Способ и система автоматизированного определения характеристик керна Российский патент 2024 года по МПК G01N21/27 G01V8/00 

Область техники

Группа изобретений относится к горному делу, а именно к исследованиям горных пород, в частности к средствам автоматизированного определения характеристик керна на основе его изображений с помощью методов компьютерного зрения и нейронных сетей.

Уровень техники

Известен способ получения статистической цифровой модели полноразмерного керна сланцевых пород, раскрытый в заявке на патент РФ №2013130906 (опубл. 10.01.2015, МПК G01N 21/00). Известный способ включает в себя получение трехмерного макротомографического изображения материала полноразмерного керна методом компьютерной томографии и определение областей, характеризующихся однородной структурой кернового материала на макромасштабе, получение трехмерного микротомографического изображения репрезентативных объемов, выбранных для каждой из выявленных областей с однородной структурой кернового материала и определение подобластей, характеризующихся однородной структурой кернового материала на микромасштабе, получение с помощью FIB/SEM трехмерных изображений репрезентативных объемов, выбранных для каждой из выявленных подобластей на микромасштабе и вычисление интересующих характеристик по выбранным репрезентативным объемам, пересчет полученных характеристик на микромасштаб по данным микротомографии и FIB/SEM, и пересчет полученных характеристик микромасштаба на макромасштаб по данным макро- и микротомографии.

Недостаток указанного аналога - низкая информативность, обусловленная тем, что томографический метод исследования керна не позволяет определить такие характеристики горной породы, как минералогический состав, присутствие в породе литологических типов и ее структурные особенности. Томографическое исследование может дать представление о рентгеновской плотности слоев в породе, однако этого недостаточно для того, чтобы получить характеристики, на основе которых возможно принять решение, в частности, о перспективности разработки пласта.

Известен способ выявления улучшенных коллекторских свойств высокоуглеродистых пород, раскрытый в патенте РФ на изобретение №2684670 (опубл. 11.04.2019, МПК E21B 49/00, G01V 8/00, G01N 21/3563). Известный способ включает в себя отбор образцов керна, исследование образцов проб методом ИК-спектроскопии, получение ИК-спектров минеральной матрицы породы и сопоставление их с эталонными спектрами. Полученные спектры по соотношению волновых чисел и величин их интенсивностей сравнивают с ИК-спектрами эталонной коллекции, содержащими характеристику породной матрицы и характеристику градаций катагенеза ОВ, по результатам сравнения выбирают образцы с наименьшей степенью преобразованности (МК2-МК3), а в пределах этих градаций выделяют породы с улучшенными коллекторскими свойствами.

Недостаток указанного аналога - недостаточная точность, обусловленная тем, что метод ИК-спектроскопии не позволяет определить минералогический состав керна. При этом большие влияние на данные, полученные от спектрометров, оказывает фактическое насыщение керна углеводородами, органикой и прочими примесями, что также внесет погрешность в достоверность результатов исследования.

Известен способ исследования керна горных пород, раскрытый в патенте РФ на изобретение №2501046 (опубл. 10.12.2013, МПК G01V 8/00). В известном способе отраженную часть света от поверхности керна направляют на детектор для преобразования длины его волны и интенсивности света в цифровой формат с последующей передачей этой информации в электронно-вычислительную машину (компьютер) для осуществления дальнейшей работы с цветностью кернового материала по заранее заданному набору программ, обеспечивающих сохранение в формате цветов RGB (красный, зеленый и синий), усреднение их с требуемой детальностью, конвертацию формата RGB в формат HSL (оттенков, насыщенности и яркости), построение диаграмм вариации параметров цветов RGB и HSL и гистограмм распределения упомянутых цветов, таблиц данных значений параметров цветов по глубине скважины, с заданным шагом осреднения, колонки средних цветов по скважине, колонки интерпретации цветности и вычисленных коэффициентов расчлененности и неоднородности по всему представленному интервалу скважины.

Известен способ оценки нефтенасыщенности керна горных пород по фотографиям образцов в дневном свете, раскрытый в патенте РФ на изобретение №2654372 (опубл. 02.12.2016, МПК G01V 8/00). Известный способ включает цифровое фотографирование полноразмерного керна в дневном свете, преобразование длины волны и интенсивности света растрового изображения в цифровой формат, сохранение в формате цветов RGB, построение диаграмм вариации усредненных параметров цветов RGB и таблиц данных значений усредненных параметров цветов по глубине скважины, при этом производят усреднение параметров цветов RGB попиксельно по строкам изображения, используют эффект расхождения цветового спектра фотографий керна в дневном свете в области нефтенасыщенных участков при вычислении по всему представленному интервалу скважины значений нечетких критериев оценки степени нефтенасыщенности по математическим зависимостям.

