Кластеризация литотипов на основе визуальных признаков кернов с помощью свёрточных нейронных сетей и K-Means

Обоснование. Литология изучает геологические породы и их характеристики, имеет важное значение в геологии и в нефтегазовой промышленности. Основными задачами литологии являются классификация горных пород, определение их происхождения, а также изучение условий их образования и изменения со временем. Литологические исследования керна проводятся различными методами – как традиционными (например, визуальное исследование образцов горных пород или микроскопический анализ шлифов), так и с использованием современных технологий. Традиционные методы изучения требуют высокой квалификации и опыта, и могут быть трудоёмкими, в особенности при визуальном анализе (описание кернового материала). Применение методов машинного обучения и автоматизированных технологий позволяет улучшить эффективность и точность анализа, сократить временные затраты и обеспечить быстрый доступ к информации.

Цель. Целью работы является разработка модели кластеризации литотипов на изображениях керна, используя методы машинного обучения.

Материалы и методы. В статье рассматривается алгоритм кластеризации литотипов методом K-Means в сочетании со свёрточными нейронными сетями VGG16, VGG19 и ResNet50 для выявления ключевых признаков (сходства и различий, определяемых по фото).

Результаты. Был разработан алгоритм кластеризации литотипов с помощью метода K-Means и свёрточных нейронных сетей. Определены преимущества и ограничения алгоритма при работе с изображениями кернов. Представлены результаты экспериментов, проведённых на реальном наборе данных.

Заключение. Результаты исследования предоставляют важные практические выводы, которые могут быть полезны в геологических исследованиях и в применении методов глубокого обучения для анализа керна. Дальнейшие исследования могут углубить анализ других моделей и методов машинного обучения, а также расширить область применения данного подхода в геологии.