Аннотация 2
СЛОВАРЬ ИСПОЛЬЗУЕМЫХ ТЕРМИНОВ И СОКРАЩЕНИЙ 4
ВВЕДЕНИЕ 5
Обзор литературы 8
1 Теоретические основы автоматизированного анализа изображений
геологического керна 10
1.1 Значение анализа изображений керна в геологических исследованиях 11
1.2 Предобработка изображений 11
1.3 Извлечение признаков изображения 12
1.4 Сегментация изображения и классификация 12
1.5 Проблемы и перспективы автоматизированного анализа изображений
кернов 13
2 Реализация задач анализа изображений геологического керна:
современные подходы, проблемы и тенденции развития 14
2.1 Исторический аспект и эволюция методов 14
2.2 Текущая практика и технологии 14
2.3 Современное состояние нормативной базы 15
2.4 Тенденции развития и выявленные проблемы 16
3 Выделение объектов керна с помощью статистических
характеристик 18
3.1 Анализ признакового пространства статистических характеристик
изображений кернов 18
3.2 Кластеризация изображения керна с помощью метода DBSCAN 33
3.3 Анализ признакового пространства статистических характеристик для
керна скважины рудного месторождения 38
ЗАКЛЮЧЕНИЕ 45
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ ... 46
ПРИЛОЖЕНИЕ А Обоснование выбора статистических характеристик для анализа текстуры керна 49
ПРИЛОЖЕНИЕ Б Соответствие номера вектора и интервала глубины для керна из скважины рудного месторождения 51
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 др. виды), инструментальные замеры каких-либо свойств, производится отбор образцов на анализы и т. д. Одной из важнейших составляющих процедур при бурении, является сбор структурных данных по выбуренному керну, например пространственное положение литологических, интрузивных и разломных границ (контактов) [1] .
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 [2].
Стоит отметить, что границы областей с разной текстурой не всегда бывают хорошо выражены, а неравномерность освещённости керна при фотографировании может негативно влиять на результат выделения литологических типов.
В частности, в рудной геологии текстурные признаки и границы областей с разными текстурами могут быть выражены слабо, а количество керна, пригодного для анализа, может быть ограничено. Распил керна делается не всегда и фотографии всего керна могут быть сделаны только для боковой поверхности. То есть, появляются искажения за счёт кривизны фотографируемой поверхности. Структурированный подход описания текстур в таких случаях использовать сложно.
Породы керна могут не иметь выраженных текстурных признаков, но при этом представлены зёрнами разного размера и цвета, различной слоистостью, трещинами, кавернами, ходами разных размеров и формы. Все они имеют различную яркость (интенсивность). Статистические характеристики яркостей пикселей изображения в пределах какого-то участка (окна) могут быть уникальными признаками этого участка. В таких случаях целесообразно использовать статистический подход. На основании полученных статистических характеристик можно выполнить кластеризацию изображений керна. Статистический подход рассматривает текстуру изображения как количественную меру распределения интенсивности в области окна. В целом такой подход прост в расчётах и часто используется.
Задача: по фотографиям керна рудного месторождения построить профиль, который позволил бы выделить объекты (участки) с одинаковыми или близкими статистическими характеристиками выборок яркостей пикселей изображений.
Практически это означает, что нужно построить профили статистических характеристик яркостей пикселей изображений полноразмерного керна скважин рудного месторождения (далее: КСРМ).
Хотя такие профили несут косвенную информацию о литологии пород, но совместно с другими данными они могут использоваться для построения геологических моделей изучаемых объектов, в том числе выявления корреляции данных по нескольким скважинам.
Актуальность работы. Изучение и интерпретация геологических материалов проводятся, как правило, в условиях недостатка информации, который компенсируется опытом и интуицией геологов. Поэтому, любые усилия, направленные на получение дополнительной информации из имеющихся первичных геологических материалов, являются актуальными.
В условиях ограниченности геологических данных и высокой стоимости буровых работ актуальной задачей является извлечь как можно больше информации из уже имеющихся материалов. Одним из таких источников является керн - цилиндрические образцы горных пород, извлекаемые при бурении скважин. Фотографирование керна и последующий анализ изображений позволяют получить дополнительную информацию о литологических и структурных особенностях пород.
Целью данной работы было разработать на основе статистического подхода методику анализа изображений КСРМ для выделения участков с разными текстурами. Для достижения этой цели были поставлены и решены следующие задачи:
1. Проведен обзор существующих методов анализа изображений керна, включая подходы, основанные на машинном обучении и нейронных сетях.
2. Обоснован выбор статистических характеристик (среднее значение, мода и стандартное отклонение) для описания текстурных признаков изображений керна.
3. Разработан алгоритм построения профилей статистических характеристик по глубине скважины.
4. Выполнена кластеризация участков керна на основе выбранных статистик для выделения однородных зон.
В результате исследования была предложена методика, позволяющая на основе анализа изображений керна выделять участки с разными текстурами по статистическими характеристиками яркости. Это даст возможность более детального изучения литологических и структурных особенностей пород, а также может быть использовано для корреляции данных между различными скважинами.
Предложенный подход может быть опробован в практике геологоразведочных работ.
