В НЦМУ объединили рентгеновскую компьютерную микротомографию и машинное обучение
Новая разработка автоматизирует анализ горных пород
В Институте геологии и нефтегазовых технологий Казанского федерального университета создан набор данных, включающий более 65 560 микротомографических изображений стандартных образцов различных типов пород, таких как песчаники, алевролиты, известняки и нефтеносные сланцы. Подход, способный решить актуальные проблемы в описании кернов, был найден учеными Научного центра мирового уровня «Рациональное освоение запасов жидких углеводородов планеты».
Фото: Олег Харсеев, Коммерсантъ
Фото: Олег Харсеев, Коммерсантъ
Напомним, традиционные методы описания керна являются трудоемкими; более того, они не всегда выявляют важные детали внутри объема образца, такие как трещины, каверны (пустоты) или включения отдельных минералов, которые могут играть ключевую роль в характеристике коллектора.
Ученые Казанского федерального университета предложили объединить сразу два эффективных метода — компьютерную томографию и машинное обучение. Методика позволяет выделить важные детали, которые чаще всего оставались незамеченными при ручном анализе. Разработка позволит классифицировать породы на основе важных деталей, выявленных новым методом.
Для реализации метода учеными КФУ был создан набор данных, включающий более 65 560 микротомографических изображений стандартных образцов различных типов пород, таких как песчаники, алевролиты, известняки и нефтеносные сланцы.
«Эти изображения представляют собой детальные 2D-срезы кернов, полученные с помощью высокоточной микротомографии. Используя этот набор данных, применялись нейронные сети, которые уже обучены распознавать изображения других объектов, например людей или животных. Эти сети были доработаны для решения задачи анализа изображений пород. Такой подход называется трансферным обучением»,— рассказал старший научный сотрудник НИЛ методов увеличения нефтеотдачи Раиль Кадыров.
Внедрение искусственного интеллекта в научную работу открыло большие преимущества: с высокой точностью (более 94%) метод автоматически распознает ключевые особенности пород, такие как тип породы, текстуры, наличие трещин или сульфидов (соединения различных металлов и серы). Более того, система способна определять даже такие специфические элементы, как размерность зерен обломочных пород или присутствие зон, обогащенных органическими веществами, что особенно важно для оценки углеводородного потенциала породы,— и все это является автоматизированным, участие человека для анализа особенностей керна не требуется.
«Исследование включает реальный пример применения этой технологии на карбонатных кернах из нефтяного месторождения. Предложенная система смогла быстро и точно выделить зоны с различными свойствами, которые позже подтвердились при более традиционном анализе, например с помощью рентгеновской дифракции и петрографических срезов. Это позволяет глубже понимать внутреннюю структуру и неоднородность коллектора, что важно для успешной разведки и разработки нефтяных месторождений»,— рассказал ученый.
Данная научная работа способствует развитию нового понятия в геологии, именуемое как «томофация». Это новый подход, позволяющий типизировать и группировать породы на основе особенностей, определенных на микротомографических изображениях. Томофации помогают разделить на слои даже те породы, которые на первый взгляд кажутся однородными, что позволяет лучше понимать сложную природу подземных резервуаров и их потенциал.
«Таким образом, этот метод значительно продвигает технологии автоматизации в геологии. Он ускоряет и упрощает процесс анализа горных пород, делая его точнее и эффективнее. Это открывает новые перспективы для быстрого и детализированного анализа керна, что может существенно повлиять на стратегию добычи и повысить эффективность использования природных ресурсов»,— подчеркнул Раиль Кадыров.
Работа выполнена при поддержке Министерства науки и высшего образования Российской Федерации по договору №075-15-2022-299 в рамках программы развития Научного центра мирового уровня «Рациональное освоение запасов жидких углеводородов планеты».
Подготовлено при поддержке Минобрнауки
Использованы материалы статьи.