«Автоматизация и информатизация ТЭК»

Математическое моделирование горизонтальной секции бурящейся скважины по данным азимутального плотностного каротажа

УДК: 004.032.26:519.857:551.7.02
DOI: -

Авторы:

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

Ключевые слова: азимутальный каротаж, обработка изображений, компьютерное зрение, автоэнкодер, сверточная нейронная сеть, геофизическая интерпретация

Аннотация:

В статье представлена математическая модель автоматического выделения структурных признаков на изображениях азимутального плотностного каротажа, получаемого в ходе бурения горизонтальной скважины. Модель основана на гибридном подходе, объединяющем алгоритмы классического компьютерного зрения и современные методы глубокого обучения. Проведен обзор классических алгоритмов и нейросетевых архитектур, применяемых для анализа двумерных скважинных данных. Предложенная методика включает использование сверточного автоэнкодера, обученного на неразмеченных данных с функцией потерь, чувствительной к краевым структурам, и позволяет реконструировать изображения с сохранением геометрических особенностей. На этапе постобработки применяется контурная фильтрация и выделение ограничивающих прямоугольников. Для отбора геологически значимых объектов используется сверточный классификатор, обученный на размеченной выборке. Разработанная система продемонстрировала высокую точность на данных различных нефтяных месторождений, устойчивость к шуму и возможность применения в условиях ограниченных вычислительных ресурсов в режиме реального времени. Подчеркнута практическая применимость метода в условиях отсутствия большого объема размеченных данных.

Список литературы:

1. Галкина А.В., Каневская Р.Д. О современных подходах к решению задачи автоматической корреляции геологических разрезов скважин // Автоматизация и информатизация ТЭК. – 2025. – № 3(620). – С. 56–64.
2. Арсеньев-Образцов С.С., Плющ Г.О. Применение методов глубокого обучения в актуальных задачах обработки микроКТ образцов керна. Сегментация, восстановление и синтез цифровых кернов // Автоматизация и информатизация ТЭК. – 2023. – № 12(605). – С. 34–43. – DOI: 10.33285/2782-604X-2023-12(605)-34-43
3. Bondár I. Seismic horizon detection using image processing algorithms // Geophysical Prospecting. – 1992. – Vol. 40, Issue 7. – P. 785–800. – DOI: 10.1111/j.1365-2478.1992.tb00552.x
4. Cooper G.R.J. Geophysical Applications of the Hough Transform // South African Journal of Geology. – 2006. – Vol. 109, No. 4. – P. 555–560. – DOI: 10.2113/gssajg.109.4.555
5. Zhang Cheng-En, Pan Bao-Zhi. Feature Recognition Based on Borehole Image Processing // 2nd International Conference on Information Science and Engineering, Hangzhou, China, Dec. 04–06, 2010. – DOI: 10.1109/ICISE.2010.5690580
6. Ashraf H., Mousa W.A., Al-Dossary S. Efficient and accurate edge-preserving smoothing for 3D hexagonally sampled seismic data // Geophysical Prospecting. – 2017. – Vol. 65, Issue 3. – P. 696–710. – DOI: 10.1111/1365-2478.12447
7. Takagi T., Saitoh F. Curve detection using Delaunay triangulation based on perceptual grouping factors // Electronics and Communications in Japan. – 2012. – Vol. 95, Issue 7. – P. 19–28. – DOI: 10.1002/ecj.11388
8. Pat. WO2015053876A1, IPC G01V 1/50. Automatic dip picking from wellbore azimuthal image logs / Ye Shin-ju Chu. – Application PCT/US2014/053429; Application filed 2014–08–29; Publication 2015–04–16. – URL: https://patents.google.com/patent/WO2015053876A1
9. Azimuthal imaging of rock fractures by incorporating single borehole radar and optical data / Shen Jian, Liu Liu, Li Shaojun [et al.]. – 2024. – DOI: 10.48550/arXiv.2410.11350
10. Seismic horizon detection with neural networks / A. Koryagin, D. Mylzenova, R. Khudorozhkov, S. Tsimfer. – 2020. – DOI: 10.48550/arXiv.2001.03390
11. A Sequential Iterative Deep Learning Seismic Blind High-Resolution Inversion / Chen Hongling, Gao Jinghuai, Gao Zhaoqi [et al.] // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. – 2021. – Vol. 14. – P. 7817–7829. – DOI: 10.1109/JSTARS.2021.3100502
12. Improving Accuracy of Automatic Fracture Detection in Borehole Images with Deep Learning and GPUs / R.A.Q. Cruz, D.C. Cacau, R.M. dos Santos [et al.] // Proceedings of the 30th SIBGRAPI Conference on Graphics, Patterns and Images, Niteroi, Brazil, Oct. 17–20, 2017. – P. 345–350. – DOI: 10.1109/SIBGRAPI.2017.52
13. Automatic Detection of Fractures Based on Optimal Path Search in Well Logging Images / Zhang Wei, Wu Tong, Li Zhipeng [et al.] // Journal of Sensors. – 2021. – Special Issue: Sensors, Signal, and Artificial Intelligent Processing. – Article ID 5577084. – DOI: 10.1155/2021/5577084
14. Automated Detection of Geological Features: Leveraging Deep Learning for Beddings and Fractures Identification in Image Logs / M.Q. Nasim, T. Maiti, N. Mosavat [et al.] // SPE Journal. – 2025. – Vol. 30, Issue 7. – DOI: 10.2118/223976-PA
15. Image Quality Assessment: From Error Visibility to Structural Similarity / Wang Zhou., A.C. Bovik, H.R. Sheikh, E.P. Simoncelli // IEEE Transactions on Image Processing. – 2004. – Vol. 13, Issue 4. – P. 600–612. – DOI: 10.1109/TIP.2003.819861
16. Sobel I., Feldman G. A 3×3 Isotropic Gradient Operator for Image Processing: Technical Report. – Stanford Artificial Intelligence Laboratory, 1968.
17. Kingma D.P., Ba J. Adam: A Method for Stochastic Optimization. – 2014. – 15 p. – DOI: 10.48550/arXiv.1412.6980
18. Otsu N. A Threshold Selection Method from Gray-Level Histograms // IEEE Transactions on Systems, Man, and Cybernetics. – 1979. – Vol. 9, Issue 1. – P. 62–66. – DOI: 10.1109/TSMC.1979.4310076
19. Canny J. A Computational Approach to Edge Detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1986. – Vol. 8, Issue 6. – P. 679–698. – DOI: 10.1109/TPAMI.1986.4767851
20. Suzuki S., Abe K. Topological Structural Analysis of Digitized Binary Images by Border Following // Computer Vision, Graphics, and Image Processing. – 1985. – Vol. 30, Issue 1. – P. 32–46. – DOI: 10.1016/0734-189X(85)90016-7