Системы анализа и обработки данных

СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

ISSN (печатн.): 2782-2001          ISSN (онлайн): 2782-215X
English | Русский

Последний выпуск
№3(103) Июль-Сентябрь 2026

Модификация архитектуры сети U-Net для задач классификации и сегментации образцов пород

Выпуск № 2 (98) Апрель - Июнь 2025
Авторы:

Денисов Владислав Игоревич ,
Кочегуров Александр Иванович ,
Семенченко Никита Евгеньевич ,
Андренкова Елизавета Александровна ,
DOI: http://dx.doi.org/10.17212/2782-2001-2025-2-33-52
Аннотация

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.


Ключевые слова: U-Net, U-Net++, нейронные сети, сегментация пород, классификация пород, керн, модификация архитектуры, образцы пород, автоматизация анализа керна
Денисов Владислав Игоревич
РФ, 634050, г. Томск, пр. Ленина, 30, Томский политехнический университет,
vid3@tpu.ru
Orcid: 0009-0006-0624-6425

Кочегуров Александр Иванович
Национальный исследовательский Томский политехнический университет,
kaicc@tpu.ru
Orcid: 0000-0002-9008-3529

Семенченко Никита Евгеньевич
Национальный исследовательский Томский политехнический университет,
nes13@tpu.ru
Orcid: 0009-0009-7995-0482

Андренкова Елизавета Александровна
Национальный исследовательский Томский политехнический университет,
eaz28@tpu.ru
Orcid: 0009-0002-3231-0305

Список литературы

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).

Просмотров аннотации: 390
Скачиваний полного текста: 210
Просмотров интерактивной версии: 0
Для цитирования:

Модификация архитектуры сети U-Net для задач классификации и сегментации образцов пород / В.И. Денисов, А.И. Кочегуров, Н.Е. Семенченко, Е.А. Андренкова // Системы анализа
и обработки данных. – 2025. – № 2 (98). – С. 33–52. – DOI: 10.17212/2782-2001-2025-2-33-52.

For citation:

Denisov V.I., Kochegurov A.I., Semenchenko N.E., Andrenkova E.A. Modifikatsiya arkhitektury seti U-Net dlya zadach klassifikatsii i segmentatsii obraztsov porod [Modification of the U-Net network configuration for rock sample classification and segmentation tasks]. Sistemy analiza
i obrabotki dannykh = Analysis and Data Processing Systems
, 2025, no. 2 (98), pp. 33–52. DOI: 10.17212/2782-2001-2025-2-33-52.

 

Обработка персональных данных

Мы используем сервис веб-аналитики Яндекс Метрика, который использует cookie.

Собранная при помощи cookie информация не может идентифицировать вас, однако может помочь нам улучшить работу нашего сайта. Вы можете отказаться от использования cookies, выбрав соответствующие настройки в браузере. Также Вы можете запретить сбор данных с помощью расширения для браузера «Блокировщик Яндекс Метрики». Используя этот сайт, вы соглашаетесь на обработку персональных данных.