УДК
550.8.053 55 550.34 550.383
ГРНТИ
37.01 37.15 37.25 37.31 38.01
Ещё 5 Свернуть
36.00 37.00 38.00 39.00 52.00
ОКСО
05.00.00
ТБК
63
ББК
26
BISAC
SCI
ВАК
1.6

ВЫДЕЛЕНИЕ ТРЕЩИН ПО ДАННЫМ ЭЛЕКТРИЧЕСКОГО СКВАЖИННОГО МИКРОИМИДЖЕРА НА ОСНОВЕ НЕЙРОСЕТИ YOLO И ПОЛУСИНТЕТИЧЕСКОЙ ОБУЧАЮЩЕЙ ВЫБОРКИ НА ПРИМЕРЕ ПОЛИГОНА UTAH FORGE Выделение трещин по данным электрического скважинного микроимиджера на основе нейросети YOLO и полусинтетической обучающей выборки на примере полигона Utah FORGE

Опубликовано в Russian Journal of Earth Sciences · Номер статьи: ES3015 · Рубрика: ОРИГИНАЛЬНЫЕ СТАТЬИ
DOI: https://doi.org/10.2205/2026es001139 · EDN: HLXPXI
Получено: 07.12.2025 Одобрено: 07.06.2026 Опубликовано: 31.08.2026
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.
микроимиджер, выделение границ, глубокое обучение, FMI, машинное обучение, автоматическая детекция трещин
Финансирование
Автор выражает благодарность администраторам сайта https://gdr. openei.org/ за предоставление доступа к данным, использованным в данном исследовании. Автор также благодарит своего научного руководителя, академика РАН, доктора физико-математических наук С. А. Тихоцкого, за ценные рекомендации и консультации при проведении исследования и подготовке публикации.
Текст Список литературы
Текст (PDF)
Читать Скачать

1. Архипов Н. Д. Методика выделения трещин на основе данных микроимиджера с использованием методов машинного обучения // Сейсмические приборы. — 2024. — Т. 60, № 2. — С. 53—66. — https://doi.org/10.21455/si2024.2-4

2. Дубиня Н. В. и Тихоцкий С. А. О методе решения обратной задачи восстановления напряженно-деформированного состояния массива горных пород по данным о естественной трещиноватости // Физика Земли. — 2022. — № 4. — С. 113—134. — https://doi.org/10.31857/S0002333722040020

3. Bochkovskiy A., Wang C.-Y. and Liao H.-Y. M. YOLOv4: Optimal Speed and Accuracy of Object Detection. — 2020. — https://doi.org/10.48550/ARXIV.2004.10934

4. Dias L. O., Bom C. R., Faria E. L., et al. Automatic detection of fractures and breakouts patterns in acoustic borehole image logs using fast-region convolutional neural networks // Journal of Petroleum Science and Engineering. — 2020. — Vol. 191. — P. 107099. — https://doi.org/10.1016/j.petrol.2020.107099

5. Diwan T., Anirudh G. and Tembhurne J. V. Object detection using YOLO: challenges, architectural successors, datasets and applications // Multimedia Tools and Applications. — 2023. — Vol. 82, no. 6. — P. 9243–9275. — https://doi.org/10.1007/s11042-022-13644-y

6. Du L., Lu X. and Li H. Automatic fracture detection from the images of electrical image logs using Mask R-CNN // Fuel. — 2023. — Vol. 351. — P. 128992. — https://doi.org/10.1016/j.fuel.2023.128992

7. Fu Zh., Lu Sh., Wang H., et al. Natural fracture occurrence model based on FMI imaging logging // ACS Omega. — 2023. — Vol. 8, no. 2. — P. 2034–2045. — https://doi.org/10.1021/acsomega.2c05262

8. Gaillot Ph., Brewer T., Pezard Ph., et al. Supplement 1: Borehole Imaging Tools – Principles and Applications // Scientific Drilling. — 2007. — No. 5. — P. 1. — https://doi.org/10.2204/iodp.sd.5.07s1.2007

9. Gonzalez R. C. and Woods R. E. Digital image processing. — 2. ed., internat. ed. — Upper Saddle River, NJ : PrenticeHall, 2002. — 793 p. — Includes bibliographical references and index. - Previous ed.:Reading, Mass..: Addison-Wesley, 1992.

10. Jones C., Simmons S. and Moore J. Geology of the Utah frontier observatory for research in geothermal energy (FORGE) enhanced geothermal system (EGS) site // Geothermics. — 2024. — Vol. 122. — P. 103054. — https://doi.org/10.1016/j.geothermics.2024.103054

11. Krizhevsky A., Sutskever I. and Hinton G. E. ImageNet Classification with Deep Convolutional Neural Networks // Advances in Neural Information Processing Systems. — Curran Associates, Inc., 2012.

12. Li X.-N., Shen J.-S., Yang W.-Ya., et al. Automatic fracture-vug identification and extraction from electric imaging logging data based on path morphology // Petroleum Science. — 2019. — Vol. 16, no. 1. — P. 58–76. — https://doi.org/10.1007/s12182-018-0282-6

13. Mazdarani A., Kadkhodaie A., Wood D. A., et al. Natural fractures characterization by integration of FMI logs, well logs and core data: a case study from the Sarvak Formation (Iran) // Journal of Petroleum Exploration and Production Technology. — 2023. — Vol. 13, no. 5. — P. 1247–1263. — https://doi.org/10.1007/s13202-023-01611-8

14. McLennan J. Utah FORGE Well 78B-32 Daily Drilling Reports and Logs. — 2021. — https://doi.org/10.15121/1814488

15. Nikolenko S. I. Synthetic data for deep learning. — Cham, Switzerland : Springer International Publ., 2021. — https://doi.org/10.1007/978-3-030-75178-4

16. Redmon J., Divvala S., Girshick R., et al. You Only Look Once: Unified, Real-Time Object Detection // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — IEEE, 2016. — P. 779–788. — https://doi.org/10.1109/cvpr.2016.91

17. Ronneberger O., Fischer Ph. and Brox Th. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. — Springer International Publishing, 2015. — P. 234–241. — https://doi.org/10.1007/978-3-319-24574-4_28

18. Shafiabadi M., Kamkar-Rouhani A., Ghavami Riabi S. R., et al. Identification of reservoir fractures on FMI image logs using Canny and Sobel edge detection algorithms // Oil & Gas Science and Technology – Revue d’IFP Energies nouvelles. — 2021. — Vol. 76. — P. 10. — https://doi.org/10.2516/ogst/2020086

19. Simard P. Y., Steinkraus D. and Platt J. C. Best practices for convolutional neural networks applied to visual document analysis // Seventh International Conference on Document Analysis and Recognition, 2003. Proceedings. Vol. 1. — IEEE Comput. Soc, 2003. — P. 958–963. — https://doi.org/10.1109/icdar.2003.1227801

20. Terven J., Córdova-Esparza D. M. and Romero-González J. A. A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS // Machine Learning and Knowledge Extraction. — 2023. — Vol. 5, no. 4. — P. 1680–1716. — https://doi.org/10.3390/make5040083

21. Vugrin K. W., Swiler L. P., Roberts R. M., et al. Confidence region estimation techniques for nonlinear regression in groundwater flow: Three case studies // Water Resources Research. — 2007. — Vol. 43, no. 3. — https://doi.org/10.1029/2005wr004804

Войти или Создать
* Забыли пароль?