Түйіндемелі нейрондық желілер мен K-Means алгоритмін пайдалана отырып, керннің визуалды белгілеріне негізделген литотиптерді кластерлеу
- Авторлар: Әбдіманап Ғ.С.1,2, Бостанбеков К.А.1, Әлімова А.Н.2, Салиев Н.Б.2, Нұрсейітов Д.Б.1,2
-
Мекемелер:
- ҚМГ Инжиниринг
- Satbayev University
- Шығарылым: Том 6, № 2 (2024)
- Беттер: 25-38
- Бөлім: Geology
- URL: https://bakhtiniada.ru/2707-4226/article/view/260112
- DOI: https://doi.org/10.54859/kjogi108720
- ID: 260112
Дәйексөз келтіру
Толық мәтін
Аннотация
Негіздеу. Литология геологиялық жыныстар мен олардың сипаттамаларын зерттейді, геология мен мұнай-газ өнеркәсібінде маңызды мәнге ие. Литологияның негізгі міндеттері тау жыныстарын жіктеу, олардың шығу тегін анықтау, сондай-ақ олардың пайда болу және уақыт өткен сайын өзгеру жағдайларын зерделеу болып табылады. Литологиялық зерттеулер әртүрлі әдістермен, соның ішінде дәстүрлі (мысалы, тау жыныстарының үлгілерін визуалды зерттеу немесе үлгілерді микроскопиялық талдау) және заманауи технологияларды қолдана отырып жүргізіледі. Дәстүрлі әдістер жоғары біліктілік пен тәжірибені талап етеді және оған көп уақыт жұмсау қажет, әсіресе визуалды талдау кезінде (керннің сипаттамасын жасау). Машиналық оқыту әдістері мен автоматтандырылған технологияларды қолдану талдаудың тиімділігі мен дәлдігін жақсартуға, уақыт шығындарын азайтуға және ақпаратқа жылдам қол жеткізуге мүмкіндік береді.
Мақсаты. Жұмыстың мақсаты машинамен оқыту әдістерін пайдалана отырып, керн бейнелеріндегі литотиптерді кластерлеу моделін әзірлеу болып табылады .
Материалдар мен әдістер. Мақалада литотиптерді K-Means әдісімен кластерлеу алгоритмі негізгі белгілерді (фотосурет бойынша анықталатын ұқсастықтар мен айырмашылықтар) анықтау үшін VGG16, VGG19 және ResNet50 түйіндемелі нейрондық желілерімен үйлесімде қарастырылады.
Нәтижелері. KK-Means әдісі мен түйіндемелі нейрондық желілердің көмегімен литотиптерді кластерлеу алгоритмі әзірленді. Керн суреттерімен жұмыс істеу кезінде алгоритмнің артықшылықтары мен шектеулері анықталған. Нақты деректер жиынында жүргізілген эксперименттердің нәтижелері ұсынылды.
Корытынды. Зерттеу нәтижелері геологиялық зерттеулерде және кернді талдау үшін терең оқыту әдістерін қолдануда пайдалы болуы мүмкін маңызды практикалық қорытындыларды ұсынады. Одан әрі зерттеулер машинамен оқытудың басқа модельдері мен әдістерін талдауды тереңдетуі, сондай-ақ геологияда осы тәсілді қолдану аясын кеңейтуі мүмкін.
Негізгі сөздер
Толық мәтін
##article.viewOnOriginalSite##Авторлар туралы
Ғалымжан Сейтахметғалиұлы Әбдіманап
ҚМГ Инжиниринг; Satbayev University
Email: g.abdimanap@kmge.kz
ORCID iD: 0000-0003-1676-4075
Қазақстан, Астана қаласы; Алматы қаласы
Кайрат Аратович Бостанбеков
ҚМГ Инжиниринг
Email: k.bostanbekov@kmge.kz
ORCID iD: 0000-0003-2869-772X
PhD
Қазақстан, Астана қаласыАнель Нурданбековна Әлімова
Satbayev University
Хат алмасуға жауапты Автор.
