доктор геолого-минералогических наук;
doctor of geological and mineralogical sciences;
Петрографический анализ шлифов терригенных пород играет ключевую роль в изучении характеристик коллекторов, позволяя оценивать текстурно-структурные особенности и пористость, что необходимо для реконструкции условий осадконакопления и постседиментационных преобразований. Традиционный ручной анализ шлифов является трудоёмким и субъективным, что обуславливает необходимость его автоматизации. В настоящей работе предложен метод автоматизированного анализа участков шлифов песчаника с карбонатным цементом на основе глубокого обучения, сочетающий экземплярную сегментацию с использованием модели Mask R-CNN и семантическую сегментацию с применением SemanticFPN. Такой ансамблевый подход обеспечивает высокую точность сегментации, подтверждённую метриками Pixel Accuracy и IoU, и позволяет значительно ускорить обработку петрографических данных, повысить их объективность и воспроизводимость, что представляет практическую ценность для геологических и нефтегазовых исследований.
Petrographic analysis of thin sections of terrigenous rocks plays a key role in characterizing reservoir properties, enabling the assessment of textural and structural features as well as porosity—essential for reconstructing depositional environments and post-sedimentary alterations. Conventional manual analysis of thin sections is time-consuming and subjective, necessitating its automation. This study proposes an automated method for analyzing thin-section areas of quartz sandstone with carbonate cement based on deep learning, combining instance segmentation using the Mask R-CNN model with semantic segmentation employing SemanticFPN. This ensemble approach achieves high segmentation accuracy, as confirmed by Pixel Accuracy and Intersection over Union metrics, significantly accelerating petrographic data processing while enhancing objectivity and reproducibility. The method holds practical value for geological and petroleum exploration studies.