СИСТЕМА И СПОСОБ АВТОМАТИЗИРОВАННОГО ОПИСАНИЯ ГОРНЫХ ПОРОД

Изобретение относится к системе и способу описания горных пород по их изображению и, в частности, к системе и способу автоматизированного описания горных пород по их изображениям с помощью методов машинного обучения и нейронных сетей.

Уровень техники

Источниками информации о строении недр Земли являются данные геофизических, геохимических, геологических и других методов исследования. Информативность большинства этих методов постоянно растет, что напрямую связано с непрерывным развитием технологий разведки месторождений. Требования к скорости обработки информации также возрастают. Нефтяными компаниями ставится вопрос о максимальной оптимизации процесса разведки-добычи без расширения штата компании, занимающейся геологоразведочными работами (ГРР). Этот вопрос решается путем автоматизации различных процессов при помощи алгоритмов машинного обучения и использования искусственных нейронных сетей.

На данный момент существует несколько разработок, направленных на определение типов и других характеристик горных пород.

В патентном документе US 2017/0286802 А1 описана методика описания кернового материала. Метод предложенный в этом решении описывает горные породы, в качестве описания предоставляются максимальная интенсивность пикселя и контраст, что не являются объективными параметрами определения горной породы, в нем также скудно описан процесс определения горных пород. Отсутствует описание изображений, сделанных при ультрафиолетовом освещении и синтез каротажных данных.

Работа Patel, А.K., Chatterjee, S., Gorai, A.K., 2017. Development of online machine vision system using support vector regression (SVR) algorithm for grade prediction of iron ores, in: 2017 Fifteenth IAPR International Conference on Machine Vision Applications (MVA). IEEE, pp. 149-152. https://doi.org/10.23919/MVA.2017.7986823 относится к горному делу и направлена на определение типов горных пород с помощью методов машинного обучения (метод опорных векторов). Источник данных - фотографии горных пород, которые создаются в специальных условиях. Из фотографий с помощью метода главных компонент извлекаются наиболее информативные характеристики, которые далее анализируются алгоритмами машинного обучения. Этот способ наиболее близок к описываемому. Недостаток этого решения состоит в том, что требует специальных условий для фотографирования горных пород. Кроме того, к недостаткам этого способ относятся отсутствие определений других характеристик пород (кроме литотипа), неустойчивость метода к данным, полученным из разных источников и при разном освещении, отсутствие анализа фотографий, сделанных в ультрафиолетовом освещении. Отсутствуют описания применения данной методики к керну. Также в данном решении вручную выбираются наиболее информативные характеристики изображения, полученные с помощью метода главных компонент, что может приводить к снижению точности получаемых результатов.

В патенте RU 2501046 С1 описана система исследования керна горных пород путем анализа цветности (RGB-компонент) изображений. В начале в автоматическом режиме выделяются цвета, далее каждому классу цвета оператором присваивается та или иная характеристика породы (пористость, проницаемость и т.д.), присущая этому цвету, и ее тип. Недостатками данного изобретения являются: участие оператора в процессе присвоения определенному цвету породы какой-либо характеристики, потребность в определении самой характеристики, от которой зависит распределение цвета, отсутствует возможность автоматизированного определения палеонтологических остатков, текстур и структур, нет возможности синтеза каротажных данных.

Аналогичная система описана в патентном документе US 2013/0156270 А1. Цветность и тип породы анализируется таким же образом. Для каждого отдельного образца породы определяются его цветовые характеристики. Далее анализируется вся скважина с составлением размеченной по цвету литологической колонки. Выделяются граничные значения цветов, соответствующие разным литотипам. Недостатками данного изобретения являются участие оператора в процессе присвоения граничным значениям цветов пород соответствующего литотипа, потребность в определении граничных значений и неуниверсальность применения этого метода к разным данным, отсутствует возможность автоматизированного определения палеонтологических остатков, текстур, структур и других характеристик, нет возможности синтеза каротажных данных.

Отличная от описанных система представлена в патенте US 8170799 В2. Основная его цель - выделение порового пространства по 3d изображениям, полученным методом рентгеновской томографии. Изображение анализируется в градациях серого. Выделяются два класса: порода и поры. Недостатками данного изобретения является невозможность установления типа породы. Определяется только одна характеристика - пористость.

Существует необходимость в автоматизированном описании горных пород на основании изображения, полученного в различных условиях.

