатность и разрушенность керна.
В рамках проведённых работ были выполнены поставленные задачи в п.1 и проведены следующие работы:
• Исследована имеющаяся база данных фотографий керна и осуществлена чистка от неподходящих по размеру и некорректно размеченных фотографий.
• Разработан подход к обработке изображений, состоящий из первичной сегментации и последующего перехода к табличному виду с помощью векторов признаков.
• Решены 3 подзадачи классификации: идентификация типа породы, выявление источника УФ свечения и определение разрушенности образцов, проведены соответствующие исследования и продемонстрированы результаты.
• Для каждой подзадачи проведён сравнительный анализ алгоритмов по достижению целевой метрики Е1-меры, по результатам которого в каждом случае лучшим был признан Extra Trees Classifier.
• Реализован вспомогательный прототип ПО, позволяющий проводить ручную сегментацию фотографии керна для дальнейшего описания экспертом.
• Собран обогащенный датасет, с строго локализированными областями и с детальным описанием более 12000 фотографий керна.
• Проведен анализ полученной экспертной разметки и показано улучшение результатов при использовании моделей машинного обучения.
Перспективы развития
Полученные результаты использованы для создания веб-сервиса типизации фотографий керна, который был интегрирован во внутреннюю инфраструктуру компании ПАО «Газпром нефть» в качестве компоненты системы поддержки принятия решений. Также планируется дальнейшее развитие веб-приложения для ручной разметки фотографий керна и его внедрение во внутренние системы и сторонние организации, в том числе в образовательных целях. По разработанной схеме описания слоев керна появились инициативы для сбора дополнительных данных c использованием разработанного сервиса. Помимо разработанных программных продуктов ценность представляет и собранный набор обогащенных данных, который можно использовать для улучшения алгоритма сегментации, обучения нейронных сетей, выделение особенностей экспертной разметки и предиктивной аналитики дополнительных собранных параметров, помимо целевых.
Помощь студентам и аспирантам в выполнении работ от наших партнеров
