Стратиграфия и литология в нефтяной геологии
| Статья № 11_2024 | дата поступления в редакцию 02.04.2024 подписано в печать 06.05.2024 |
| 9 с. | Журавлёв А.В., Груздев Д.А. |
| Автоматизированная диагностика карбонатных пород по микрофотографиям шлифов на основе машинного обучения | |
| На основе технологии машинного обучения разработана компьютерная модель диагностики карбонатных пород по изображениям шлифов. Модель использует классификацию Данхэма и определяет четыре типа карбонатов – мадстоун, вакстоун, пакстоун, грейнстоун, с достоверностью 98%. Возможности использования модели и программного обеспечения на ее основе в настоящее время ограничены заданными классами карбонатов. Любые изображения, выходящие за рамки этих классов, будут диагностированы ошибочно. К плюсам модели можно отнести высокую скорость работы и воспроизводимость результатов. Она может использоваться в качестве «консультанта» специалиста при работе с большими объемами материала. Ключевые слова: карбонаты, шлифы, машинное обучение, классификация изображений. |
|
| ссылка на статью обязательна | Журавлев А.В., Груздев Д.А. Автоматизированная диагностика карбонатных пород по микрофотографиям шлифов на основе машинного обучения // Нефтегазовая геология. Теория и практика. - 2024. - Т.19. - №2. - https://www.ngtp.ru/rub/2024/11_2024.html EDN: YUQJXC |
Литература
Babenko V.V., Telnova O.P. Problems and prospects of digital identification of Devonian spores for the stratigraphy // Paleontological journal. - 2022. - Vol. 56. - P. 1067-1073. DOI: 10.1134/S0031030122090040
Baraboshkin E.E., Ismailova L.S., Orlov D.M., Zhukovskaya E.A., Kalmykov G.A., Khotylev O.V., Baraboshkin E.Y., Koroteev D.A. Deep convolutions for indepth automated rock typing // Computers and Geosciences. - 2020. - Vol. 135. - 104330. DOI: 10.1016/j.cageo.2019.104330
Duan X. Automatic identification of conodont species using fine-grained convolutional neural networks // Frontiers in Earth Science. - 2023. - Vol. 10. - № 1. DOI: 10.3389/feart.2022.1046327
Dunham R.J. Classification of carbonate rocks according to depositional texture // AAPG Memoir. - 1962. - № 1. - P. 108-121.
El-Omairi M.A., El Garouani A. A review on advancements in lithological mapping utilizing machine learning algorithms and remote sensing data // Heliyon. - 2023. - № 9. DOI: 10.1016/j.heliyon.2023.e20168
Jia L.Q., Yang M., Meng F., He M.Y., Liu H.M. Mineral photos recognition based on feature fusion and online hard sample mining // Minerals. - 2021. - Vol.11. - 1354. DOI: 10.3390/min11121354
Li D., Zhao J., Ma J. Experimental studies on rock thin-section image classification by deep learning-based approaches // Mathematics. - 2022. - № 10. - 2317. DOI: 10.3390/math10132317
Lokier S.W., Al Junaibi M. The petrographic description of carbonate facies: are we all speaking the same language? // Sedimentology. - 2016. - Vol. 63. - P. 1843-1885. DOI: 10.1111/sed.12293
Ma H., Han G.Q., Peng L., Zhu L.Y., Shu J. Rock thin sections identification based on improved squeeze-and-excitation networks model // Computers & Geosciences. - 2021. - Vol. 152. - 104780. DOI: 10.1016/j.cageo.2021.104780
Marmo R., Amodio S., Tagliaferri R., Ferreri V., Longo G. Textural identification of carbonate rocks by image processing and neural network: methodology proposal and examples // Computers & Geosciences. - 2005. - Vol. 31. - Issue 5. - P. 649-659. DOI: 10.1016/j.cageo.2004.11.016
Su C., Xu S.J., Zhu K.Y., Zhang X.C. Rock classification in petrographic thin section images based on concatenated convolutional neural networks // Earth Sci. Inform. - 2020. - Vol. 13. - P. 1477-1484. DOI: 10.1007/s12145-020-00505-1
Suzuki K. Vision Detector. 2022. https://apps.apple.com/us/app/vision-detector/id6443729650
Tetard M., Carlsson V., Meunier M., Danelian T. Merging databases for CNN image recognition, increasing bias or improving results? // Marine Micropaleontology. - 2023. - Vol. 185. - 102296. DOI: 10.1016/j.marmicro.2023.102296
Wang H., Cao W., Zhou Y., Yu P., Yang W. Multitarget intelligent recognition of petrographic thin section images based on faster RCNN // Minerals. - 2023. - Vol. 13. - 872. DOI: 10.3390/min13070872