Раскрытие сущности изобретения

Для преодоления недостатков вышеприведенного уровня техники предлагается способ автоматизированного описания горных пород, содержащий этапы, на которых: получают изображение горных пород; анализируют полученное изображение; определяют, на основе анализа, одну или более характеристик горных пород; отличающийся тем, что выполняют автоматизированный анализ изображения горных пород с помощью предобученных нейронных сетей и кластеризации изображений. При этом на каждом этапе анализа оценивают в автоматизированном режиме возможность определения последующих характеристик. Таким образом, на протяжении всего анализа не требуется вмешательство оператора.

В одном варианте осуществления изображение горных пород представляет собой фотографию ящика с керном, или фотографию отдельных колонок керна, или фотографию шлифов, или фотографию, выполненную внутрискважинным имиджером (FMI), или томограмму керна.

В другом варианте осуществления изображение горных пород получают в ультрафиолетовом освещении.

В еще одном варианте осуществления перед этапом анализа разделяют полученное изображение на отдельные сегменты. При этом для каждого сегмента могут определять, относится ли сегмент к информативной или неинформативной части изображения, и анализировать только сегменты, относящиеся к информативной части изображения. Кроме того, для каждого сегмента могут определять, относится ли сегмент к кондиционному или не кондиционному керну, или пригодность изображения FMI к анализу.

В еще одном варианте осуществления способ дополнительно содержит этап, на котором присваивают каждому сегменту, относящему к информативной части изображения или кондиционному керну, вероятность принадлежности сегмента к определенному типу породы или к иной характеристике породы. При этом иная характеристика породы может включать в себя тип флюида, и/или пористость, и/или проницаемость, и/или наличие примесей, и/или минеральный состав. Кроме того, иная характеристика породы может включать в себя палеонтологические остатки, и/или текстуры, и/или структуры, а также слои разных масштабов и/или стратиграфические единицы.

В еще одном варианте осуществления способа определяют карту минералов. Кроме того, в способе возможно синтезирование каротажных данных.

Кроме того, предлагается система автоматизированного описания горных пород, содержащая: устройство получения изображения, выполненное с возможностью получения изображения горной породы; анализатор, выполненный с возможностью анализа полученного изображения и определения, на основе анализа, одной или более характеристик горных пород; причем анализатор выполнен с возможность автоматизированного анализа изображения горных пород с помощью предобученных нейронных сетей или кластеризации изображений и оценки возможности определения характеристик горных пород в зависимости от результата анализа.

Краткое описание чертежей

Фиг. 1 - пример работы системы автоматизированного описания горных пород;

Фиг. 2 - пример выделения информативной и неинформативной части изображения при анализе ящика с колонками керна;

Фиг. 3 - вариант осуществления системы автоматизированного описания горных

пород;

Фиг. 4 - алгоритм работы отдельного блока системы автоматизированного описания горных пород.

Осуществление изобретения

Предлагаемая система автоматического описания горных пород представляет собой сочетание аппаратных и программных средств, обеспечивающих классификацию изображений с помощью методов машинного обучения и нейронных сетей. Система позволяет в автоматическом режиме описывать горные породы и все характеристики, получаемые при визуальном описании горной породы аналогично анализу, проводимому вручную экспертом-геологом. Кроме того, система способна предсказывать даже те характеристики, которые не могут быть установлены экспертом-геологом.

В одном варианте осуществления система принимает на вход цветное или в градациях серого изображение широкого перечня форматов и кодировок. Система преобразует изображение в n-мерную матрицу распределения численных значений цвета и нормализует эти значения в интервале от 0 до 1.

Далее происходит анализ данного изображения в анализаторе. Он включает в себя сегментацию изображения, уменьшение размерности матрицы (свертка), свертка без уменьшения размера матрицы, выделение характерных особенностей на изображении с помощью применения различных автоматически настраиваемых фильтров. В конечном итоге глубокая нейронная сеть присваивает каждому сегменту вероятность принадлежности к тому или иному типу породы или иной определяемой характеристике (пористость, проницаемость и т.д.). Исходя из этого исследуемому образцу присваивается наиболее вероятная конкретная характеристика. Данная операция повторяется до тех пор, пока не будут определены все возможные характеристики.

На выходе производится визуализация результатов в виде изображения с размеченной картой определяемых свойств. Детальность карты зависит от задачи исследования и задается исследователем. В дополнение к этому в выводе могут присутствовать таблицы данных и данные в других форматах с определенными свойствами.

Анализ может быть выполнен:

1. искусственными нейронными сетями (прямого распространения, самоорганизующиеся карты, обратного распространения и пр.) (предобученные нейронные сети);

2) методами машинного обучения (к-ближайших соседей, деревья решений, метод опорных векторов и пр.) (определение свойств путем построения деревьев решений на основе анализируемого изображения, выделение групп изображений при кластеризации).