Недостатки указанных аналогов - низкие информативность и достоверность результатов исследования, обусловленные тем, что на фотографических изображениях керна различные минералы могут иметь одинаковый цвет, при этом один и тот же минерал может иметь различные оттенки. Это существенно осложняет достоверное определение минералогического состава горной породы.

Известны система и способ автоматизированного описания горных пород, раскрытые в патенте РФ на изобретение №2706515 (опубл. 19.11.2019, МПК G01V 8/00, G06T 1/40) - прототип.

Система автоматизированного описания горных пород содержит устройство получения изображения, выполненное с возможностью получения изображения горной породы; анализатор, выполненный с возможностью анализа полученного изображения и определения, на основе анализа, одной или более характеристик горных пород; причем анализатор выполнен с возможность автоматизированного анализа изображения горных пород с помощью предобученных нейронных сетей или кластеризации изображений и оценки возможности определения характеристик горных пород в зависимости от результата анализа.

Способ автоматизированного описания горных пород содержит этапы, на которых: получают изображение горных пород; разделяют полученное изображение на отдельные сегменты, при этом для каждого сегмента определяют, относится ли сегмент к кондиционному или некондиционному керну, или пригодность изображения на фотографии, полученной внутрискважинным имиджером (FMI), к анализу; анализируют полученное изображение; определяют на основе анализа одну или более характеристик горных пород; при этом выполняют автоматизированный анализ изображения горных пород с помощью предобученных нейронных сетей и кластеризации изображений и оценивают возможности определения различных характеристик горных пород в зависимости от результата анализа.

Недостаток прототипа - низкая достоверность определения характеристик горных пород. Это обусловлено тем, что данные RGB съемки не позволяют определить вещественный состав горных пород. Цвет минералов в осадочных горных породах не является признаком их вещественного минералогического состава. При этом различные минералы могут характеризоваться одним и тем же цветом, причем один и тот же минерал может иметь различные оттенки и цвета, что неминуемо приводит к ошибкам в отнесении разных неизвестных, т.е. нераспознанных на изображении минералов к одному и тому же классу. Анализ изображений керна, не учитывающих определение его вещественного состава, исключает возможность обоснованного разделения изображения горной породы на области различающихся литологических типов. Постепенное накопление ошибок по результатам работы с разными экземплярами керна приводит к некорректному выявлению литологических типов во всем пласте, а также областей распространения указанных литологических типов. Использование в качестве фактора принятия решения степени уверенности алгоритма в литологическом типе потребует участия эксперта-геолога для валидации полученных автоматизированным способом данных и существенно замедляет ход лабораторных исследований.

Раскрытие сущности изобретения

Техническая задача, положенная в основу настоящего изобретения, заключается в устранении недостатков аналогов и обеспечения возможности разделения изображения керна на составные элементы в зависимости от его вещественного состава на основе совместного анализа данных, полученных от оптической и гиперспектральной камер.

Технический результат, достигаемый настоящим изобретением, заключается в повышении достоверности определения характеристик горных пород, присутствующих в анализируемом керне.

В качестве изобретения заявлен способ автоматизированного определения характеристик керна. В заявленном способе получают наборы исходных данных о керне, выполняют анализ данных из полученных наборов исходных данных о керне и определяют на основе выполненного анализа по меньшей мере одну характеристику керна. Согласно изобретению, наборы исходных данных о керне получают при помощи сканирования поверхности керна оптической и гиперспектральной камерами, при этом анализ данных из полученных наборов исходных данных о керне включает в себя распознавание признаков состава горных пород на основе совместного анализа результатов сканирования поверхности керна оптической и гиперспектральной камерами с последующим выявлением присутствующих в керне литологических типов горных пород и областей их распространения на основе распознанных признаков состава горных пород.

Дополнительные преимущества и существенные признаки заявленного изобретения представлены в следующих частных вариантах его осуществления.

В частности, набор исходных данных о керне, который получен в результате сканирования его поверхности оптической камерой, включает в себя двумерные цифровые изображения в формате RGB. Указанные цифровые изображения в формате RGB могут быть получены при освещении поверхности керна источником белого света. Указанные цифровые изображения в формате RGB могут быть получены при ультрафиолетовом освещении поверхности керна.

В частности, набор исходных данных о керне, который получен в результате сканирования его поверхности гиперспектральной камерой, представлен трехмерным массивом данных, который включает в себя пространственную информацию о керне, дополненную спектральной информацией по каждой пространственной координате.

В частности, признаки состава горных пород включают в себя гранулометрический состав керна, границы полигонов слоев горных пород, присутствующих в керне, минералогический состав керна.

В частности, распознавание гранулометрического состава горных пород и границ полигонов слоев горных пород проводят на основе набора исходных данных о керне, полученного в результате сканирования поверхности керна оптической камерой, посредством компьютерного зрения.

