Многие горные породы — например, карбонат, уголь и сланец — обладают пористой структурой. В нефтегазовой индустрии знание расположения и структуры пористых структур очень важно для изучения механических свойств горных пород, а также моделирования течения потоков жидкостей и газов через них. Однако известные сейчас методы воспроизведения этой структуры сложны в реализации и требуют высококачественных изображений породы. Получить такие изображения у ученых получается далеко не всегда.
Фото: Павел Кассин, Коммерсантъ
Фото: Павел Кассин, Коммерсантъ
Чтобы решить проблему изображений невысокого качества, группа ученых из России и Китая разработала нейросетевой метод восстановления пористой структуры горных пород, для которого достаточно изображений низкого качества. Участник исследования, российский ученый из Математического центра в Академгородке (МЦА) Вадим Лисица сообщил Минобрнауки России, что достоинством разработанного метода является то, что построенный алгоритм позволяет работать с нечеткими визуальными материалами: «Как правило, на практике мы имеем дело именно с такими изображениями». Результаты, которые исследователи получили с помощью нейросетевого метода, продемонстрировали отличное визуальное сходство с реальными структурами пористых горных пород и успешно прошли дополнительную проверку с помощью различных методик качественного анализа.
Алгоритм был реализован с помощью методов глубокого машинного обучения, а именно генеративно-состязательных сетей. Такие сети состоят из двух частей: генератора и дискриминатора, которые выполняют противоположные задачи. Генератор, изменяя некоторые параметры, создает изображения, в то время как дискриминатор, получая изображение, должен определить, настоящее ли оно или было создано генератором. И тот, и другой учатся на своих ошибках: дискриминатор обучается, узнавая правильность своих ответов, а генератор, если узнает, что дискриминатор обнаружил подделку, старается производить более реалистичные изображения. Таким образом генератор «состязается» с дискриминатором — отсюда и название метода исследования. Генеративно-состязательные сети хорошо зарекомендовали себя в создании реалистичных изображений разных объектов, а также в улучшении качества фотографий.
Схема работы условной генеративно-состязательной сети. Буквой G обозначен генератор, D — дискриминатор, х — низкокачественное изображение
Схема работы условной генеративно-состязательной сети. Буквой G обозначен генератор, D — дискриминатор, х — низкокачественное изображение
Вариант сетей, используемый в данном исследовании, отличается от обычного тем, что генератор для улучшения качества работы получал на вход настоящее, но низкокачественное изображение пористой структуры. Дискриминатор же всегда получал два изображения: это могла быть комбинация низкокачественного и настоящего высококачественного изображения той же структуры либо сочетание низкокачественного изображения и того, что создал на его основе генератор.
Математический центр в Академгородке был создан в ноябре 2019 года в рамках нацпроекта «Наука и университеты», который реализует Минобрнауки России. Результаты совместного исследования, проведенного учеными МЦА и коллегами из Китая, опубликованы в одном из научных журналов.