СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

В настоящее время наблюдается устойчивая тенденция к внедрению искусственного интеллекта во все технологические направления. Она не обошла стороной и нефтегазовое дело, в котором сейчас происходит активное применение машинного обучения, а особенно нейронных сетей. Ранее нами был проведен анализ отечественных и зарубежных работ в этой сфере. В частности, рассматривались методы и алгоритмы на основе искусственного интеллекта, работающие с образцами пород. Результатом данного анализа стало заключение о том, что применение нейронных сетей для решения задач классификации и сегментации пород получает всё большее распространение. Кроме того, в рассмотренных работах были выявлены ограничения и недостатки использованных архитектур, отрицательно влияющие на эффективность получаемых моделей.

В основе настоящей работы рассматривается задача модификации архитектуры сети

U-Net для повышения эффективности работы с образцами пород. Предлагается изменить оригинальную архитектуру следующим образом: добавить промежуточные связи между слоями декодера для более точного переноса признаков разной степени абстракции; ввести остаточные блоки для решения проблемы затухания градиента; заменить 2D-свертку на глубинно-разделяемую, что сделает модель легче и быстрее; внедрить механизмы внимания для увеличения точности работы сети. Указанные модификации, как показано в работе, позволяют достичь более высоких показателей точности, устойчивости к переобучению и вычислительной эффективности. Также рассматриваются аспекты воспроизводимости: сохранение лучших весов, ранняя остановка и метрические оценки результатов. Проведено сравнение оригинальной архитектуры

U-Net с модифицированной архитектурой на основании метрик Dice и IoU. Результаты сравнения показали работоспособность и эффективность предлагаемой модификации, что в дальнейшем может быть использовано при решении задач классификации и сегментации на образцах пород.

1. Особенности изучения фильтрационных характеристик ориентированного керна сложнопостроенных карбонатных коллекторов / И.П. Гурбатова, В.В. Плотников, Н.А. Попов, И.В. Сысоев // Вестник ПНИПУ. Геология. Нефтегазовое и горное дело. – 2013. – № 9. – С. 79–86.

2. Фазочастотный алгоритм прослеживания сейсмических сигналов с управляемой протяженностью функции качества / В.П. Иванченков, А.И. Кочегуров, С.Х. Нгуен, О.В. Орлов // Научный вестник НГТУ. – 2014. – № 4 (57). – C. 59–68. – DOI: 10.17212/1814-1196-2014-4-59-68.

3. Иванченков В.П., Кочегуров А.И., Орлов О.В. Применение методов фазочастотного анализа сейсмических волн для изучения околоскважинного пространства // Нефтяное хозяйство. – 2015. – № 10. – С. 58–63.

4. Кочегуров А.И., Иванченков В.П., Орлов О.В. Прогноз геологического разреза на основе детальной обработки сейсмических материалов в программно-алгоритмическом комплексе «Геосейф» // Известия Томского политехнического университета. Инжиниринг георесурсов. –2019. – Т. 330, № 6. – С. 134–144. – DOI: 10.18799/24131830/2019/6/2135.

5. Кочегуров А.И., Денисов В.И., Задорожных Е.А. Анализ применения методов машинного обучения в задачах классификации пород на образцах керна // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2024. – Т. 335, № 9. – С. 148–159. – DOI: 10.18799/24131830/2024/9/4792.

6. Денисов В.И., Задорожных Е.А. Применение средств машинного обучения для исследования образцов керна // Молодежь и современные информационные технологии: сборник трудов XXI Международной научно-практической конференции студентов, аспирантов и молодых ученых. – Томск: Изд-во ТПУ, 2024. – С. 158–163.

7. Patel A.K., Chatterjee S. Computer vision-based limestone rock-type classification using probabilistic neural network // Geoscience Frontiers. – 2016. – Vol. 7 (1). – P. 53–60. – DOI: 10.1016/j.gsf.2014.10.005.

8. Design and development of a machine vision system using artificial neural network-based algorithm for automated coal characterization / A.K. Gorai, S. Raval, A.K. Patel, S. Chatterjee, T. Gautam // International Journal of Coal Science & Technology. – 2020. – Vol. 8 (4). – P. 737–755. – DOI: 10.1007/s40789-020-00370-9.

