В НЦМУ используют машинное обучение для детализации структуры 3Dмоделей коллектора

С помощью нейронных сетей улучшена детальность томографических изображений.

В исследовании принимали участие специалисты Ирана (университет Занжана) и Германии (Бохумский университет прикладных наук, Научно-исследовательский институт энергетической инфраструктуры и геотермальных систем Фраунгофера, Рурский университет)

За годы деятельности Научного центра мирового уровня,  тема машинного обучения не единожды  затрагивалась в исследованиях ученых. Так, например, научный коллектив НИЛ методов увеличения нефтеотдачи НЦМУ пытались с помощью сверточных нейронных сетей увеличить разрешение томографических изображений.

Для справки: Рентгеновская компьютерная томография – неразрушающий метод визуализации трехмерной внутренней микроструктуры объектов с использованием рентгеновского излучения.

Внедрение машинного обучения снижает ограничения, возникающие при томографической съемке образцов пород: появляется возможность улучшать детализацию достаточно крупных образцов, что в будущем может способствовать прямой валидации результатов цифрового моделирования и экспериментальных работ.

Исследования по данной тематике были продолжены,  ученые оптимизировали возможность получения геометрически более достоверных структур трехмерного порового пространства после применения нейросетей для детализации изображений. Подробности работы опубликованы в Acta Geophysica.

«Результатом томографии является трехмерное цифровое изображение, а для машинного обучения эффективнее использовать двухмерные изображения. Мы можем нарезать трехмерный объем на отдельные изображения, обработать их нейронной сетью, и собрать обратно, но оказывается, что качество изображения вдоль оси нарезки получается крайне грубым. В нашей работе мы предлагаем два способа решения этой проблемы: усреднение трех разнонаправленных по осям пространства групп изображений и бинарное комбинирование, объединяющее результаты выделения структуры в каждом из трех направлений пространства», — сообщил старший научный сотрудник НИЛ методов увеличения нефтеотдачи НЦМУ Раиль Кадыров.

Работа с томографом имеет несколько важных особенностей, которые обуславливают необходимость поиска инновационных решений. Машинное обучение позволяет автоматизировать и улучшить процесс обработки и анализа множества данных, полученных в результате сканирования образцов пород, а также обрабатывать большие объемы изображений и помочь в создании более точных трехмерных моделей коллектора, что имеет большое значение в геологии и нефтегазовой промышленности. Всё это позволяет специалистам не только сэкономить время, а также повысить точность и надежность результатов исследования.

«Научная новизна проведенного исследования открывает специалистам большие перспективы – нам удалось создать трехмерные изображения и смоделировать характеристики  пород с использованием двумерных алгоритмов, работающих с томографическими срезами, отвечая актуальному вызову в области цифровой физики пород», — отметил ученый.

Результаты научных изысканий позволяют провести численные вычисления физических свойств породы и определить, как изменение масштаба различия между изображениями может влиять на результаты, что вносит значительный вклад в понимание этой проблемы.