砂样岩屑图像特征的岩性智能高效识别

在录井过程中,岩屑的岩性分析主要依靠人工,效率较低且稳定性较差,难以在钻进地层过程中快速识别岩性变化。为此,提出基于砂样图像中颗粒岩屑纹理、色泽和形状等特征的岩性智能识别方法。首先,计算砂样图像的像素值梯度并求取颗粒质心,采用分水岭算法获取颗粒岩屑轮廓线并标记;然后,采用图像分割算法从砂样图像中分离出待检测的单个颗粒岩屑图像,建立颗粒岩屑图像样本库;最后,利用注意力机制及特征融合模块改进MobileNetV2网络,提取颗粒岩屑特征并分类,实现单个颗粒岩屑图像岩性识别,进而获取砂样岩性成分比。该方法将以往岩性智能识别过程中常采用的砂样整体识别方式转变为对砂样中单颗粒岩屑的岩性识别,大幅度减少了颗粒岩屑之间的相互干扰。多个油气区块的砂样图像测试结果表明,该方法对灰岩、泥岩、砂岩和页岩的识别准确率均不低于92%,一组砂样图像岩性分析的用时小于10 s。

改进BiSeNetV1实时模型的岩屑图像识别

在图像分割识别领域,现有的深度学习方法大多使用高精度语义分割方法来实现,存在着网络推理速度慢、计算量大、难以实际应用等问题.借助于表现较好的BiSeNetV1实时网络模型,通过扩展的空间路径卷积结构、空间金字塔注意力机制(SPARM)和简化的注意力特征融合模块(S-iAFF)等改进策略,设计一种用于岩屑图像分割领域的BiSeNet_SPARM_S-iAFF实时网络.扩展的空间路径卷积结构可以获取更丰富的岩屑图像空间特征,上下文路径使用优化的空间金字塔注意力机制(SPARM)进一步细化高层语义特征提取,在特征融合阶段使用简化注意力特征融合(S-iAFF)加强低层空间与高层语义特征的融合程度.实验结果表明, BiSeNet_SPARM_S-iAFF网络在RockCuttings_Oil岩屑数据集上的平均交并比(mIoU)为64.91%,相较于BiSeNetV1网络提高了2.68%;另外改进后的网络在精度上接近大部分高精度语义分割方法,同时参数量大幅度减少、推理速度有着明显的提升.

一种改进DeepLabV3+的岩屑图像语义分割算法

岩屑图像的准确分割与识别是地质勘探人员研究地层特征和地质建模的重要基础和保障。针对DeepLabV3+在岩屑图像语义分割时存在的推理速度慢、分割效果不理想的问题,提出了一种改进的Deep⁃LabV3+岩屑图像语义分割模型。首先,利用轻量级MobileNetV3提取岩屑图像语义特征,以减少参数量和计算量;其次,采用结合注意力机制的空洞空间卷积池化金字塔模块(atrous spatial pyramid pooling,ASPP)以更好地拟合岩屑图像特征;然后,借鉴特征金字塔思想将编码过程提取的不同尺度特征融合至解码过程,从而获取更精准的岩屑图像语义分割结果;最后,在自制的岩屑图像数据集上和现有的7种方法进行对比实验,实验结果表明,改进的DeepLabV3+模型的类别平均像素准确率为0.78,平均交并比为0.68,相比于其他的网络模型具有更好的分割表现。

岩屑图像采集影响因素及图像采集标准

岩屑图像录井技术的岩屑采集环节直接关系到对岩性和含油岩石的准确识别,针对PDC钻头普遍使用及空气钻井技术推广应用所造成的录井岩屑细小甚至呈粉末状的状况,通过对岩屑图像采集过程中白平衡校正、岩屑的粒径及其存放时间以及钻井液添加剂水膜等影响因素的分析研究,制定出岩屑图像采集参数标准,通过实施岩屑图像采集的标准化、规范化,为准确识别岩性及含油岩石提供真实、清晰、系统的基础图像信息。在四川盆地普光构造、东濮凹陷文留构造的应用表明了该标准在空气钻井条件下对岩性识别及现场快速识别油气层的作用。

基于改进熵率超像素和区域合并的岩屑图像分割

岩屑颗粒的分割与提取在地质分析、矿物处理中起着关键的作用,是岩性识别和分析的基础。针对岩屑颗粒图像纹理、阴影、形状、边缘特征复杂的特点,本文提出一种改进熵率超像素分割和区域合并后续处理方法。熵率超像素算法提出具有紧凑性、区域一致性约束的目标函数,考虑岩屑颗粒的形状,对此目标函数加入基于镜面对称系数的几何对称性约束条件,用此目标函数对岩屑颗粒聚类超像素分割,使岩屑颗粒图像分割边缘定位更加准确。针对超像素过分割严重的特征,提出基于和差直方图的最大相似度合并算法,降低岩屑图像过分割率。实验结果表明,此算法用于岩屑的分割,比其他算法取得较好的分割结果。