Wardaya P.D., Khairy H., Chow W.S. Extracting physical properties from thin section: another neural network contribution in rock physics // Paper presented at the International Petroleum Technology Conference, Beijing, China. - 2013a. DOI: 10.2523/IPTC-16977-MS
Wardaya P.D., Khairy H., Chow W.S. Integrating digital image processing and artificial neural network for estimating porosity from thin section // Paper presented at the International Petroleum Technology Conference, Beijing, China. - 2013b. DOI: 10.2523/IPTC-16959-MS
Wu B.K., Ji X.H., He M.Y., Yang M., Zhang Z.C., Chen Y., Wang Y.Z., Zheng X.Q. Mineral identification based on multi-label mage classification // Minerals. - 2022. - Vol. 12. - 1338. DOI: 10.3390/min12111338
Baraboshkin E.E., Ismailova L.S., Orlov D.M., Zhukovskaya E.A., Kalmykov G.A., Khotylev O.V., Baraboshkin E.Y., Koroteev D.A. Deep convolutions for indepth automated rock typing // Computers and Geosciences. - 2020. - Vol. 135. - 104330. DOI: 10.1016/j.cageo.2019.104330
Duan X. Automatic identification of conodont species using fine-grained convolutional neural networks // Frontiers in Earth Science. - 2023. - Vol. 10. - № 1. DOI: 10.3389/feart.2022.1046327
Dunham R.J. Classification of carbonate rocks according to depositional texture // AAPG Memoir. - 1962. - № 1. - P. 108-121.
El-Omairi M.A., El Garouani A. A review on advancements in lithological mapping utilizing machine learning algorithms and remote sensing data // Heliyon. - 2023. - № 9. DOI: 10.1016/j.heliyon.2023.e20168
Jia L.Q., Yang M., Meng F., He M.Y., Liu H.M. Mineral photos recognition based on feature fusion and online hard sample mining // Minerals. - 2021. - Vol.11. - 1354. DOI: 10.3390/min11121354
Li D., Zhao J., Ma J. Experimental studies on rock thin-section image classification by deep learning-based approaches // Mathematics. - 2022. - № 10. - 2317. DOI: 10.3390/math10132317
Lokier S.W., Al Junaibi M. The petrographic description of carbonate facies: are we all speaking the same language? // Sedimentology. - 2016. - Vol. 63. - P. 1843-1885. DOI: 10.1111/sed.12293
Ma H., Han G.Q., Peng L., Zhu L.Y., Shu J. Rock thin sections identification based on improved squeeze-and-excitation networks model // Computers & Geosciences. - 2021. - Vol. 152. - 104780. DOI: 10.1016/j.cageo.2021.104780
Marmo R., Amodio S., Tagliaferri R., Ferreri V., Longo G. Textural identification of carbonate rocks by image processing and neural network: methodology proposal and examples // Computers & Geosciences. - 2005. - Vol. 31. - Issue 5. - P. 649-659. DOI: 10.1016/j.cageo.2004.11.016
Su C., Xu S.J., Zhu K.Y., Zhang X.C. Rock classification in petrographic thin section images based on concatenated convolutional neural networks // Earth Sci. Inform. - 2020. - Vol. 13. - P. 1477-1484. DOI: 10.1007/s12145-020-00505-1
Suzuki K. Vision Detector. 2022. https://apps.apple.com/us/app/vision-detector/id6443729650
Tetard M., Carlsson V., Meunier M., Danelian T. Merging databases for CNN image recognition, increasing bias or improving results? // Marine Micropaleontology. - 2023. - Vol. 185. - 102296. DOI: 10.1016/j.marmicro.2023.102296
Wang H., Cao W., Zhou Y., Yu P., Yang W. Multitarget intelligent recognition of petrographic thin section images based on faster RCNN // Minerals. - 2023. - Vol. 13. - 872. DOI: 10.3390/min13070872
Wardaya P.D., Khairy H., Chow W.S. Extracting physical properties from thin section: another neural network contribution in rock physics // Paper presented at the International Petroleum Technology Conference, Beijing, China. - 2013a. DOI: 10.2523/IPTC-16977-MS
Wardaya P.D., Khairy H., Chow W.S. Integrating digital image processing and artificial neural network for estimating porosity from thin section // Paper presented at the International Petroleum Technology Conference, Beijing, China. - 2013b. DOI: 10.2523/IPTC-16959-MS
Wu B.K., Ji X.H., He M.Y., Yang M., Zhang Z.C., Chen Y., Wang Y.Z., Zheng X.Q. Mineral identification based on multi-label mage classification // Minerals. - 2022. - Vol. 12. - 1338. DOI: 10.3390/min12111338