Автоматическое определение породы по фотографиям керна современными методами машинного обучения

Об авторах:

Дьячков Сергей Михайлович, главный специалист отдела прототипов и развития технологий, Тюменский нефтяной научный центр; smdyachkov@tnnc.rosneft.ru; ORCID: 0000-0002-3238-3259

Ядрышникова Ольга Анатольевна, кандидат технических наук, главный менеджер отдела алгоритмизации, Тюменский нефтяной научный центр; oayadrishnikova@tnnc.rosneft.ru

Поляков Дмитрий Валерьевич, специалист отдела прототипов и развития технологий, Тюменский нефтяной научный центр; dvpolyakov3-tnk@tnnc.rosneft.ru; ORCID: 0000-0002-9726-1375

Девятка Надежда Петровна, начальник отдела литолого-фациального и седиментологического изучения керна, Тюменский нефтяной научный центр; npdevyatka@tnnc.rosneft.ru

Чермянин Павел Игоревич, начальник управления развития интеллектуальных технологий, Тюменский нефтяной научный центр; pichermyanin2@tnnc.rosneft.ru

Дмитриевский Михаил Владимирович, кандидат физико-математических наук, главный менеджер отдела разработки наукоемких систем, Тюменский нефтяной научный центр; mvdmitrievskiy@tnnc.rosneft.ru

Аннотация:

Послойное описание керна выполняется для понимания закономерностей строения геологического разреза, прогнозирования развития коллекторов, уточнения стратиграфических границ и получения подсчетных параметров для оценки запасов углеводородного сырья. При этом название породы — один из ключевых параметров, определяемых при послойном описании.

В данной работе представлен сравнительный анализ двух подходов определения породы методами машинного обучения: на основе графических идентификаторов и сверточных нейронных сетей. Исходная выборка содержала фотографии керна месторождений Тюменской свиты (8 месторождений, 15 скважин, более 2 км керна) при дневном освещении. Для анализа выбраны 4 основных класса пород (алевролиты, аргиллиты, песчаники, угли). Для данных пород сформированы окна 5 × 5 см и нормированы до 299 × 299 пикселей. Общая выборка превысила 90 тыс. окон: 70% — обучающая выборка (60 359 окон) и 30% — тестовая (31 140 окон). Обучающая и тестовая выборки содержат фотографии керна с разных месторождений.

Сравнение производилось между сверточными нейронными сетями (ResNet, Res­NeXt, Inception и др.) и классификатором (типа XGBoost) на основе графических идентификаторов двух типов: цветовые (средний цвет, доминирующие цвета) и текстурные (энтропия, число Эйлера, контраст, непохожесть, однородность, энергия, корреляция). По результатам экспериментов модель на основе сверточных нейронных сетей оказалась более чувствительна к неявным признакам и позволила сократить ошибку по средневзвешенной f1-мере по отношению к ансамблю слабых классификаторов на 12,5% на тестовой выборке даже без оптимизации гиперпараметров.

Таким образом, можно сделать вывод, что модель на основе сверточных нейронных сетей более чувствительна к неявным признакам, которые сложно извлечь, используя известные графические идентификаторы. С другой стороны, подход на основе графических идентификаторов и ансамбля слабых классификаторов может быть использован без специализированных вычислительных мощностей (видеокарт).

Список литературы:

1. РН-ЛАБ «Исследования полноразмерного керна»: свид. 2018661917 РФ об официальной регистрации программы для ЭВМ / В. З. Кузенков, Д. В. Каширских, С. В. Паромов, Ю. А. Рамазанов, M. Ф. Серкин. № 2018619071; заявл. 24.08.2018; опубл. 20.09.2018.

2. РН-ЛАБ «Литология»: свид. 2019616974 РФ об официальной регистрации программы для ЭВМ / Н. П. Девятка, Д. В. Каширских, С. В. Паромов, И. А. Вахрушева, В. З. Кузенков. № 2019615809; заявл. 21.05.2019; опубл. 03.06.2019.

