Результат интеллектуальной деятельности: СИСТЕМА ВОССТАНОВЛЕНИЯ ТРЕХМЕРНОЙ СТРУКТУРЫ ОБРАЗЦА ПОРОДЫ

ОБЛАСТЬ ТЕХНИКИ

Изобретение относится к системам построения трехмерных цифровых моделей структуры образцов горной породы по двумерным изображениям плоских срезов породы.

УРОВЕНЬ ТЕХНИКИ

Системы построения трехмерных цифровых моделей структуры образцов горной породы становятся ключевыми элементами в планировании разработки нефтегазовых месторождений. Получение трехмерных моделей напрямую имеет существенные ограничения и требует существенных экспериментальных ресурсов. Существующие приборы также имеют ограничения по размерам образцов, для которых можно определить структуру. Получение двумерных изображений срезов - существенно менее затратная операция, которая может быть выполнена.

Трехмерная структура горной породы является неоднородной многомасштабной средой. Для построения цифровых моделей нередко используются статистические подходы на основе многоточечных статистик [5, 6]. Точность таких моделей ограничена классами используемых моделей, и большинство из них требуют однородности образца, и возможность их адаптации для различных типов пород также ограничена. Недостаточно широкий класс моделей не позволяет получать модели образцов горных пород со свойствами, соответствующими реальным. Это приводит к необходимости дополнительных лабораторных исследований физических образцов горной породы.

Из уровня техники публикации [2, 3] посвященные построению трехмерной модели образца по двумерным фотографиям срезов, в которых основными подходами являются методы, основанные на использовании многоточечных статистик. Источник [3] выбран в качестве прототипа заявленного изобретения.

Недостатком указанных публикаций является то что при восстановлении трехмерных структур требуются большие вычислительные ресурсы.

РАСКРЫТИЕ ИЗОБРЕТЕНИЯ

Задачей заявленного изобретения является разработка системы построения трехмерных цифровых моделей структуры образцов горной породы при помощи нейронных сетей.

Техническим результатом изобретения является повышение точности восстановления трехмерной структуры.

Указанный технический результат достигается за счет того, что система восстановления трехмерной структуры образца породы по двумерным изображениям плоских срезов породы содержит средство для хранения и обработки данных, вычислительный модуль, нейронную сеть «кодировщик», нейронную сеть «генератор» и нейронную сеть «дискриминатор». При этом нейронная сеть «кодировщик» выполнена с возможностью приема, преобразования двумерных изображений плоских срезов породы в вектор параметров и отправки преобразованных срезов в нейронную сеть «генератор», которая выполнена с возможностью восстановления синтетических изображений трехмерной структуры образца породы на основе векторов параметров, а нейронная сеть «дискриминатор» выполнена с возможностью сравнения синтетических изображений трехмерной структуры образца породы с реальными изображениями трехмерной структуры образца породы, сохраненных в обучающей выборке.

Нейронная сеть «генератор» выполнена с возможностью дообучения при поступлении в обучающую выборку новых тренировочных данных, содержащих изображения трехмерной структуры образцов породы и двумерные плоские срезы породы.

Нейронная сеть «генератор» выполнена с возможностью обучения на основе обучающей выборки, содержащей тренировочные данные в виде изображений трехмерной структуры образцов породы и двумерных плоских срезов породы.

Двумерные плоские срезы породы получены на основе фотографий шлифов горных пород, полученных при помощи оптического микроскопа.

Двумерные плоские срезы породы получены на основе фотографий шлифов горных пород, полученных при помощи сканирующего электронного микроскопа.

Двумерные плоские срезы породы получены на основе фотографий сколов горных пород, полученных при помощи оптического микроскопа.

Двумерные плоские срезы породы получены на основе фотографий сколов горных пород, полученных при помощи сканирующего электронного микроскопа.

В качестве обучающей выборки для обучения нейронной сети используются изображения образцов, полученные с помощью рентгеновского томографа и их сечения.

В качестве обучающей выборки для обучения нейронной сети используются изображения образцов, полученные с помощью рентгеновского томографа и фотографии шлифов или поверхностей соответствующих образцов.

Обучающая выборка содержит дополнительные данные на основе по крайней мере одного значения физических и/или топологических свойств образцов: пористость, проницаемость, по крайней мере одного значения функционалов Минковского.

