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
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.
....
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.
