Главная Библиотека Доклад №5171

Автоматическое описание геотехнических характеристик по изображениям керна

  • Длительность доклада: 65 мин
  • Количество просмотров: 14
  • Общая продолжительность просмотров: 4 ч 40 мин
  • Добавлен в подборки: 1 раз

Автор:

Барабошкин Евгений Евгеньевич
Барабошкин Евгений Евгеньевич
Руководитель по развитию продукта DeepCore

Руководитель по развитию продукта DeepCore, аспирант Сколковского института науки и технологий. Выпускник геологического факультета МГУ, имеет практический опыт седиментологических исследований, учувствовал в ГДП-200. С 2018 года выполняет проекты, основанные на применении методов машинного обучения в геологии.

Запись — после покупки абонемента
Смотрите записи без ограничений за 700 руб./мес
Поделиться

Аннотация

Доклад рассматривает историю появления методики описания керна, которая ведет свое начало с 19-го века, когда она применялась при исследовании твердых полезных ископаемых. С развитием технологий методика стала применяться и в нефтегазовой отрасли.

Методика SRK, являющаяся наиболее популярной, использует классификацию массивов по Лабшеру и определяет прочностные свойств массива горных пород, которые служат основой для проектирования отработки. Автор подробно описывает нюансы работы методики, включая проблемы при описании керна, такие как сложность определения природы трещин и различия в данных на разных этапах разведки месторождений в зависимости от поставленных задач и степени риска.

Перечисляются различные подходы к распознаванию характеристик на изображении с использованием компьютерного зрения и машинного обучения. Рассматриваются проблемы при работе с изображениями и определение показателя качества породы RQD с применением сверточных нейронных сетей, а также результаты тестирования данного метода.

Доклад включает подсчет RQD и сравнение распознавания керна между истинными, замеренными и автоматическими методами обработки. Подробно рассматривается процесс извлечения геотехнической информации из изображений, выделение нескольких типов трещин и сравнение работы модели с усредненным значением и работой геологов.

Особое внимание уделяется работе алгоритмов сверточных нейронных сетей и процессу определения керна в ящике. Демонстрируется видео работы второго поколения модели, которая достигает отличных результатов без привлечения человека к увязке керна. Рассматривается модель определения состояния керна и типа трещины, а также трудности различения природных и механических трещин.

Демонстрируются основные шаги собственных методов аугментации, разработка первой версии модели определения трещины и показатели точности ее работы. Обозревается решение задачи определения угла наклона трещины и внедрение данного функционала в систему DeepCore.

Также рассматривается автоматический поиск и выделение схожих интервалов, разработка методики поиска керна в кернохранилище и реализация подсчета RQD в системе. Обсуждаются будущие шаги по усовершенствованию модели идентификации геотехнических доменов, а также демонстрируя возможность тестирования текущих версий моделей, рассмотренных в докладе.