Новая методика текстурно-структурного анализа имиджей с помощью алгоритмов глубокого обучения

Скважинные имиджеры являются мощным инструментом для исследования сложнопостроенных коллекторов, предоставляя уникальную информацию о структурных и текстурных особенностях изучаемых пластов, в том числе информацию в масштабе кернового материала. Развитие методов обработки и интерпретации позволяет оптимизировать существующие подходы к оценке имиджей на качественном и количественном уровнях. Они также способствуют повышению эффективности и качества работы с имиджами за счёт новой пообъектной информации. В данной работе предлагается современная методика анализа имиджей, основанная на результатах обработки большого и уникального объёма накопленных данных с применением технологий машинного обучения. Разработанные алгоритмы позволяют автоматизировать процесс предобработки имиджей, а также процесс структурно-текстурной декомпозиции. Применение глубоких нейронных сетей обеспечило выделение целевых объектов с точностью более 90%, а алгоритмы компьютерного зрения позволили получить их количественную характеристику в виде оценки размеров, форм, ориентаций и топологий. Области применения предлагаемой методики включают в себя: седиментологический анализ (в частности обнаружение тонких пропластков); дополнение к программам исследований сплошного и бокового керна; дополнение к программам исследований с помощью пластоиспытателя на кабеле (детальное описание особенностей коллекторов в интервалах, не охарактеризованных керном); дополнительная информация для обработки и интерпретации комплекса геологических и геофизических данных (моделирование пласта с использованием детерминированного подхода, критерии распределения для стохастического моделирования, определение петрофизических параметров с высокой степенью достоверности).

1. Agarap, A.F. (2019). Deep Learning using Rectified Linear Units (ReLU). ArXiv preprint arXiv:1803.08375. https://doi.org/10.48550/arXiv.1803.08375

2. Azim, R.A. (2021). Estimation of fracture network properties from FMI and conventional well logs data using artificial neural network. Upstream Oil and Gas Technology, 7, pp. 100044.

3. Bradski, G. (2000). The opencv library. Dr. Dobb’s Journal: Software Tools for the Professional Programmer, 25, pp. 120–123.

4. Canny, J. (1986). A computational approach to edge detection. IEEE Transactions on pattern analysis and machine intelligence, pp. 679–698.

5. Chang Li, Liqiang Sima, Guoqiong Che, Wang Liang, Anjiang Shen, Qingxin Guo, Bing Xie (2020). Vug and fracture characterization and gas production prediction by fractals: Carbonate reservoir of the Longwangmiao Formation in the Moxi-Gaoshiti area, Sichuan Basin. Interpretation, 8(3), pp. 159-171. https://doi.org/10.1190/INT-2019-0260.1

6. Chen, T., Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. The 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM, San Francisco California USA, pp. 785–794. https://doi.org/10.1145/2939672.2939785

7. Chollet, F. (2021). Deep learning with Python. Simon and Schuster, pp. 478.

8. Cortes, C. (1995). Support-Vector Networks. Machine Learning, 20, pp. 273–297.

9. De Ville, B. (2013). Decision trees. WIREs Computational Stats, 5, pp. 448–455. https://doi.org/10.1002/wics.1278

10. Fathi, E., Carr, T.R., Faiq, M.A., Panetta, B., Kumar, A., Carney, B.J. (2022). High-quality fracture network mapping using high frequency logging while drilling (LWD) data: MSEEL case study. Machine Learning with Applications, 10, pp. 100421. https://doi.org/10.1016/j.mlwa.2022.100421

11. Fix, E. (1985). Discriminatory analysis: nonparametric discrimination, consistency properties. USAF school of Aviation Medicine.

12. Freund, Y., Schapire, R.E. (1995). A desicion-theoretic generalization of on-line learning and an application to boosting, in: Vitányi, P. (Ed.), Computational Learning Theory, Lecture Notes in Computer Science. Springer Berlin Heidelberg, Berlin, Heidelberg, pp. 23–37. https://doi.org/10.1007/3-540-59119-2_166

13. Friedman, J.H. (2001). Greedy function approximation: a gradient boosting machine. Annals of statistics, pp. 1189–1232.

14. Gabor, D. (1946). Theory of communication. Part 1: The analysis of information. Journal of the Institution of Electrical Engineers - Part III: Radio and Communication Engineering, 93, pp. 429–441. https://doi.org/10.1049/ji-3-2.1946.0074

15. Geurts, P., Ernst, D., Wehenkel, L. (2006). Extremely randomized trees. Mach Learn, 63, pp. 3–42. https://doi.org/10.1007/s10994-006-6226-1

16. Hilt, D.E., Seegrist, D.W. (1977). Ridge, a computer program for calculating ridge regression estimates. Department of Agriculture, Forest Service, Northeastern Forest Experiment.

