Анализ применения методов машинного обучения в задачах классификации пород на образцах керна

Abstract

Актуальность. Исследования керна в нефтегазовой отрасли позволяют получить некоторые фильтрационно-емкостные характеристики горных пород, а также дать представление о самом составе и строении недр. Данная информация крайне важна на первых этапах разработки месторождений, так как позволяет сформировать первичный вариант проекта разработки, который далее уточняется по ходу разбуривания месторождения. Однако выполнение анализа керна и его описание является крайне трудоемкой и подверженной влиянию человеческого фактора работой, требующей автоматизации. Таким образом, исследование изображений керна - востребованная задача в нефтегазовой отрасли, которая требует высокой точности и внимательности в ходе работы; особенно учитывая объем изображений, который приходится анализировать. Целью данной работы является обзор и анализ существующих алгоритмов классификации пород по изображениям керна на основе методов машинного обучения, а также использование полученной информации для формирования рекомендаций для развития данных алгоритмов. Методы: методы машинного обучения, в том числе нейронные сети. Результаты. Проведен анализ существующих подходов к исследованию образцов керна. Были отмечены основные преимущества и недостатки каждого из них, и на основании сделанных выводов разработан план и требования к проведению дальнейшего исследования образцов керна средствами машинного обучения. С применением сверточной нейронной сети на архитектуре U-Net была обучена модель для решения задачи сегментации образцов керна на дневных изображениях; приведены результаты работы модели.

Relevance. Core studies in the oil and gas industry allow us to obtain some filtration and capacity characteristics of rocks, as well as to give an idea of the composition and structure of the subsoil. This information is extremely important in the early stages of field development, as it allows us to formulate a primary version of the development project, which is then refined during the course of field drilling. However, core analysis and description are an extremely labor-intensive and human-influenced works that require automation. Thus, core image research is a popular task in the oil and gas industry that requires high accuracy and care during work; especially considering the volume of images that have to be analyzed. Aim. To review and analyze existing algorithms for classifying rocks from core images based on machine learning methods; as well as to use the information obtained to formulate recommendations for the development of these algorithms. Methods. Machine learning methods, including neural networks. Results. The work analyzed existing approaches to the study of core samples. The main advantages and disadvantages of each of them were noted and, based on the findings, a plan and requirements for conducting further research on core samples using machine learning were developed. As a result, using a convolutional neural network on the U-Net architecture, the authors have trained a model to solve the problem of segmentation of core samples in daytime images and presented the results of the model operation