3. Abashkin V. V. Quantitative analysis of whole core photos for continental oilfield of Western Siberia / V. V. Abashkin, I. A. Seleznev, A. A. Chertova, S. B. Istomin, D. V. Romanov, A. F. Samokhvalov // SPE Russian Petroleum Technology Conference. 2020. Paper SPE-202017-MS. DOI: 10.2118/202017-MS

4. Alzubaidi F. Automated lithology classification from drill core images using convolutional neural networks / F. Alzubaidi, P. Mostaghimi, P. Swietojanski, S. R. Clark, R. T. Armstrong // Journal of Petroleum Science and Engineering. 2021. Vol. 197. Art. 107933. DOI: 10.1016/j.petrol.2020.107933

5. Baraboshkin E. E. Deep convolutions for in-depth automated rock typing / E. E. Baraboshkin, L. S. Ismailova, D. M. Orlov, E. A. Zhukovskaya, G. A. Kalmykov, O. V. Khotylev, E. Yu. Baraboshkin, D. A. Koroteev // Computers & Geosciences. 2020. Vol. 135. Art. 104330. DOI: 10.1016/j.cageo.2019.104330

6. Chen T. XGBoost: A scalable tree boosting system / T. Chen, C. Guestrin // 22^nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (New York, USA, 13-17 August, 2016). 2016. Pp. 785-794. DOI: 10.1145/2939672.2939785

7. Haralick R. M. Statistical and structural approaches to texture / R. M. Haralick // Proceedings of the IEEE. 1979. Vol. 67 (5). Pp. 786-804. DOI: 10.1109/PROC.1979.11328

8. Ivchenko A. V. Core photo lithological interpretation based on computer analyses / A. V. Ivchenko, E. E. Baraboshkin, L. S. Ismailova, D. M. Orlov, D. A. Koroteev, E. Yu. Baraboshkin // Proceedings of the IEEE Northwest Russia Conference on Mathematical Methods in Engineering and Technology (Saint-Petersburg, Russia, September 10-14, 2018). 2018. Vol. 8. Pp. 426-428.

9. Krizhevsky A. Learning Multiple Layers of Features from Tiny Images / A. Krizhevsky. University of Toronto, 2009.

10. Lin T.-Y. Microsoft COCO: Common objects in context / T.-Y. Lin, M. Maire, S. Belongie, J. Hays, P. Perona, D. Ramanan, P. Dollár, C. Zitnick // European Conference on Computer Vision. 2014. Pp. 740-755.

11. Lin X. The Euler Number study of image and its application / X. Lin, J. Ji, Y. Gu // 2^nd IEEE Conference on Industrial Electronics and Applications. 2007. Pp. 910-912. DOI: 10.1109/ICIEA.2007.4318541

12. Lloyd S. Least squares quantization in PCM / S. Lloyd // IEEE Transactions on Information Theory. 1982. Vol. 28 (2). Pp. 129-137. DOI: 10.1109/TIT.1982.1056489

13. Löfstedt T. Gray-level invariant Haralick texture features / T. Löfstedt, P. Brynolfsson, T. Asklund, T. Nyholm, A. Garpebring // PLOS ONE. 2019. Vol. 14 (2). Art. e0212110. DOI: 10.1371/journal.pone.0212110

14. Paszke A. PyTorch: an imperative style, high-performance deep learning library / A. Paszke, S. Gross, F. Massa et al. // Advances in Neural Information Processing Systems. 2019. Vol. 32. Pp. 8024-8035.

15. Russakovsky O. ImageNet large scale visual recognition challenge / O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein, A. Berg, L. Fei-Fei // International Journal of Computer Vision. 2015. Vol. 115. No. 3. Pp. 211-252. DOI: 10.1007/s11263-015-0816-y

16. Van der Walt S. Scikit-image: Image processing in python / S. van der Walt, J. L. Schönberger, J. Nunez-Iglesias, F. Boulogne, J. D. Warner, N. Yager, E. Gouillart, T. Yu // PeerJ. 2014. Vol. 1. Art. e453. DOI: 10.7717/peerj.453

17. Xie S. Aggregated residual transformations for deep neural networks / S. Xie, R. Girshick, P. Dollár, Z. Tu, K. He // IEEE Conference on Computer Vision and Pattern Recognition. 2017. Pp. 5987-5995. DOI: 10.1109/CVPR.2017.634

18. Yang W. Image segmentation based on gray level and local relative entropy two dimensional histogram / W. Yang, L. Cai, F. Wu // PLOS ONE. 2020. Vol. 15 (3). Art. e0229651. DOI: 10.1371/journal.pone.0229651