基于简单线性迭代聚类算法和动态区域合并的岩屑图像分割

岩屑图像分割要求精度高、速度快和鲁棒性强。针对这些要求,提出了基于SLIC(simple linear iterative clustering)和动态区域合并的分割算法。SLIC算法能产生形状规则、大小均匀、排列紧凑的超像素区域;但是SLIC分割后的图像过分割问题严重,为了降低过分割率,提出了基于NNR的动态区域合并算法,将超像素区域进行相似性合并。实验结果表明,将该算法用于岩屑颗粒图像分割,能够取得较好的效果。

基于ORB算法的多聚焦岩屑图像快速配准

多聚焦岩屑图像具有点阵多,分辨率高等特点。使用基于尺度不变特征变换(SIFT)算法或者加速鲁棒性特征(SURF)算法在图像的自动配准上虽具有较好的配准效果,但时间效率远未达到实时性要求。本文将一种快速的图像匹配算法—定向二进制简单描述符(ORB)算法应用于多聚焦岩屑图像的自动配准。仿真实验结果表明,该方法在保证配准的精确度同时,在速度上具有较大的提升。

基于Debseg-Net的岩屑图像语义分割

岩屑的岩性识别是地质工作中的一项重要内容。为解决传统人工鉴别岩性的低效问题和通用机器学习模型在岩屑岩性识别上的不适用性,包括准确率欠佳、网络参数冗杂、网络效率低下,针对岩屑图像的特征设计了一种岩屑图像的语义分割网络Debseg-Net,该网络采用编解码结构,卷积与转置卷积结合实现对岩屑图像特征的提取与像素级分类,采用深度可分离卷积减少参数量从而可进一步加深网络,使用跳级连接避免迭代过程中的信息丢失。同时提出了一种高效的岩屑图像自标记方法。经多次实验,Debseg-Net在10口探井收集的640张共计5类岩屑图像数据集上,识别准确率达到98.43%,平均交并比达到90.01%,领先同类型分割网络2.59%~7.04%,在实现数字化岩屑录井进程中提供了方法。

线阵CCD在岩屑图像采集中的应用

本文利用线阵CCD的快速图像采集功能实现了PDC钻头条件下岩屑图像的可靠采集,应用于石油勘探领域。线阵CCD、数据采集卡,与终端PC机一起构建了完整的岩屑图像摄像核心系统。通过编写摄像控制程序和大量实验改善了采集的岩屑图像质量,达到了岩屑识别描述的要求。

岩屑图像采集分析技术在海拉尔盆地的应用

岩屑图像采集分析技术具有岩屑成像、自动求取荧光百分含量功能,是在白光和荧光光源下采集岩屑图像,存储数码图像和数据。通过该技术在海拉尔盆地的推广和笔者实际工作中的应用分析,总结出了该技术不仅消除了人为描述的误差,资料保存的长期性,同时也可在后期的录井综合解释评价上发挥重大作用。

基于岩屑图像的火山岩岩性识别

本文提出了一种基于岩屑图像的火山岩岩性识别方法,首先通过实验分析并确定了对火山岩岩屑识别率较高的颜色与纹理特征;其次通过对这些特征的组合研究,提出了基于线性加权的特征融合法;最后采用极限学习机作为分类器,对特征融合后的火山岩岩屑进行测试。最终实验表明,融合特征对于火山岩岩屑能达到92.05%的识别率,为火山岩的岩性识别提供了一种可靠的参考依据。

影响岩屑图像解释符合率的原因分析与对策

针对PDC钻头普遍使用所造成的录井岩屑细小甚至呈粉末状的状况，岩屑图像分析技术正逐渐普及应用，而岩屑图像解释符合率的高低直接影响到岩屑图像技术的大力推广，在实际应用技术的过程中发现岩屑的采集方法不恰当、钻井液添加剂的加入、及岩屑图像合油性评价参数的选择不当为影响岩屑解释符合率的主要因素，针对这些因素文章提出了确保岩屑样品的质量、含油图像的采集方法要准确以及分析时选择正确的判断含油岩屑的参数等解决方法。分析表明，消除这些实际应用当中对岩屑图像解释符合率的影响因素的条件下，岩屑图像解释符合率能够更加准确、更加真实。

大斜度井岩屑图像技术应用方法研究——以大庆油田葡萄花油层为例

岩屑图像技术通过计算机实现了岩屑表征信息的再现,在含油显示识别中避免了人为误差,大幅提升了岩屑录井技术含量,在垂直井录井中已得到广泛应用,但是在大斜度井中受岩屑床影响,含油岩屑分散、滞留、拖尾现象严重,该项技术按常规方法在大斜度井中应用时出现了明显的不适,无法准确判断含油显示位置,经常出现漏失显示的现象。通过应用岩屑荧光面积比值、差值两项参数将含油显示与基值动态分离,并将二者间的差幅放大,使含油显示位置得以突出,从而达到准确识别油气显示的目的,在实际应用中取得了很好的效果。

数字水印技术在PDC岩屑图像网络发布系统中的应用

在进行地下矿藏资源研究时,PDC岩屑资料极为珍贵。为了更好地保护和利用PDC岩屑图像资料,有必要对其版权进行保护。本文采用了新兴的数字水印技术,该技术在PDC岩屑图像网络发布系统中有效地解决了这个问题。本文详细说明了此技术的具体实施过程,并将它广泛应用于PDC岩屑图像网络发布系统中,取得了实际效果。

