Гибридный алгоритм определения нефтенасыщенности керна по макрофотографиям пород в дневном и ультрафиолетовом свете
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов=Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering/ Национальный исследовательский Томский политехнический университет.— .— Томск: Изд-во ТПУ, 2015-.— 2413-1830 Т. 336, № 10.— 2025.— С. 28-37 |
|---|---|
| Other Authors: | , , , |
| Summary: | Актуальность. Анализ керна – это основа для изучения нефтегазовых пластов. Но обычные способы исследования керна, особенно оценка нефтенасыщенности по УФ-свечению, очень трудозатратны, зависят от человека и не имеют четких правил. Данных с месторождений становится все больше, что усугубляет ситуацию. Поэтому нужны автоматические, объективные и масштабируемые методы. Цель. Разработка гибридного алгоритма определения нефтенасыщенности керна по макрофотографиям пород в дневном и ультрафиолетовом свете и его программная реализация. Методы. Обработки изображений, компьютерного зрения и глубокого обучения. Для классификации УФ-свечения была предложена мультимодальная модель на основе ResNet-34. Она обрабатывает сразу шесть каналов: RGB обычного света + RGB УФ-света. Программная реализация выполнена в виде интеллектуальной информационной системы на основе микросервисной архитектуры. Результаты. Разработан алгоритм классификации УФ-свечения, который показал точность 90 % для типа свечения и 80 % для его интенсивности. Разработана интеллектуальная информационная система, которая реализует полученный гибридный алгоритм, обрабатывает большие фото (4000×4000 пикселей) и сокращает место для хранения на 20–40 %, потому что хранит только нужные сегментированные части изображений. Выводы. Использованный подход, объединяющий анализ разных типов изображений и гибкую систему на микросервисах, является перспективным. Он не только автоматизирует и делает объективной оценку нефтенасыщенности, но и создает основу для будущих разработок в цифровой петрофизике. Решение помогает точнее определять насыщенность, быстрее анализировать данные и экономить место для хранения, что имеет высокую практическую значимость для нефтегазовой отрасли Abstract. Relevance. Core sample analysis is fundamental for studying oil and gas reservoirs. However, conventional core investigation methods – especially UV fluorescence-based oil saturation assessment – are highly labor-intensive, humandependent, and has no clear guidelines. Increasing volumes of field data exacerbate this issue, necessitating automated, objecttive, and scalable solutions. Aim. To develop a hybrid algorithm for determining core oil saturation using macro-photographs of rocks in daylight and ultraviolet light, along with its software implementation. Methods. Image processing, computer vision, and deep learning methods. For UV fluorescence classification, we proposed a multimodal model based on ResNet-34. It processes six channels simultaneously: RGB daylight + RGB UV light. The software was implemented as an intelligent information system using a microservice architecture. Results. We developed a UV fluorescence classification algorithm achieving 90% accuracy in identifying fluorescence type and 80% accuracy in intensity assessment. The implemented intelligent information system processes high-resolution images (4000×4000 px) and reduces storage requirements by 20–40% by retaining only essential segmented image parts. Conclusions. The combined approach – integrating multi-image analysis and flexible microservices – appears promising. It not only automates and objectifies oil saturation assessment but also establishes a foundation for future digital petrophysics research. This solution enables more accurate saturation determination, faster data analysis, and optimized storage, which could benefit the oil and gas industry Текстовый файл |
| Language: | Russian |
| Published: |
2025
|
| Subjects: | |
| Online Access: | http://earchive.tpu.ru/handle/11683/133261 https://doi.org/10.18799/24131830/2025/10/5261 |
| Format: | Electronic Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=683175 |
| Summary: | Актуальность. Анализ керна – это основа для изучения нефтегазовых пластов. Но обычные способы исследования керна, особенно оценка нефтенасыщенности по УФ-свечению, очень трудозатратны, зависят от человека и не имеют четких правил. Данных с месторождений становится все больше, что усугубляет ситуацию. Поэтому нужны автоматические, объективные и масштабируемые методы. Цель. Разработка гибридного алгоритма определения нефтенасыщенности керна по макрофотографиям пород в дневном и ультрафиолетовом свете и его программная реализация. Методы. Обработки изображений, компьютерного зрения и глубокого обучения. Для классификации УФ-свечения была предложена мультимодальная модель на основе ResNet-34. Она обрабатывает сразу шесть каналов: RGB обычного света + RGB УФ-света. Программная реализация выполнена в виде интеллектуальной информационной системы на основе микросервисной архитектуры. Результаты. Разработан алгоритм классификации УФ-свечения, который показал точность 90 % для типа свечения и 80 % для его интенсивности. Разработана интеллектуальная информационная система, которая реализует полученный гибридный алгоритм, обрабатывает большие фото (4000×4000 пикселей) и сокращает место для хранения на 20–40 %, потому что хранит только нужные сегментированные части изображений. Выводы. Использованный подход, объединяющий анализ разных типов изображений и гибкую систему на микросервисах, является перспективным. Он не только автоматизирует и делает объективной оценку нефтенасыщенности, но и создает основу для будущих разработок в цифровой петрофизике. Решение помогает точнее определять насыщенность, быстрее анализировать данные и экономить место для хранения, что имеет высокую практическую значимость для нефтегазовой отрасли Abstract. Relevance. Core sample analysis is fundamental for studying oil and gas reservoirs. However, conventional core investigation methods – especially UV fluorescence-based oil saturation assessment – are highly labor-intensive, humandependent, and has no clear guidelines. Increasing volumes of field data exacerbate this issue, necessitating automated, objecttive, and scalable solutions. Aim. To develop a hybrid algorithm for determining core oil saturation using macro-photographs of rocks in daylight and ultraviolet light, along with its software implementation. Methods. Image processing, computer vision, and deep learning methods. For UV fluorescence classification, we proposed a multimodal model based on ResNet-34. It processes six channels simultaneously: RGB daylight + RGB UV light. The software was implemented as an intelligent information system using a microservice architecture. Results. We developed a UV fluorescence classification algorithm achieving 90% accuracy in identifying fluorescence type and 80% accuracy in intensity assessment. The implemented intelligent information system processes high-resolution images (4000×4000 px) and reduces storage requirements by 20–40% by retaining only essential segmented image parts. Conclusions. The combined approach – integrating multi-image analysis and flexible microservices – appears promising. It not only automates and objectifies oil saturation assessment but also establishes a foundation for future digital petrophysics research. This solution enables more accurate saturation determination, faster data analysis, and optimized storage, which could benefit the oil and gas industry Текстовый файл |
|---|---|
| DOI: | 10.18799/24131830/2025/10/5261 |