«Автоматизация и информатизация ТЭК»

Применение нейронных сетей в задаче семантической сегментации пустотного пространства на изображениях шлифов горных пород

УДК: 004:553.982.23.05
DOI: -

Авторы:

¹ РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия

Ключевые слова: шлифы, разметка керна, аугментация, обучение моделей, карты сегментации

Аннотация:

Нейронные сети позволяют решать задачи семантической сегментации. На предварительном этапе исследования выполнен имидж-анализ панорам шлифов кернов, изображения сбалансированы по классам: порода; межформенные, межзерновые поры, микропоры, трещины; внутриформенные поры. Для аугментации данных использовано изменение яркости, контраста, насыщенности цветов, оттенка и резкости. В качестве выбранных архитектур нейронных сетей применялись модели UNet, UNet++ и MANet. Для повышения точности нейронных сетей в качестве кодировщика использовалась модель ResNet-34. Для обучения нейронных сетей применялись модификации алгоритма стохастического градиентного спуска и обратного распространения ошибки. Для определения качества модели использовался коэффициент Жаккара. Сохранение весов моделей происходило при достижении наибольшего среднего арифметического по всем типам пор. Анализ результатов работы построенных нейросетевых моделей показал, что они хорошо детектируют пустоты, но плохо справляются с их классификацией.

Список литературы:

1. Сравнительный анализ существующих методов оценки коллекторских свойств пород призабойной зоны / Р.А. Ахтямов, И.Р. Сафиуллин, Р.Р. Зарипов, В.С. Хакимов // Каротажник. – 2008. – № 10(175). – С. 37–47.
2. Шестаков В.В. Метод и алгоритмы обработки информации для построения объемных моделей геологической среды: дис. … канд. техн. наук: 2.3.1. – Томск, 2023. – 148 с.
3. Шатыров А.К. Оценка геомеханических свойств коллекторов Присахалинского шельфа по результатам моделирования // Изв. вузов. Геология и разведка. – 2024. – Т. 65, № 6. – С. 53–65. – DOI: 10.32454/0016-7762-2023-65-6-53-65
4. Никонов А.И. Техногенные факторы воздействия на продуктивные отложения месторождений углеводородов и их связь с потенциальным оседанием земной поверхности // Актуальные проблемы нефти и газа. – 2020. – № 4(31). – С. 77–92. – DOI: 10.29222/ipng.2078-5712.2020-31.art5
5. Шубин А.В., Кляжников Д.В., Рыжков В.И. Петроупругая инверсия: прогноз коллекторских свойств тюменской свиты // Геофизика. – 2018. – № 6. – С. 2–10.
6. Результаты изучения коллекторских свойств пород методом идентификационного моделирования / О.М. Муравина, А.А. Аузин, В.Н. Глазнев, И.А. Пономаренко // Каротажник. – 2018. – № 8(290). – С. 71–80.
7. Потехин Д.В., Галкин С.В. Применение технологии машинного обучения при моделировании распределения литотипов на пермокарбоновой залежи нефти Усинского месторождения // Зап. Горного ин-та. – 2023. – Т. 259. – С. 41–51. – DOI: 10.31897/PMI.2022.101
8. Тупысев А.М. Фрактальный анализ цифровых изображений образцов горных пород // Автоматизация, телемеханизация и связь в нефтяной пром-сти. – 2017. – № 1. – С. 11–15.
9. Китаев А.П., Синева И.С. Применение методов машинного обучения для анализа изображений в задачах нефтегазовой литологии // Телекоммуникации и информ. технологии. – 2022. – Т. 9, № 1. – С. 116–126.
10. Обзор методов семантической сегментации спутниковых снимков Земли с применением нейросетевых технологий / Я.В. Махонько, А.А. Петряева, В.А. Подмарькова [и др.] // Системный анализ в проектировании и управлении: сб. науч. тр. XXVI Междунар. науч.-практ. конф., СПб., 13–14 окт. 2022 г.: в 3 ч. Ч. 2. – СПб.: С.-Петерб. политехн. ун-т Петра Великого, 2023. – С. 258–266.
11. Ronneberger O., Fischer P., Brox T. U-net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015: 18th Int. Conf., Munich, Germany, Oct. 5–9, 2015: Proceedings: Part III. – Springer Int. Publishing, 2015. – P. 234–241. – DOI: 10.1007/978-3-319-24574-4_28
12. UNet++: A Nested UNet Architecture for Medical Image Segmentation / Zhou Zongwei, M.R. Siddiquee, N. Tajbakhsh, Liang Jianming // Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support: 4th Int. Workshop, DLMIA 2018, and 8th Int. Workshop, ML-CDS 2018, Held in Conjunction with MICCAI 2018, Granada, Spain, Sept. 20, 2018: Proceedings. – Springer Int. Publishing, 2018. – P. 3–11. – DOI: 10.1007/978-3-030-00889-5_1
13. Ma-net: A Multi-Scale Attention Network for Liver and Tumor Segmentation / Fan Tongle, Wang Guanglei, Li Yan, Wang Hongrui // IEEE Access. – 2020. – Vol. 8. – P. 179656–179665. – DOI: 10.1109/ACCESS.2020.3025372
14. Focal Loss for Dense Object Detection / Lin Tsung-Yi, P. Goyal, R. Girshick [et al.] // 2017 IEEE Int. Conf. on Computer Vision (ICCV), Venice, Italy, Oct. 22–29, 2017. – 2017. – P. 2999–3007. – DOI: 10.1109/ICCV.2017.324
15. Smith L.N. Cyclical Learning Rates for Training Neural Networks // 2017 IEEE Winter Conf. on Applications of Computer Vision (WACV), Santa Rosa, CA, USA, March 24–31, 2017. – IEEE, 2017. – P. 464–472. – DOI: 10.1109/WACV.2017.58
16. Deep Residual Learning for Image Recognition / He Kaiming, Zhang Xiangyu, Ren Shaoqing, Sun Jian // 2016 IEEE Conf. on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, June 27–30, 2016. – IEEE, 2016. – P. 770–778. – DOI: 10.1109/CVPR.2016.90