岩屑图像录井技术在海拉尔盆地的应用

为提高海拉尔盆地油气水层识别和岩性识别能力,进行了岩屑图像录井技术现场试验。阐述了岩屑图像录井技术的技术原理和特点,并对试验过程中的技术应用效果进行了总结分析,同时进行了经济效益初步评价,为岩屑图像录井技术在海拉尔盆地的推广应用提供可靠依据。

岩屑图像录井技术在F2井的应用

图像录井技术主要用于计算岩屑面含烃【油】面积，亮度系数、含烃丰度等参数，评价储层流体性质，绘制岩屑实物图像柱状剖面图。实现了岩屑实物资料的数字化成图，图络化应用，在岩性识别、判断层位、发现显示、储层评价、资料共享等方面取得良好的应用效果，拓宽了录井技术服务能力。

基于岩屑录井图像的井壁稳定性智能预测方法

钻井现场通常利用岩石力学的分析结果对井壁稳定性进行预测,但其时效性普遍较差。为此,利用实时的岩屑录井图像资料建立了包括16种掉块形状和岩性的图像样本库,并以深度学习网络的高效特征提取技术为基础,建立了一种基于掉块图像特征的井壁失稳类型分析模型,针对钻井返出砂样图像中的掉块图像进行形状和岩性识别,以判定钻进地层和井壁失稳的类型。研究结果表明:①使用ShuffleNetV2网络作为智能系统基础架构,在单元模块中引入了XConv卷积核并行分支和SimAM注意力机制模块,强化了网络对掉块图像标志性特征信息的关注度;②对ShuffleNetV2网络中的Stage 2、Stage 3和Stage 4进行了多通道特征融合算法的设计,保留了掉块轮廓关键特征,最终改进的ShuffleNetV2网络模型对掉块形状及岩性的识别准确率为90.56%。结论认为,现场应用的效果验证了该方法的可靠性,从砂样图像输入到结果输出用时低于1 s,识别结果与地质资料以及施工过程的工况基本吻合,该方法能满足现场对井壁稳定状况快速感知的现实需求。

基于改进ResNet深度残差网络的岩屑岩性识别研究

岩屑岩性识别在油气探测工作中具有重要地位,传统人工识别岩屑受主观因素影响大,操作繁琐。现研究一种采用深度学习方法对高分辨率岩屑图像进行分类,以达到识别岩屑岩性的目的。通过岩屑数据集在主流深度学习网络进行训练后对比研究,提出一种针对沉积岩岩屑的分类网络,该网络采用ResNet的深度残差思想,以残差学习单元进行堆叠,通过恒等映射克服随着网络深度加深导致的网络退化问题,同时加入深度可分离卷积操作,减少参数量以轻量化网络。通过RMSprop优化器最小化损失函数,以Softmax函数作为分类器进行分类。实验证明,网络在拥有更轻量化结构的同时,在岩屑数据集上拥有更优的准确率、精确率、召回率和F 1值。在以5类共计221张高分辨率沉积岩岩屑图像作为实验样本的数据集上,该网络准确率较传统ResNet网络提高1.73个百分点,在与VGG16、DenseNet169、MobileNet、传统ResNet网络的对比中也拥有最高的准确率,达到96.54%。对已知岩屑图像具有良好的分类能力,可为未知岩屑岩性的定义与地层结构描绘提供重要依据。

融合图像外特征的岩屑岩性深度学习识别方法

岩屑的岩性识别是地质工作中的一项重要内容。为解决传统人工鉴别岩性的低效问题和传统机器识别的低可靠性问题,提出一种融合图像特征与图像外特征的岩性识别方法。首先采集岩屑的高分辨率图像,使用Xception特征提取器对图像特征进行提取并降维为一维向量,提高模型抽象特征敏感性并防止网络退化问题。同时量化岩屑的物理化学特征如:与盐酸反应程度、含矿物纯度、元素分析结果、硬度等,构建图像外特征向量。融合图像特征向量与图像外特征向量为总特征向量,构建神经网络与分类器进行训练,产生岩性识别模型。该模型相较于仅图像训练模型,在高质量岩屑图像数据集上提高3.45个百分点,在低质量岩屑图像数据集上提高20.92个百分点。该模型结合了传统录井与机器学习的优势,为建立可靠岩性剖面与实现数字化岩屑录井提供了更为高效的方法。

海上平台岩屑数字图像自动识别分析系统的研究

针对海上平台岩屑录井数字图像实时处理、分析和发布的需要,减少海上平台地质人员工作强度,保证岩屑采集原始信息的完整性,增强海上和陆地之间信息共享的及时性,提高分析决策效率,提出了海上平台卫星网络岩屑数字图像实时处理分析发布系统的整体架构设计,包括岩屑数字图像分析处理、卫星网络传输和信息集成共享等主要内容,通过系统的建设和应用,很大程度上避免了漏采样品,并提高了分析效率以及多方信息沟通的能力。