На фиг. 1 приведен пример реализации работы системы.

На вход системы подается изображение ящика с керном. Обычно керн извлекается из скважины поинтервально с интервалом равным одному метру (колонке), после чего колонками собирается в ящики, далее ящики фотографируются. Эти фотографии и передаются на вход системы. Системой из фотографии ящика извлекаются отдельные колонки керна.

Изображение керна передается в анализатор. Анализатор сегментирует изображение колонки керна на отдельные изображения (образцы), размер изображений определяется оператором. Анализатор предсказывает вероятность принадлежности каждого отдельного образца к определенному типу породы. В одном варианте осуществления в качестве выходных данных анализатор предоставляет вероятность принадлежности каждого отдельного образца к тому или иному типу породы с привязкой по глубине.

В зависимости от типа изображения оно сегментируется с помощью нейронной сети или иных методов (кластеризация, пороговая классификация и др.) на несущую информацию и не информативную часть. В информативную часть могут быть включены: линейки, отражающие масштаб, которые используются для установления соотношения количества пикселей в единице измерения (метр, сантиметр и т.п.); таблички с информацией о месторождении; некондиционные интервалы; номера образцов; местоположение начала интервала отбора керна и прочая полезная информация.

На фиг. 2 приведен пример выделения информативной и неинформативной части изображения горных пород при анализе ящика с колонками керна. В примере, приведенном на фиг. 2, требовалось лишь определить местоположение керна в ящике, поэтому остальная информация не учитывалась.

Информативная часть передается на анализ в предобученную нейронную сеть.

Обучение нейронной сети выполняется на основе предварительно размеченных данных (фотография - тип породы). В одном варианте осуществления тип породы закодирован в виде вектора. Вектор состоит из нулей и одной единицы (соответствующей типу породы), длина вектора зависит от количества типов пород, которые в дальнейшем будут описываться. Эти данные передаются в алгоритм обучения.

Алгоритм производит многочисленные линейные и нелинейные преобразования изображения, которые в конечном итоге приводят к вычислению вектора, аналогичного вектору типа породы. Вектор сравнивается с истинным вектором типа породы, соответствующего изображения. В зависимости от результата сравнения нейронная сеть настраивается. Этот процесс повторяется множество раз со всеми изображениями, подаваемыми на обучение. Количество повторений задается оператором, вьполняющим обучение.

В результате этой операции нейронная сеть автоматически настраивается так преобразовывать изображения, чтобы с максимальной вероятностью выдавать правильный вектор-результат, представленный типом породы. Результаты обучения нейронной сети в виде обученной предсказательной модели, можно применять к любым изображениям. В дальнейшем возможно производить настройку этой модель благодаря поступлению новых данных.

Искусственная нейронная сеть определяет тип породы. На основе определенного типа, а также параметров изображения (разрешение, ширина и высота сегмента, тип освещения), определяются также дополнительные методы (дополнительная обработка изображения, увеличение резкости, размытие, преобразование в другие форматы каналов, манипуляция с численными значениями матрицы изображения), которые можно применить к конкретному изображению. Определяется возможность установления дополнительных характеристик пород.

В случае, если дополнительные методы применимы и/или могут быть определены дополнительные характеристики, то изображение передается далее в подсистему для стандартного анализа изображений методами машинного виденья (определяется размер зерен, распределение характеристик по породе, процентный состав минералов, нефтенасыщенность и др.).

Кроме того, изображение может быть передано в другие подсистемы и искусственные нейронные сети для определения других характеристик (числовых, категориальных и пр.). Это зависит как от типа пород, так и от их характеристик, которые плохо определяются с помощью стандартных методов анализа изображений (данные геофизических исследований скважин (каротажей), геомеханические характеристики), а также от условий съемки. Так, например, для нефтенасыщенных песчаников, изображение которых является достаточно качественным, снятым в условиях ультрафиолетового освещения могут быть определены: тип флюида, пористость, проницаемость, наличие примесей, минеральный состав. Геофизические и геомеханические, а также другие характеристики по такого рода изображению не могут быть определены ввиду иной информации, содержащейся на такого рода изображениях.