Email: a.alimova@kmge.kz
ORCID iD: 0000-0002-5155-2417
PhD
Қазақстан, Алматы қаласыНурлан Бакитжанович Салиев
Satbayev University
Email: saliyevnurlan@gmail.com
ORCID iD: 0009-0001-6537-6960
Қазақстан, Алматы қаласы
Данияр Борисович Нұрсейітов
ҚМГ Инжиниринг; Satbayev University
Email: d.nurseitov@kmge.kz
ORCID iD: 0000-0003-1073-4254
канд. физ.-мат. наук, ассоциированный профессор
Қазақстан, Астана қаласы; Алматы қаласыӘдебиет тізімі
- Gandhi SM, Sarkar BC. Essentials of mineral exploration and evaluation. Elsevier; 2016. 410 p.
- Corina AN, Hovda S. Automatic lithology prediction from well logging using kernel density estimation. Journal of Petroleum Science and Engineering. 2018;170:664–674. doi: 10.1016/j.petrol.2018.06.012.
- He J, La Croix AD, Wang J, et al. Using neural networks and the Markov Chain approach for facies analysis and prediction from well logs in the Precipice Sandstone and Evergreen Formation, Surat Basin, Australia. Marine and Petroleum Geology. 2019;101:410–427. doi: 10.1016/j.marpetgeo.2018.12.022.
- Zhang P, Sun J, Jiang Y, Gao JS. Deep learning method for lithology identification from borehole images. 79th EAGE conference and exhibition; 2017 Jun; Paris, France. Available from: https://www.earthdoc.org/content/papers/10.3997/2214-4609.201700945.
- Caja MA, Pena AC, Campos JR, et al. Image processing and machine learning applied to lithology identification, classification and quantification of thin section cutting samples. SPE Annual technical conference and exhibition; 2019 Sept 30 – Oct 2; Calgary, Alberta, Canada. Available from: https://onepetro.org/SPEATCE/proceedings-abstract/19ATCE/2-19ATCE/D022S083R001/217751.
- Wang J, Yang Y, Mao J, et al. CNN-RNN: A unified framework for multi-label image classification. 2016 IEEE conference on computer vision and pattern recognition (CVPR); 2016 Dec 12; Las Vegas, USA. Available from: https://ieeexplore.ieee.org/document/7780620.
- Abdallah A, Berendeyev A, Nuradin I, Nurseitov D. TNCR: Table net detection and classification dataset. Neurocomputing. 2022;473:79–97. doi: 10.1016/j.neucom.2021.11.101.
- Nurseitov D, Bostanbekov K, Kurmankhojayev D, et al. Handwritten Kazakh and Russian (HKR) database for text recognition. Multimedia tools and applications. 2021;80(21): 33075–33097. doi: 10.1007/s11042-021-11399-6.
- Nurseitov D., Bostanbekov K., Kanatov M., et al. Classification of handwritten names of cities and handwritten text recognition using various Deep learning models. Advances in science, technology and engineering systems journal. 2020;5(5):934–943. doi: 10.25046/aj0505114.
- Goodfellow I, Bengio Y, Courville A. Deep learning. Cambridge : MIT Press; 2016. 801 p.
- LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521:436–444. doi: 10.1038/nature14539.
- Steinhaus H. Sur la division des corps materiels en parties. Bulletin Lacademie Polonaise des Science. 1957;4:801-804.
- scikit-learn.ru/clustering [Internet]. Scikit-learn developers (BSD License) [cited 20.12.2023]. Available from: https://scikit-learn.ru/clustering/.
- Dutta A, Zisserman A. The Via Annotation software for images, audio and video. 27th ACM international conference on multimedia; 2019 Oct 21–25; Nice, France. Available from: https://dl.acm.org/doi/10.1145/3343031.3350535.
- Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. International Conference on Learning Representations. 2015. doi: 10.48550/arXiv.1409.1556.
- Krizhevsky A, Sutskever I, Hinton G. ImageNet classification with deep convolutional neural networks. Communications of the ACM. 2017;60(6):84–90. doi: 10.1145/3065386.
Қосымша файлдар
