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

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 · Том 26, Номер 3 · Номер статьи: ES3015 · Рубрика: ОРИГИНАЛЬНЫЕ СТАТЬИ
DOI: https://doi.org/10.2205/2026es001139 · EDN: HLXPXI
Получено: 06.12.2025 Одобрено: 06.06.2026 Опубликовано: 30.08.2026 Язык публикаций: ru-RU
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?