Определенные характеристики собираются в сегментированный массив данных. Он представляет собой широкий спектр характеристик, в том числе:

1. седиментологические: тип породы, текстурные и структурные особенности, наличие дополнительных признаков (палеонтологические остатки, примеси), выделенные слои, сортировка зерен, их размер и другие;

2. петрофизические: пористость, проницаемость, флюидонасыщенность, распространение этих параметров по породе и дополнительные параметры, которые можно настроить по своему желанию;

3. геомеханические: упругие, прочностные свойства, гидродинамические характеристики и прочие;

4. каротажные: синтезированные (предсказанные) каротажные данные в виде числовых характеристик описания сегментов изображений, использующиеся в дальнейшем для построения каротажных кривых (акустических, электрических, радиоактивных и др.).

На фиг. 3 представлен пример автоматизированного описания горных пород. Система представляет собой сложный механизм, позволяющий извлечь максимум информации из предоставляемых системе материалов.

На вход подается изображение 101-104. Оно может быть представлено в виде фотографии 101 керна (может быть представлен в ящиках), фотографии 102 шлифов, изображениями 103 FMI, томограммами 104.

Изображение передается в анализатор 2. Анализатор определяет тип изображения. В зависимости от типа изображения, к нему применяются разные методы исследования. В случае, если это томограмма или фотография шлифа, определяется карта 302 минералов, порода, пористость, проницаемость, размер зерен, сортировка и распространение этих свойств 7 в породе. В случае, если это изображение FMI или фотография керна, определяются кондиционность 301 керна (пригодность изображения FMI к анализу), производится разметка 303 пород по литотипам, определяются палеонтологические остатки 503, текстуры и структуры 502, выделяются слои 501 разных масштабов, стратиграфические единицы 504, породы 505 различающиеся по своим свойствам. Вся эта информация собирается в сегментированный массив данных (СМД) 401.

В случае, если качество изображения и тип породы позволяют определить дополнительные свойства, система производит дополнительные определения 402. Могут быть произведены дополнительные операции анализа, включая: синтез 602 скважинных данных, определение геомеханических свойств 603 (упругие и прочностные свойства, гидродинамические характеристики 9), петрофизические свойства 601, 7 с последующим их выводом в виде карты признаков.

На фиг. 4 приведен алгоритм обработки изображений для одного из блоков системы автоматизированного описания горных пород.

После этапа 90 определения типа фотографии выполняется этап 10 определения кондиционности керна. В случае, если изображение содержит кондиционный керн, он разбивается на сегменты (величина сегментов задается оператором). Затем выполняется определение принадлежности сегмента к группе 11, 12, 13 пород. После определения группы породы, определение уточняется, определяется тип 1401, 1402, 15, 16, 17 породы. Далее на этапе 18 система определяет возможность установления дополнительных параметров. Для этого анализируются качество изображения и тип породы. Если качество изображения удовлетворительное, а тип породы позволяет определить дополнительные характеристики, выполняется этап 19 определения дополнительных характеристик пород (нефтенасыщенность, пористость и пр., описанные выше). Полученные результаты записываются в файл-отчет 20.

Отчеты, которые могут быть представлены в нескольких видах:

а) графическая информация (седиментологические колонки и т.п.);

б) текстовая информация;

в) таблицы данных для импорта в другие программы.

Предлагаемая система автоматизированного описания горных пород может быть реализована с помощью аппаратных и программных средств. Для аппаратной части реализации устройство должно содержать по крайней мере процессор и постоянное запоминающее устройство (ПЗУ). Для программной части реализации предлагаемый способ оценки характеристик пород может представлять собой набор функциональных модулей (функции или классы), написанных на языках программирования (например, С++, Python). Программный код может храниться в блоках памяти ПЗУ и извлекаться процессором для выполнения.

Возможны различные модификации предлагаемой системы оценки характеристик пород, являющиеся очевидными для специалистов в данной области техники.

Предлагаемая система обеспечивает следующие технические результаты:

1. фотографии не нуждаются в дополнительной обработке, специальной подготовке данных и съемке в определенных условиях;

2. система сама извлекает как информативные интервалы, так и нужные ей отличительные особенности фотографий;

3. система может работать в разных масштабах (подаваемые на вход изображения могут быть фотографиями как отдельных образцов, так фрагментами полноразмерного керна;

4. система самостоятельно оценивает различия горных пород и сортирует их на разные группы, размечая эти данные;

5. система оценивает возможность определения различных характеристик горных пород;

6. система описывает структуры и текстуры горных пород;

7. система описывает палеонтологические остатки;

8. система описывает стратиграфические горизонты и слои;

9. система описывает геомеханические и петрофизические характеристики;

10. система работает с фотографиями, сделанными при ультрафиолетовом освещении;

11. система синтезирует данные каротажа.