Система содержит графический интерфейс для загрузки данных и визуализации результатов.

Система содержит графический интерфейс для проведения обучения нейронной

сети.

Система выполнена с возможностью вывода информации на переносные электронные устройства, выбранные из группы: планшет, ноутбук, смартфон, умные часы.

Система выполнена с возможностью управления при помощи переносных электронных устройств, выбранных из группы: планшет, ноутбук, смартфон, умные часы.

Заявленное изобретение представляет собой новую систему восстановления трехмерной структуры образца по результатам томографирования трехмерного образца и двумерным фотографиям срезов (шлифов) на основе методов машинного обучения.

Заявленная система основана на использовании нейронных сетей. Нейронные сети - это метод машинного обучения, в котором входные данные (изображения) преобразуются в результат с помощью одного или нескольких последовательных преобразований (слоев нейронной сети). Каждый слой нейронной сети генерирует выходные результаты по входу в соответствии с текущим набором параметров нейронной сети. Нейронные сети позволяют решать такие задачи, как определение класса объектов по изображению, а также генерация новых изображений из заданного класса.

Заявленное изобретение позволяет:

1. не использовать априорные данные о статистическом описании топологии структуры (тип ковариационной функции, инвариантность относительно сдвигов/поворотов и т.п.)

2. моделировать существенно более широкий класс распределений свойств породы.

3. адаптироваться под обучающую выборку и дообучаться при поступлении новых типов керна.

4. Восстанавливать трехмерные структуры образцов горной породы без больших вычислительных ресурсов.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

Изобретение будет более понятным из описания, не имеющего ограничительного характера и приводимого со ссылками на прилагаемые чертежи, на которых изображено:

Фиг. 1 - Схема работы заявленной системы

Фиг. 2 - Схема функционирования заявленной системы

ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ

Система восстановления трехмерной структуры образца породы по двумерным изображениям плоских срезов породы содержит средство для хранения и обработки данных, вычислительный модуль, нейронную сеть «кодировщик», нейронную сеть «генератор» и нейронную сеть «дискриминатор». При этом нейронная сеть «кодировщик» выполнена с возможностью приема, преобразования двумерных изображений плоских срезов породы в вектор параметров и отправки преобразованных срезов в нейронную сеть «генератор», которая выполнена с возможностью восстановления синтетических изображений трехмерной структуры образца породы на основе векторов параметров, а нейронная сеть «дискриминатор» выполнена с возможностью сравнения синтетических изображений трехмерной структуры образца породы с реальными изображениями трехмерной структуры образца породы, сохраненных в обучающей выборке.

Нейронная сеть «генератор» выполнена с возможностью дообучения при поступлении в обучающую выборку новых тренировочных данных, содержащих изображения трехмерной структуры образцов породы и двумерные плоские срезы породы.

Нейронная сеть «генератор» выполнена с возможностью обучения на основе обучающей выборки, содержащей тренировочные данные в виде изображений трехмерной структуры образцов породы и двумерных плоских срезов породы.

Двумерные плоские срезы породы получены на основе фотографий шлифов горных пород, полученных при помощи оптического микроскопа.

Двумерные плоские срезы породы получены на основе фотографий шлифов горных пород, полученных при помощи сканирующего электронного микроскопа.

Двумерные плоские срезы породы получены на основе фотографий сколов горных пород, полученных при помощи оптического микроскопа.

Двумерные плоские срезы породы получены на основе фотографий сколов горных пород, полученных при помощи сканирующего электронного микроскопа.

В качестве обучающей выборки для обучения нейронной сети используются изображения образцов, полученные с помощью рентгеновского томографа и их сечения.

В качестве обучающей выборки для обучения нейронной сети используются изображения образцов, полученные с помощью рентгеновского томографа и фотографии шлифов или поверхностей соответствующих образцов.

Обучающая выборка содержит дополнительные данные на основе по крайней мере одного значения физических и/или топологических свойств образцов: пористость, проницаемость, по крайней мере одного значения функционалов Минковского.

Система содержит графический интерфейс для загрузки данных и визуализации результатов.

Система содержит графический интерфейс для проведения обучения нейронной

сети.

