Анализ изображений шлифов карбонатных обломочных пород с помощью систем на основе искусственного интеллекта
Автор: Журавлв А.В., Груздев Д.А.
Журнал: Вестник геонаук @vestnik-geo
Рубрика: Научные статьи
Статья в выпуске: 6 (354), 2024 года.
Бесплатный доступ
В работе рассмотрено применение технологий машинного обучения и «компьютерного зрения» для решения задачи оценки содержания обломочной компоненты в карбонатах по шлифам. Обучающая коллекция представлена 122 монохромными микроизображениями шлифов (фрагменты размером 0.6 x 0.6 мм) слабоизмененных карбонатных пород, разделена на два класса - без литокластов (литокласты отсутствуют или занимают менее 10 % площади изображения) и с литокластами (литокласты занимают более 30 % площади изображения). При обучении модели классификации изображений достигнута точность более 90 %. Приложение модели к изображениям шлифов реализовано через консольные программы с использованием фрейворка Core ML. Программы позволяют оценить вариации «плотности распределения» литокластов по профилю через изображение шлифа и построить «карту» распределения участков с литокластами на изображении. Получаемые в результате работы модели данных можно использовать для сопоставления с геохимической и другой численно выраженной информацией, а также для выбора на шлифе участков с наименьшим содержанием аллохтонной компоненты.
Обломочные карбонаты, шлифы, машинное обучение, классификация изображений
Короткий адрес: https://sciup.org/149146249
IDR: 149146249 | DOI: 10.19110/geov.2024.6.3
Список литературы Анализ изображений шлифов карбонатных обломочных пород с помощью систем на основе искусственного интеллекта
- Груздев Д. А., Журавлев А. В., Вевель Я. А., Ерофеевский А. В., Смолева И. В. Фаменский отрицательный экскурс изотопного состава углерода в разрезе на р. Изъяю (поднятие Чернышева, Предуральский краевой прогиб) // Литосфера. 2023. № 23(2). С. 165—178. DOI: 10.24930/1681-9004-2023-23-2-165-178 Gruzdev D. A., Zhuravlev A. V., Vevel Ya. A., Erofeevsky A. V., Smoleva I. V. Famennian negative carbon isotope excursion in the Izyayu River section (Tchernyshev Uplift, Cis-Uralian Foredeep). Lithosphere (Russia)., No. 23(2), pp. 165—178. (in Russian) DOI: 10.24930/1681-9004-2023-23-2-165-178
- Дмитриева Е. В., Ершова Г. И., Либрович В. Л., Некрасова В. И., Орешникова Е. И. Атлас текстур и структур осадочных горных пород. Ч. 2. Карбонатные породы. М.: Недра, 1968. 700 с. Dmitrieva E. V., Ershova G. I., Librovich V. L., Nekrasova V. I., Oreshnikova E. I. Atlas of structures and textures of sedimentary rocks. Pt 2. Carbonate rocks. Moscow: Nedra, 1968, 700 p. (in Russian)
- Журавлев А. В., Вевель Я. А. Строение разреза изъяюской свиты (верхний девон — нижний карбон) в типовой местности — южной части поднятия Чернышева // Литосфера. 2021. № 21(4). C. 546—559. DOI: 10.24930/1681-9004-2021-21-4-546-559 Zhuravlev A. V., Vevel Ya. A. Sequence composition of the Iz”yayu Formation (Upper Devonian–Lower Carboniferous) in the type area — the south of Tchernyshev Uplift. Lithosphere (Russia), 2021, 21(4), pp. 546—559. (in Russian) DOI: 10.24930/1681-9004-2021-21-4-546-559
- Журавлев А. В., Груздев Д. А. Автоматизированная диагностика карбонатных пород по микрофотографиям шлифов на основе машинного обучения // Нефтегазовая геология. Теория и практика. 2024. Т. 19. № 2. https://www.ngtp.ru/rub/2024/11_2024.html EDN: YUQJXC Zhuravlev A. V., Gruzdev D. A. Automated diagnostics of carbonate rocks from microphotographs of thin sections based on machine learning. Oil and Gas geology Theory and Practice, 2024, V. 19, No. 2. Available at: https://www.ngtp.ru/rub/2024/11_2024.html EDN: YUQJXC (in Russian)
- Попов Н. А., Путилов И. С., Гуляева А. А., Винокурова Е. Е. Применение технологий глубокого обучения для изучения шлифов на примере Усинского месторождения нефти // Известия Томского политехнического университета. Инжиниринг георесурсов. 2020. Т. 331. № 6. С. 100—112. DOI: 10.18799/24131830/2020/6/2681 Popov N. A., Putilov I. S., Gulyaeva A. A., Vinokurova E. E. Application of deep learning technologies for studying thin sections on the example of Usinsk oil field. Proc. of Tomsk Polytechnical University, Georesouce engineering, 2020, V. 331, No. 6, pp. 100—112. DOI: 10.18799/24131830/2020/6/2681 (in Russian)
- Babenko V. V., Telnova O. P. Problems and prospects of digital identification of Devonian spores for the stratigraphy // Paleontological journal. 2022. Vol. 56. P. 1067—1073. DOI: 10.1134/S0031030122090040
- Baraboshkin E. E., Ismailova L. S., Orlov D. M., Zhukovskaya E. A., Kalmykov G. A., Khotylev O. V., Baraboshkin E. Y., Koroteev D. A. Deep convolutions for indepth automated rock typing // Computers and Geosciences. 2020. №135. 104330 DOI: 10.1016/j.cageo.2019.104330.
- Duan X. Automatic identification of conodont species using fine-grained convolutional neural networks // Frontiers in Earth Science. 2023. Vol. 10. No 1. DOI: 10.3389/feart.2022.1046327
- Ma H., Han G. Q., Peng L., Zhu L. Y., Shu J. Rock thin sections identification based on improved squeeze-and-excitation networks model // Computers & Geosciences. 2021. Vol. 152. 104780. DOI: 10.1016/j.cageo.2021.104780
- Marmo R., Amodio S., Tagliaferri R., Ferreri V., Longo G. Textural identification of carbonate rocks by image processing and neural network: methodology proposal and examples // Computers & Geosciences. 2005. Vol. 31. P. 649—659. DOI: 10.1016/j.cageo.2004.11.016
- Su C., Xu S. J., Zhu K. Y., Zhang X. C. Rock classification in petrographic thin section images based on concatenated convolutional neural networks // Earth Science Informatics. 2020. Vol. 13. P. 1477—1484. DOI: 10.1007/s12145-020-00505-1
- Tetard M., Carlsson V., Meunier M., Danelian T. Merging databases for CNN image recognition, increasing bias or improving results? // Marine Micropaleontology. 2023. Vol. 185. 102296. DOI: 10.1016/j.marmicro.2023.102296
- Wang H., Cao W., Zhou Y., Yu P., Yang W. Multitarget intelligent recognition of petrographic thin section images based on faster RCNN // Minerals. 2023. Vol. 13. 872. DOI: 10.3390/min13070872
- Wu B. K., Ji X. H., He M. Y., Yang M., Zhang Z. C., Chen Y., Wang Y. Z., Zheng X. Q. Mineral identification based on multilabel mage classification // Minerals. 2022. Vol. 12. 1338. DOI: 10.3390/min12111338
