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在以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至7.04个百分点,在实现数字化岩屑录井进程中提供了方法。     

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。     

基于颜色特征和纹理特征的岩屑岩性识别

针对现有条件下的岩屑录井中岩屑识别率低、识别速度慢等问题,从特征提取和分类器方面对岩屑岩性识别进行了分析研究.采用二级分类器的思想,首先通过颜色特征和和差直方图特征采用朴素贝叶斯分类器将岩屑粗分为泥岩和砂岩,然后进一步采用贝叶斯分类器,通过颜色特征和和差直方图特征分别将泥岩和砂岩进行进一步的细分.实验结果表明,粗分的识别率、泥岩细分的识别率和砂岩细分的识别率分别能达到94.79%、97.59%和90.28%.这种识别方法更加符合现实的应用需求,有着更高的识别率,为岩屑岩性分析工作提供了可靠的依据.     

基于模糊C均值聚类算法的岩屑识别方法研究

在PDC钻井过程中,如何自动、实时、客观地识别岩性是录井工作的一个十分重要的问题。本论文针对这个问题,对岩屑的颜色进行了深入的分析研究,采用代数平均的办法对不同岩性的岩屑图像进行颜色GRB分量提取和分析,提取了反映不同岩屑岩性的特征参数,最后将模糊C均值聚类算法应用到岩屑的识别过程中,取得了较好的识别效果。通过对四川大邑4口天然气井的现场随钻采样实验,结果证明本文算法识别正确率达到90％以上,为快速分析录井现场岩屑的岩性提供了一条有效的途径。     

一种基于随机森林与颜色特征的岩屑识别算法

在随钻过程中,如何自动、快速、客观地识别岩屑是录井过程中一个十分重要的问题.针对这个问题,对岩屑颜色进行了深入的分析研究,对不同岩性的岩屑图像提取颜色直方图,将其作为岩屑特征,最后将随机森林法应用到岩屑的识别过程中,取得了较好的识别效果.通过对某气田几口井的现场随钻,结果证明本文算法识别正确率达到90％以上,为快速自动录井提供了一条有效的途径.     

自组织特征映射神经网络在岩性识别中的应用

传统的岩性识别技术主要基于统计学理论,如贝叶斯方法、回归方法等,近年来人工神经网络方法如反向传播算法(Back-Propagation, B-P)也应用于岩性识别,取得了一定的效果。用Kohonen提出的自组织特征映射神经网络对测井数据进行岩性识别,该方法具有较强的自组织性、自适应性,有较高的容错能力。与B-P算法相比较,计算量小,收效速度快,且不需要已知的先验信息而自动确定分类类别。结果表明与统计方法、岩性录井分析结果一致。     

利用元素录井资料的随钻岩性判别方法

针对综合录井过程中微细岩屑识别岩性困难的问题,利用X射线荧光(XRF)测量的微细岩屑中的元素含量、谱图和测井资料,对随钻录井岩性判别方法进行研究。结果表明:XRF测量的元素含量与岩屑中矿物含量具有相关性,Si、Al、Fe等元素含量与自然伽马测井曲线存在相关性;通过XRF测量数据可计算岩屑中的砂泥质含量,并可用于判别砂泥岩剖面的岩性;相同岩性的XRF谱图具有相似性,利用这种相似性可判别岩性。现场资料验证结果证实了综合判别法可提高岩性判别符合率。     

PSO-LSSVM分类模型在岩性识别中的应用

为了精确解决测井岩性识别问题,提出了一种将粒子群优化算法(PSO)与最小二乘支持向量机(LSSVM)相结合对实际测井资料进行岩性识别的方法.首先使用粒子群优化算法对LSSVM建模过程中的重要参数进行优化调整,然后利用参数优化调整后得到的具有较优分类效果的PSO-LSSVM模型对某油田的测井资料进行岩性识别.实验结果表明:同基于交叉验证的支持向量机模型以及单隐层的BP神经网络模型相比,该方法能够很好描述测井数据和岩性类别之间的非线性映射关系,识别精度高,并提高了算法的自动化程度.     

基于Tamura纹理和广义判别分析的岩屑图像识别算法

自动、快速、客观地对岩屑进行分类是录井过程中一个非常重要的问题.以往在现场主要是靠人工经验的方式对各类岩屑的百分含量进行估测.但该方法受人为因素的影响较大.本文针对这个问题,提出基于Tamura纹理和广义判别分析的岩屑图像识别算法.算法采用Tamura纹理特征对不同岩性的岩屑图像进行纹理提取,然后将提取的Tamura纹理特征带入GDA(Generalized Discriminant Aanalysis)分类器进行岩屑的识别.通过对四川某地气田4口井的现场随钻的实验结果表明本文算法识别算法具有较高的识别率,为快速自动岩屑分类提供了一个有效的方法.     

雷64区块砂砾岩储层岩性识别方法研究

在取心、岩石物理实验的基础上,采用统计方法对雷64区的岩性进行研究,将其分为砂质细砾岩和不等粒砂岩两大类.利用直方图法优选出识别这两大类岩性的敏感测井曲线,并且依据优选出来的敏感测井曲线,建立了用于识别砂质细砾岩和不等粒砂岩的测井响应交会图法、决策树模型、系统聚类模型.通过对上述三种模型进行精度分析,发现决策树模型的精度要高于测井响应交会图法和系统聚类模型.同时利用所建立的两种决策树模型对雷71井进行岩性识别,将识别结果与实际取心对比,发现综合判断准确率均大于85%.结果表明,给出的决策树模型可很好地用于该地区砂砾岩储层的岩性识别.