Система выполнена с возможностью вывода информации на переносные электронные устройства, выбранные из группы: планшет, ноутбук, смартфон, умные часы.

Система выполнена с возможностью управления при помощи переносных электронных устройств, выбранных из группы: планшет, ноутбук, смартфон, умные часы. Заявленное изобретение (система) включает следующие основные процессы:

1. Создание обучающей выборки трехмерных и двумерных изображений, достаточной для обучения нейросети

2. Обучение генеративной состязательной нейросетевой модели на обучающей выборке

3. Выбор двумерного изображения (шлифа) целевого образца

4. Восстановление трехмерной модели целевого образца с помощью обученной генеративной нейросетевой модели по двумерным изображения целевого образца

Заявленная система основана на анализе данных для восстановления трехмерной структуры породы. На этапе обучения используют обучающую выборку, которая включает в себя:

- Трехмерные изображения образцов породы

- Двумерные изображения срезов породы

Метод относится к классу методов обучения без учителя (unsupervised learning): известны только признаки, без какой-либо дополнительной информации о классе объекта. Задача состоит в том, чтобы построить алгоритм генерации новых изображений. Каждое трехмерное изображение представляется в виде вектора, поэтому генерация новых изображений сводится к построению приближения условного вероятностного распределения: найти (сгенерировать) наиболее правдоподобное трехмерное изображение при условии фиксированных значений двумерных срезов. Для этого, по заданной обучающей выборке строится генеративная состязательная нейронная сеть (generative adversarial network) [1], модифицированная для генерации новых данных при наличии информации. Стандартная генеративная состязательная нейронная сеть состоит из "генератора" и "дискриминатора". И генератор, и дискриминатор представляют из себя нейронные сети. При решении задачи условной генерации, используется также третья нейронная сеть, которая называется "кодировщиком". Ее задача состоит в преобразовании входных данных в вектор параметров, которые идут на вход генератору (см. Рис. 1).

Неформально процесс обучения можно представить, как игру двух игроков: дискриминатор пытается определить синтетические изображения, а генератор пытается обмануть дискриминатор, зная параметры компонент нейронной сети, соответствующей дискриминатору. При правильном выборе оптимизационного метода и подборе параметров этого метода, оптимизационный процесс находит параметры нейронной сети - генератора, которые приводят к тому, что, задавая случайные входные данные из стандартного нормального распределения, мы получаем синтетические изображения, не отличимые с точки зрения статистических метрик от реальных. Это соответствует построению приближения вероятностного распределения "правильных" выходных данных.

Используемые в генераторе, дискриминаторе и кодировщике нейронные сети могут состоять из слоев нейронные сетей, подсетей, модулей нейронных сетей, а также любых других стандартных компонент, используемых в нейронных сетях. Задача генератора состоит в том, чтобы создать правдоподобные синтетические трехмерные изображения по двумерным изображениям, а задача дискриминатора - отличить синтетические изображения от настоящих, находящихся в обучающей выборке.

Обучение происходит с помощью метода стохастической оптимизации. Процесс обучения генеративной состязательной нейронной сети состоит из следующих шагов. На каждом шаге формируется набор из нескольких синтетических объектов входных данных (batch, пачка), полученных путем применения функции генератора к набору случайного шума и случайному набору входных срезов, и набор реальных объектов входных данных, случайно выбранных из тренировочного набора, полученных из обучающей выборки. Далее выполняется обновление параметров компонентов нейронной сети, соответствующей дискриминатору. На этом подшаге с помощью библиотеки PyTorch вычисляется целевой функционал (который соответствует перекрестной энтропии классификации объектов на синтетические и реальные) и его градиент. Поскольку целевой функционал - это функция от параметров нейросети, то полученный градиент - вектор в пространстве весов нейросети, имеющий определенное направление. Изменение параметров нейронной сети происходит по правилам стохастического градиентного спуска по направлению, выбранному алгоритмом. В качестве алгоритма вычисления направления может использоваться любой стандартный метод стохастической градиентной оптимизации (Adam, RMSProp). После изменения параметров дискриминатора на следующем подшаге происходит изменение параметров нейронной сети, соответствующей генератору. Аналогично первому подшагу, в качестве алгоритма вычисления направления может использоваться любой стандартный метод стохастической градиентной оптимизации (Adam, RMSProp).