9. Patel A.K., Chatterjee S., Gorai A.K. Development of online machine vision system using support vector regression (SVR) algorithm for grade prediction of iron ores // 2017 Fifteenth IAPR International Conference on Machine Vision Applications (MVA). – Nagoya, Japan, 2017. – P. 149–152. – DOI: 10.23919/MVA.2017.7986823.

10. Ивченко A.В., Барабошкин E.E., Исмаилова Л.С. Литологическая интерпретация фотографий керна на основе компьютерного анализа / A.В. Ивченко, E.E. Барабошкин, Л.С. Исмаилова, Д.M. Орлов, Е.Ю. Барабошкин, Д.A. Коротеев // IEEE Northwest Russia Conference on Mathematical Methods in Engineering and Technology: ММEТ NW 2018: Международная научная конференция. – Санкт-Петербург: СПбГЭТУ «ЛЭТИ», 2018. – С. 430–433.

11. Артамонов В.П., Каюров Н.К. Автоматизация алгоритмов предобработки и анализа фотографий керна для целей процесса макро- и литологического описания // III научно-практическая конференция «Интеллектуальный анализ данных в нефтегазовой области». – Новосибирск, 2022. – C. 14–16.

12. Автоматическое определение породы по фотографиям керна современными методами машинного обучения / С.М. Дьячков [и др.] // Вестник Тюменского государственного университета. Серия: Физико-математическое моделирование. Нефть, газ, энергетика. – 2021. – Т. 7, № 4 (28). – С. 181–198.

13. Новые методические аспекты литологических исследований пород баженовской свиты / А.В. Постников, О.В. Постникова, К.Ю. Оленова, О.В. Сивальнева, И.И. Хасанов, Н.А. Осинцева, М.Р. Ганаева // Нефтяное хозяйство. – 2015. – № 10. – С. 23–27.

14. Хасанов И.И. Анализ цветности пород по цифровым изображениям керна // Геология нефти и газа. – 2014. – № 5. – C. 33–39.

15. Khasanov I. The use of computer analysis of digital images for the study of core material // Geomodel 2015 – 17th Science and Applied Research Conference on Oil and Gas Geological Exploration and Development. – 2015. – Vol. 2015. – P. 1–5. – DOI: 10.3997/2214-4609.201413944.

16. Ronneberger O., Fischer P., Brox T. U-Net: convolutional networks for biomedical image segmentation // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. – Springer International Publishing, 2015. – P. 234–241. – (Lecture Notes in Computer Science; vol. 9351). – DOI: 10.1007/978-3-319-24574-4_28.

17. UNet++: a nested U-Net architecture for medical image segmentation / Z. Zhou, M.M. Rahman Siddiquee, N. Tajbakhsh, J. Lian // 4th Deep Learning in Medical Image Analysis (DLMIA) Workshop, Spain. – Springer, 2018. – P. 3–11. – (Learning for Clinical Decision Support; vol. 11045). – DOI: 10.1007/978-3-030-00889-5_1.

18. Введение в TensorFlow // TensorFlow: сайт. – URL: https://www.tensorflow.org/learn?hl=ru (дата обращения: 19.05.2025).

19. Keras. Get Started: website. – URL: https://keras.io/ (accessed: 19.05.2025).

20. Pillow (PIL Fork) 10.4.0 documentation, 2024. – URL: https://pillow.readthedocs.io/en/stable/ (accessed: 19.05.2025).

21. NumPy 1.26.0 released, 2024. – URL: https://numpy.org/ (accessed: 19.05.2025).

22. Scikit-Learn. Getting Started // Scikit-Learn. Machine Learning in Python: Website. – URL: https://scikit-learn.org/stable/getting_started.html (accessed: 19.05.2025).

23. OpenCV. Modules. – URL: https://docs.opencv.org/4.x/ (accessed: 19.05.2025).

24. Dropout – метод борьбы с переобучением нейронной сети // Введение в нейронные сети, 2024. – URL: https://proproprogs.ru/neural_network/dropout-metod-borby-s-pereobucheniem-neyronnoy-seti (дата обращения: 19.05.2025).