Оценка естественной трещиноватости горных пород по данным электрического скважинного микроимиджера (Fullbore Formation MicroImager, FMI) представляет собой важную задачу резервуарной геомеханики, исследований трудноизвлекаемых запасов углеводородов и характеристики геотермальных систем. Вместе с тем ручная разметка трещин на FMI-изображениях трудоёмка и существенно зависит от опыта интерпретатора, тогда как существующие алгоритмы автоматизации – градиентные операторы, преобразование Хаффа и свёрточные нейронные сети, опробованные преимущественно на акустических имиджерах, – недостаточно устойчивы к шумам и типичным для электрических микроимиджеров вертикальным артефактам. Цель работы – разработать устойчивый подход автоматического обнаружения трещин на FMI-изображениях средствами глубокого обучения. Основу алгоритма составляет нейросеть YOLOv11s, адаптированная к выделению протяжённых и пересекающихся синусоидальных структур. Для преодоления типичного для геофизических задач дефицита размеченных данных сформирован полусинтетический обучающий набор: на 154 реальных FMI-изображениях скважины 78B-32 полигона Utah FORGE накладывались параметрически генерируемые синусоидальные трещины, что позволило получить 2140 обучающих и 310 валидационных изображений (всего 8406 экземпляров трещин); независимая проверка проведена на 110 реальных изображениях, размеченных экспертом. На валидационной выборке модель показала следующие значения: Precision = 0,85, Recall = 0,78, mAP@50 = 0,807. Для реальных данных при восстановлении параметров синусоидальных аппроксимаций трещин получены Precision = 0,46 и F1 = 0,296, что более чем втрое превышает показатели опорного алгоритма на основе детектора границ DexiNed (Precision = 0,153, F1 = 0,155). Результаты исследования подтверждают применимость подхода с обучением на полусинтетических данных к задачам интерпретации FMI-изображений.
The assessment of natural rock fracturing from electrical borehole microimager (Fullbore Formation MicroImager, FMI) data is an important task of reservoir geomechanics, unconventional hydrocarbon exploration, and the characterization of geothermal systems. At the same time, manual fracture picking on FMI images is labor-intensive and depends substantially on the interpreter’s experience, whereas existing automated algorithms – gradient operators, the Hough transform, and convolutional neural networks tested primarily on acoustic imagers – lack robustness to noise and to the vertical artifacts typical of electrical microimagers. The aim of this work is to develop a robust methodology for automatic fracture detection on FMI images by means of deep learning. The proposed algorithm is built around a YOLOv11s neural network adapted to the detection of elongated and intersecting sinusoidal structures. To overcome the shortage of labeled data that is typical of geophysical tasks, a semi-synthetic training set was constructed: parametrically generated sinusoidal fractures were superimposed on 154 real FMI images from well 78B-32 of the Utah FORGE site, which yielded 2140 training and 310 validation images (8406 fracture instances in total); independent verification was performed on 110 real images labeled by an expert. On the validation set, the model achieved Precision = 0.85, Recall = 0.78, and mAP@50 = 0.807. On real data, the recovery of sinusoidal fracture-approximation parameters yielded Precision = 0.46 and F1 = 0.296, more than three times the values of the baseline edgedetection algorithm based on DexiNed (Precision = 0.153, F1 = 0.155). These results confirm the applicability of the semi-synthetic-training approach to FMI image interpretation tasks.