Обучение предлагаемой модели представлено в алгоритме 1. В нем используются следующие обозначения:

G - функция генератора;

Е - функция кодировщика;

D - функция дискриминатора;

Обучение происходит с помощью метода стохастической оптимизации Adam [7]. Для каждого случайно выбранного набора тренировочных данных в алгоритме 1 извлекается набор центральных слайсов, а также генерируется набор векторов случайного шума. Далее происходит четыре обновления весов:

1. Обновление весов кодировщика, минимизируя евклидово расстояние между входным срезом и срезом, находящимся внутри синтетической породы;

2. Обновление весов генератора, минимизируя евклидово расстояние между входным срезом и срезом, находящимся внутри синтетической породы;

3. Обновление весов дискриминатора, улучшая точность его классификации;

4. Обновление весов генератора, ухудшая точность классификации дискриминатора.

Алгоритм 1. Обучение Генеративной Состязательной нейросети для восстановления трехмерной структуры образца породы по двумерным фотографиям шлифов

В качестве дополнительной информации в процессе обучения могут также использоваться различные геометрические, топологические и физические свойства породы, такие как: пористость, проницаемость, топологические константы (функционалы Минковского), петрофизические константы. Их можно использовать как дополнительный вход в генеративную модель.

Схема работы модели представлена на фиг. 1, используются следующие обозначения: Conv2D - двумерный сверточный слой; Conv3D - трехмерный сверточный слой; DeConv3D - трехмерный сверточный слой, увеличивающий размерность; fake, real - синтетические (сгенерированные) и реальные породы, соответственно.

В результате обучения генератор выучивается восстанавливать реалистичную трехмерную структуру. Процесс генерации представляет собой стандартную работу нейронной сети: по вычисленным в ходе обучения параметрам и заданном входном векторе происходит последовательное вычисление активаций на каждом из компонент нейронной сети, соответствующей кодировщику, результат работы кодировщика передается на вход генератору, после чего происходит генерация случайного входного вектора (шума), который также подается на вход генератору.

Схема функционирования системы приведена на фиг. 2.

Заявленный технический результат достигается за счет гибкости и большого количества параметров нейронных сетей, используемых в заявленном изобретении, в частности:

1. Нейронная сеть использует лишь набор тренировочных данных, содержащих двумерные срезы и соответствующие им трехмерные породы.

2. Для любых нейронных сетей имеется возможность дообучить модель на основе новых данных.

3. Самая затратная часть в нейросетевом моделировании с точки зрения ресурсов - обучение нейронных сетей. В то же время на этапе применения (восстановления) не требуется много вычислительных ресурсов.

Изобретение было раскрыто выше со ссылкой на конкретный вариант его осуществления. Для специалистов могут быть очевидны и иные варианты осуществления изобретения, не меняющие его сущности, как она раскрыта в настоящем описании. Соответственно, изобретение следует считать ограниченным по объему только нижеследующей формулой изобретения.

Литература

1. Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio "Generative adversarial nets" Advances in neural information processing systems. 2014.

2. Tunfeng Zhang, Neil Francis Hurley, Weishu Zhao "Method to generate numerical pseudocores using borehole images, digital rock samples, and multi-point statistics" US8725477B2

3. Neil F. Hurley, Tuanfeng Zhang, Weishu Zhao, Mustafa Al Ibrahim "Methods to build 3D digital models of porous media using a combination of high- and low-resolution data and multi-point statistics" US8908925B2

4. Gustavo Carpio, Timothy Cavanaugh, Boaz Nur, Michael Suhrer "Dual image method and system for generating a multi-dimensional image of a sample" US9064328B2

5. Okabe, Hiroshi, and Martin J. Blunt. "Prediction of permeability for porous media reconstructed using multiple-point statistics." Physical Review E 70.6 (2004): 066135.

6. Okabe, Hiroshi, and Martin J. Blunt. "Pore space reconstruction using multiple-point statistics." Journal of Petroleum Science and Engineering 46.1-2 (2005): 121-137.

7. Kingma D.P., Ba J. Adam: A method for stochastic optimization //arXiv preprint arXiv: 1412.6980.-2014.