В частности, распознавание гранулометрического состава горных пород включает в себя следующие последовательные этапы: квантизация исходного изображения; выравнивание уровня освещенности, перевод изображения в черно-белую цветовую гамму с последующим применением алгоритма адаптивного порога; сегментация изображения; определение площади каждой гранулы; построение тепловой карты гранул.

В частности, распознавание минералогического состава керна проводят на основе набора исходных данных, полученного в результате сканирования поверхности керна гиперспектральной камерой, посредством сравнения спектральных признаков керна с эталонными спектральными значениями, сохраненными в библиотеке спектральных характеристик минералов.

В частности, распознавание минералогического состава керна проводят на основе набора исходных данных о керне, полученного в результате сканирования поверхности керна оптической камерой в ультрафиолетовом освещении, посредством компьютерного зрения.

В частности, распознавание присутствующих в керне литологических типов горных пород и областей распространения указанных литологических типов проводят посредством нейронной сети с заранее обученным энкодером.

В частности, по меньшей мере одна определяемая характеристика керна выбрана из следующей группы характеристик: доля выявленной горной породы в керне или границах слоя, частость горной породы в керне или границах слоя, полигональность слоя, однородность цвета в границах слоя или керна, структура, текстура, пористость.

В частности, определяемые характеристики керна представлены в форме карты областей, отражающей присутствующие в керне литологические типы и области их распространения.

В качестве изобретения также заявлена система автоматизированного определения характеристик керна, содержащая устройства получения наборов исходных данных о керне, связанных с анализатором набора исходных данных о керне, включающим в себя модуль определения характеристик керна. Согласно изобретению, устройства получения наборов исходных данных о керне представлены оптической и гиперспектральной камерами, выполненными с возможностью сканирования поверхности керна, при этом анализатор исходного набора данных о керне дополнительно включает в себя модули распознавания признаков состава горных пород, выполненные с возможностью проведения совместного анализа результатов сканирования поверхности керна оптической и гиперспектральной камерами, модуль выявления присутствующих в керне литологических типов горных пород и модуль построения карты литологических типов, при этом модуль выявления присутствующих в керне литологических типов горных пород связан с модулями распознавания признаков состава горных пород, модулем построения карты литологических типов и модулем определения характеристик керна.

В частности, модули распознавания признаков состава горных пород представлены модулем распознавания гранулометрического состава керна, модулем распознавания границ полигонов слоев горных пород, модулем распознавания минералогического состава керна.

Краткое описание чертежей

Вариант осуществления настоящего изобретения иллюстрируются со ссылками на следующие фигуры:

- ФИГ. 1 иллюстрирует блок-схему способа автоматизированного определения характеристик керна;

- ФИГ. 2 иллюстрирует блок-схему рабочей камеры системы автоматизированного определения характеристик керна;

- ФИГ. 3 иллюстрирует блок-схему анализатора системы автоматизированного определения характеристик керна;

- ФИГ. 4 иллюстрирует последовательность обработки изображений поверхности керна и его гиперспектральных снимков;

- ФИГ. 5 иллюстрирует фрагмент керна с выделенными на нем областями литологических типов;

- ФИГ. 6 иллюстрирует карту литологических типов;

- ФИГ. 7 иллюстрирует графический интерфейс для выдачи пользователю полученных характеристик керна.

Описание варианта осуществления изобретения

Заявленная группа изобретений, предназначенная для автоматического определения характеристик керна, представляет собой совокупность аппаратных и программных средств, обеспечивающих анализ наборов данных о керне с помощью нейронной сети и методов компьютерного зрения. Определение характеристик керна в автоматическом режиме позволяет получить описание, в частности характеристики, горных пород, присутствующих в керне, аналогично анализу, проводимому вручную экспертом-геологом. Применение оптической камеры в совокупности с распознаванием изображений нейронной сетью, позволяет снижать риск ошибки, обусловленной человеческим фактором, непременно присутствующим при описании горной породы экспертом-геологом. При этом применение гиперспектральной съемки в совокупности с алгоритмами компьютерного зрения позволяет получить вещественное минералогическое строение керна, недоступное для выявления при визуальном осмотре без нарушения целостности керна. Исключение прямого вмешательства в целостность керна и исключение необходимости визуального осмотра экспертом-геологом позволяет поставить на поток исследования объемных партий извлеченного из пласта керна, обеспечить непрерывность процесса исследования пласта по извлеченным из него образцам и в значительной степени ускорить процесс выявления характеристик. Формирование карты областей литологических типов на основе выполненного анализа позволяет обеспечить доступность результатов исследования для экспертов, работающих в дистанционном режиме, а также организовать централизованное хранение исследованных образцов в цифровом виде для целей будущих исследований. При этом на основании выявленных характеристик керна эксперт-геолог может делать вывод о целесообразности и способах разработки пласта, из которого был извлечен такой керн.