17. John, G.H., Langley, P. (2013). Estimating Continuous Distributions in Bayesian Classifiers. arXiv preprint arXiv:1302.4964. https://doi.org/10.48550/arXiv.1302.4964

18. Kharitontseva, P., Gardiner, A., Tugarova, M., Chernov, D., Maksimova, E., Churochkin, C., Rukavishnikov, V. (2021). An Integrated Approach for Formation Micro-Image Rock Typing Based on Petrography Data: A Case Study in Shallow Marine Carbonates. Geosciences, 11(6), pp. 235. https://doi.org/10.3390/geosciences11060235

19. Kingma, D.P., Ba, J. (2017). Adam: A Method for Stochastic Optimization. https://doi.org/10.48550/arXiv.1412.6980

20. Kohonen, T. (2013). Essentials of the self-organizing map. Neural Networks, 37, pp. 52–65. https://doi.org/10.1016/j.neunet.2012.09.018

21. Köpüklü, O., Babaee, M., Hörmann, S., Rigoll, G. (2019). Convolutional Neural Networks with Layer Reuse. https://doi.org/10.48550/arXiv.1901.09615

22. Li, X., Shen, J., Zhu, Z., Wang, L., Li, Z. (2016). Fracture extraction from FMI based on multiscale mathematical morphology, SEG International Exposition and Annual Meeting, pp. SEG-2016.

23. McCallum, A., Nigam, K. (1998). A comparison of event models for naive bayes text classification, in: AAAI-98 Workshop on Learning for Text Categorization. Madison, WI, pp. 41–48.

24. Mohammad Faiq Adenan, Fathi, E., Carr, T., Panetta, B. (2023). Machine learning-based workflow for identifying fractures and baffles from Formation Micro Imager (FMI) log: A practical application in Illinois Basin Decatur Project (IBDP). SEG/AAPG International Meeting for Applied Geoscience & Energy. https://doi.org/10.1190/image2023-3916031.1

25. Otsu, N. (1975). A threshold selection method from gray-level histograms. Automatica, 11, pp. 23–27.

26. Ponziani, M., Slob, E., Luthi, S., Bloemenkamp, R., Le Nir, I. (2013). Fracture characterization from Formation MicroImager data. 75th EAGE Conference & Exhibition incorporating SPE EUROPEC 2013, European Association of Geoscientists & Engineers, pp. 348.

27. Qifeng Sun, Naiyuan Su, Faming Gong, Qizhen Du. (2023). Blank Strip Filling for Logging Electrical Imaging Based on Multiscale Generative Adversarial Network. Processes, 11(6), pp. 1709. https://doi.org/10.3390/pr11061709

28. Rahman, M.A., Wang, Y. (2016). Optimizing intersection-over-union in deep neural networks for image segmentation. The International symposium on visual computing, Springer, pp. 234–244.

29. Rennie, J.D., Shih, L., Teevan, J., Karger, D.R. (2003). Tackling the poor assumptions of naive bayes text classifiers. Proceedings of the 20th International Conference on Machine Learning (ICML-03), pp. 616–623.

30. Rigatti, S.J. (2017). Random forest. Journal of Insurance Medicine, 47, pp. 31–39.

31. Ronneberger, O., Fischer, P., Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation, in: Navab, N., Hornegger, J., Wells, W.M., Frangi, A.F. (Eds.), Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, Lecture Notes in Computer Science. Springer International Publishing, Cham, pp. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28

32. Rosenblatt, F. (1958). The perceptron: a probabilistic model for information storage and organization in the brain. Psychological review, 65, pp. 386.

33. Sara, U., Akter, M., Uddin, M.S. (2019). Image quality assessment through FSIM, SSIM, MSE and PSNR—a comparative study. Journal of Computer and Communications, 7, pp. 8–18.

34. Shafiabadi, M., Kamkar-Rouhani, A., Riabi, S.R.G., Kahoo, A.R., Tokhmechi, B. (2021). Identification of reservoir fractures on FMI image logs using Canny and Sobel edge detection algorithms. Oil & Gas Science and Technology–Revue d’IFP Energies nouvelles, 76, pp. 10.

35. Tahmasebi, P. (2018). Multiple point statistics: a review. Handbook of mathematical geosciences: Fifty years of IAMG, pp. 613–643.

36. Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society Series B: Statistical Methodology, 58, pp. 267–288.

37. Walker, S.H., Duncan, D.B. (1967). Estimation of the probability of an event as a function of several independent variables. Biometrika, 54, pp. 167–179.

38. Ye, S.-J., Rabiller, P. (2000). A new tool for electro-facies analysis: multi-resolution graph-based clustering. The SPWLA Annual Logging Symposium, SPWLA, pp. SPWLA-2000.

39. Yu, L., Li, Z., Xu, M., Gao, Y., Luo, J., Zhang, J. (2022). Distribution-Aware Margin Calibration for Semantic Segmentation in Images. Int J Comput Vis, 130, pp. 95–110. https://doi.org/10.1007/s11263-021-01533-0

40. Zou, H., Hastie, T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society Series B: Statistical Methodology, 67, pp. 301–320.