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 |
|---|---|
| Outros autores: | , , , |
| 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 |
| Idioma: | ruso |
| Publicado: |
2025
|
| Subjects: | |
| Acceso en liña: | http://earchive.tpu.ru/handle/11683/133261 https://doi.org/10.18799/24131830/2025/10/5261 |
| Formato: | Electrónico Capítulo de libro |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=683175 |
MARC
| LEADER | 00000naa2a2200000 4500 | ||
|---|---|---|---|
| 001 | 683175 | ||
| 005 | 20251128094739.0 | ||
| 090 | |a 683175 | ||
| 100 | |a 20251117d2025 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn uucaa | ||
| 200 | 1 | |a Гибридный алгоритм определения нефтенасыщенности керна по макрофотографиям пород в дневном и ультрафиолетовом свете |d Hybrid algorithm for determining core oil saturation from rock macro-photographs in daylight and ultraviolet light |z eng |f Александр Иванович Кочегуров, Владислав Игоревич Денисов, Никита Евгеньевич Семенченко, Елизавета Александровна Андренкова | |
| 320 | |a Список литературы: с. 35-36 (24 назв.) | ||
| 330 | |a 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 | ||
| 330 | |a 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 | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |0 288378 |9 288378 |t Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов |l Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering |f Национальный исследовательский Томский политехнический университет |c Томск |n Изд-во ТПУ |d 2015- |x 2413-1830 | |
| 463 | 1 | |0 683168 |9 683168 |t Т. 336, № 10 |d 2025 |v С. 28-37 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a анализ керна | |
| 610 | 1 | |a нефтенасыщенность | |
| 610 | 1 | |a машинное обучение | |
| 610 | 1 | |a компьютерное зрение | |
| 610 | 1 | |a U-Net | |
| 610 | 1 | |a ResNet | |
| 610 | 1 | |a мультимодальный анализ | |
| 610 | 1 | |a УФ-флуоресценция | |
| 610 | 1 | |a микросервисная архитектура | |
| 610 | 1 | |a цифровая петрофизика | |
| 610 | 1 | |a core analysis | |
| 610 | 1 | |a oil saturation | |
| 610 | 1 | |a machine learning | |
| 610 | 1 | |a computer vision | |
| 610 | 1 | |a multimodal analysis | |
| 610 | 1 | |a UV fluorescence | |
| 610 | 1 | |a microservice architecture | |
| 610 | 1 | |a digital petrophysics | |
| 701 | 1 | |a Кочегуров |b А. И. |c специалист в области информатики и вычислительной техники |c доцент Томского политехнического университета, кандидат технических наук |f 1954- |g Александр Иванович |9 11474 | |
| 701 | 1 | |a Денисов |b В. И. |g Владислав Игоревич | |
| 701 | 1 | |a Семенченко |b Н. Е. |g Никита Евгеньевич | |
| 701 | 1 | |a Андренкова |b Е. А. |g Елизавета Александровна | |
| 801 | 0 | |a RU |b 63413507 |c 20251117 | |
| 850 | |a 63413507 | ||
| 856 | 4 | |u http://earchive.tpu.ru/handle/11683/133261 |z http://earchive.tpu.ru/handle/11683/133261 | |
| 856 | 4 | |u https://doi.org/10.18799/24131830/2025/10/5261 |z https://doi.org/10.18799/24131830/2025/10/5261 | |
| 942 | |c CF | ||