ИСТИНА

Геофизические исследования скважин – один из важных источников информации о свойствах и строении горных пород, слагающих верхние слои Земной коры. На месторождениях со сложной геологической обстановкой используется расширенный комплекс геофизических исследований скважин, включающий в себя, помимо прочих исследований, методы, позволяющие получить информацию об изменении отдельных характеристик горных пород в различных азимутальных направлениях (скважинные имиджи). Интерпретация скважинных имиджей позволяет получить важную информацию о строении горных пород, окружающих скважину, в особенности, позволяет выделить и характеризовать такие структурные элементы околоскважинного пространства как естественные трещины. Проведение интерпретации расширенного комплекса геофизических исследований скважин является достаточно сложной и трудоёмкой задачей, которая зачастую проводится в ручном режиме. При такой ручной интерпретации существует риск ошибки, не выделения, или некорректного выделения естественных трещин, и, соответственно, некорректного определения их характеристик. В рамках данной работы предлагается решение этой проблемы, которое заключается в разработке автоматизированного алгоритма интерпретации скважинных имиджей с применением алгоритмов компьютерного зрения и нейронной сети для выделения естественных трещин и определения их характеристик. Перед непосредственной обработкой скважинных имиджей с помощью алгоритмов компьютерного зрения и нейронной сетью необходима их предобработка [2], для исключения влияния шума и артефактов записи, которые вероятно возникли во время проведения исследования. Процедуры предобработки включают в себя различные виды фильтрации изображения [6], а также интерполяцию линейных артефактов при помощи генеративно-состязательной нейросети [8]. Далее следует обработка скважинных имиджей алгоритмами компьютерного зрения, включающими в себя: сверточную нейронную сеть для нахождения границ на изображении [4], бинаризацию [3] и её производные методы, а также обработку градиентов скважинного имиджа на предмет выделения границ [1, 5, 7]. Результат работы алгоритмов компьютерного зрения и нейронной сети далее используется для вычисления вероятного расположения естественной трещины на скважинном имидже и вычисления её геометрических характеристик. Литература 1. Canny J. A Computational Approach to Edge Detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. Nov. 1986. V. PAMI-8(6). P. 679-698. DOI: 10.1109/TPAMI.1986.4767851. 2. Getreuer P. A Survey of Gaussian Convolution Algorithms // Image Processing On Line. 2013. V. 3. P. 286–310. DOI: 10.5201/ipol.2013.87. 3. Otsu N. A threshold selection method from gray-level histograms // IEEE Trans. Sys., Man., Cyber.: journal. 1979. V. 9. P. 62-66. 4. Poma X. S., Riba E., Sappa A. Dense extreme inception network: Towards a robust cnn model for edge detection //Proceedings of the IEEE/CVF winter conference on applications of computer vision. – 2020. – С. 1923-1932. 5. Scharr H. Optimal Operators in Digital Image Processing // Dissertation (in German). 2000. 6. Shreyamsha Kumar B. K. Image denoising based on non-local means filter and its method noise thresholding //Signal, image and video processing. – 2013. – Т. 7. – С. 1211-1227. 7. Sobel I. An Isotropic 3x3 Image Gradient Operator // Presentation at Stanford A.I. Project 1968. 2014. 8. Sun Q. et al. Blank Strip Filling for Logging Electrical Imaging Based on Multiscale Generative Adversarial Network //Processes. – 2023. – Т. 11. – №. 6. – С. 1709.