Машинное обучение ИИ в геологии является многообещающим инструментом в плане повышения эффективности и качества геологических исследований, интерпретации и моделирования. В настоящее время оно быстро развивается и по мере совершенствования станет исключительно ценным для геологоразведочных работ и добычи полезных ископаемых.
Imago, теперь в составе Seequent, работает с компаниями по всему миру над разработкой машинного обучения с использованием геонаучных изображений, включая улучшение технологических и рабочих процессов для использования результатов машинного обучения.
Машинное обучение ИИ — это концепция обучения компьютера классификациям, подсчету или прогнозированию на основе вводимых данных. Достижения в области регистрации и качества изображений вместе с облачными вычислениями привели к возможности комбинировать изображения керна и цветовые коды с помощью машинного обучения, помогая геологам принимать решения быстрее и с большей точностью.
В этом блоге мы расскажем, как вы можете подготовить свои геонаучные изображения для машинного обучения, извлечь из них больше ценной аналитической информации и сделать больше открытий!
Этапы на пути к машинному обучению ИИ с использованием геологических изображений
Чтобы начать идентифицировать проблемы и возможности, которые вы хотите решить с помощью машинного обучения, сначала нужно убедиться, что ваши изображения готовы, имеют последовательно высокое качество и легко доступны. В целях повышения надежности этого подхода систематизируйте регистрацию и каталогизацию изображений, а также то, как изображения связаны с другими геологическими процессами.
Этап 1.
Создайте эффективный рабочий процесс для регистрации и каталогизации согласующихся между собой фотографий высокого качества.
Этап 2.
Создайте облачную библиотеку, подходящую для машинного обучения ИИ.
Когда вы имеете дело с несколькими очень большими файлами, облачный сервис обеспечивает обработку файлов неограниченного размера и необходимую емкость для хранения, при этом гарантируя мгновенный доступ к изображениям и возможность их распространения для моделей на основе облачного сервиса и для браузера пользователя.
Этап 3.
Интегрируйте библиотеку изображений с ежедневно используемыми инструментами и задачами рабочей группы геологов.
Это не только обеспечивает мгновенный доступ для специалистов по геологии и надзору за бурением и предоставляет инструменты просмотра изображений, необходимые для совместной работы. В дополнение к этому интеграция ваших высококачественных изображений с существующими рабочими процессами поможет вам и вашей команде понять текущую ценность и дальнейшую потенциальную ценность машинного обучения.
Этап 4.
Уточните проблему / возможность и ценность потенциальных проектов машинного обучения, а также проанализируйте потенциал имеющихся данных для решения проблемы / получения возможности. Примеры:
- Выявляйте случаи неверной классификации критически важных литологических разностей при регистрации данных каротажа вручную.
- Определяйте процентное соотношение типов минералов, которые можно отличить визуально, например, сульфидов.
- Определяйте плотность жил и их характеристики.
- Оценивайте геомеханические свойства на основе изображений.
- Проверяйте структуры, показатель прочности пород.
- Обрезайте изображения и соединяйте их в непрерывную линию.
Ящики для керна отображаются на платформе Imago (справа) и в Leapfrog (слева). Геолог нажимает на траектории скважины, чтобы отобразить соответствующие фотографии керна в Imago в виде скважины на правильной глубине, что позволяет проверить данные каротажных диаграмм и результатов опробования. Доступ к геофизическим изображениям предоставляет обширную информацию, которая поддерживает интерпретацию и моделирование и помогает определять проблемы, которые необходимо решить с помощью машинного обучения.
Imago предоставляет процесс регистрации изображений для получения согласующихся между собой изображений высокого качества, которые затем автоматически каталогизируются и сохраняются на портале Imago Portal, готовые для использования вами в целях машинного обучения. Использование Imago позволяет:
- Автоматизировать каталогизацию изображений керна, используя верное название проекта, номер ящика для керна, глубину от и до.
- Автоматизировать обрезку фотографий ящиков для керна, сшивая куски керна вместе, поворачивая их на 90 градусов, чтобы просматривать как один непрерывный керн в скважине вместе с другими наборами данных, такими как изображения телесканера или данные опробования.
- Интегрировать с Leapfrog и другими инструментами геофизики и моделирования, чтобы обеспечить мгновенный просмотр изображений с целью поддержки и проверки решений в области геологии.
- Экспортировать аннотации, созданные на портале Imago Portal для обучения моделей.
Маскирование и классификация на портале Imago Portal.
Слева — исходные фотографии керна, справа — прогнозы состояния керна. В середине представлено значение показателя прочности пород, рассчитанное Imago, которое можно экспортировать как атрибут в файл формата *.csv.
Посмотрите видеоролик продолжительностью 20 секунд о том, как работает машинное обучение ИИ. Сегментация Imago ML
Сегментация Imago ML из Imago в Vimeo.
Основатель Imago Федерико Арболеда заключает: «Imago устанавливает последовательный процесс регистрации высококачественных изображений, которые интегрируются с существующими рабочими процессами и позволяют выявлять проблемы. Геофизические изображения предоставляют обширную информацию, которая поддерживает интерпретацию и моделирование с возможностью в будущем автоматизировать регистрацию результатов каротажа и проверку рабочих процессов.»
Узнайте больше об Imago здесь.