Заявленный способ автоматизированного определения характеристик керна включает в себя следующие действия.

В соответствии с ФИГ. 1 на этапе 101 получают наборы исходных данных о керне. Получение наборов исходных данных о керне осуществляют в рабочей камере 201 системы автоматизированного определения характеристик керна.

В соответствии с ФИГ. 2 рабочая камера 101 представляет собой замкнутое светонепроницаемое пространство, которое ограничено с четырех сторон стенками, а также верхней крышкой и основанием. Керн загружают внутрь рабочей камеры 201 и размещают его на выкатном столе, установленном внутри рабочей камеры 201. Рабочая камера 201 снабжена оптической камерой 202 и гиперспектральной камерой 203. В качестве оптической камеры 202 используется камера линейного сканирования, закрепленная на модуле перемещения камеры в пространстве. В частности, модуль перемещения оптической и гиперспектральной камер 202 и 203 позволяет перемещать указанные камеры вдоль осей X, Y, Z внутри пространства рабочей камеры 201. Внутри рабочей камеры 201 установлен осветительный блок 204, снабженный галогеновой лампой, являющейся источником белого света. В частности, осветительный блок 204 может быть снабжен светодиодной лампой и/или ультрафиолетовой лампой. При необходимости каждая из упомянутых ламп может иметь скобы для закрепления в них световых фильтров для проведения съемки в различных световых режимах. Световой фильтр закрепляют в указанных скобах напротив источника света так, чтобы световой поток, ориентированный в направлении керна, рассеивался, проходя через указанный световой фильтр.

Этап 101 включает в себя этап 102, на котором осуществляют сканирование поверхности керна при помощи оптической камеры 202, и этап 103, на котором осуществляют сканирование поверхности керна при помощи гиперспектральной камеры 203.

В частности, оптическая камера 202 позволяет получить наборы данных о керне, представленные двумерными изображениями керна в формате RGB (англ. Red, Green, Blue). Изображение, представленное в указанном формате, может быть выражено набором данных, организованных в виде двумерной таблицы, в которую записаны наборы значений формата RGB в каждой точке и координаты этих точек. Указанные изображения могут быть представлены изображениями 205, полученными при освещении керна источником белого света, и изображениями 206, полученными при ультрафиолетовом освещении керна.

В частности, в качестве оптической камеры 202 используется камера линейного сканирования. Изображение поверхности керна захватывается камерой линейного сканирования с заданным шагом. Например, при перемещении камеры линейного сканирования вдоль поверхности керна на каждой итерации перемещения может быть захвачена часть поверхности высотой по координатной оси от 7 до 14 мкм, что соответствует строке на цифровом изображении шириной по меньшей мере в один пиксел при разрешении камеры 4096 px x 2 px и размере пиксела 7×7 мкм. Съемка поверхности керна осуществляется с нескольких ракурсов для того, чтобы захватить всю доступную поверхность керна. В частности, перемещение линейной камеры при съемке поверхности керна осуществляют таким образом, чтобы получать панорамное изображение указанной поверхности. Указанные свойства линейной оптической камеры позволяют получать качественные изображения поверхности керна в высоком разрешения, что повышает точность разделения изображений на отдельные элементы в зависимости от их свойств в ходе их дальнейшего анализа.

При сканировании поверхности керна используются различные источники света, которыми снабжен осветительный блок 104, включая галогеновые (источник белого света), светодиодные с длинами волн в диапазоне от 300 до 5000 нм, ультрафиолетовые с длинами волн в диапазоне от 300 до 400 нм, в том числе не пульсирующие (немерцающие) лампы. Применение различных источников света позволяет получить набор изображений, несущих информацию о том, как поверхность керна отражает или поглощает свет в определенном узком диапазоне волн, и тем самым повысить информативность исходных данных для последующего анализа.

В частности, гиперспектральная камера 203 позволяет получить набор данных о керне, представленный трехмерным массивом данных, который включает в себя пространственную информацию о керне, дополненную спектральной информацией по каждой пространственной координате. Для краткости указанный набор данных далее упоминается как гиперспектральные снимки 207. Гиперспектральная камера 203 имеет возможность фиксировать цифровые изображения керна с выделенными на таком изображении областями, которые соответствуют спектру света, отраженного от поверхности керна при съемке. Спектр отраженного света является основой для разделения минеральных ассоциаций и последующего выделения литологических типов, поскольку каждый минерал, в том числе, внутри минеральной ассоциации керна, имеет уникальный спектр отражения.

Гиперспектральные снимки 207 в цифровой форме могут быть выражены в виде куба данных (трехмерный массив данных), который представляет собой трехмерную таблицу со значениями спектра в каждом пикселе и координатами этих пикселей. Указанный массив данных также называют гиперспектральным кубом. На двумерном графике данные гиперспектральной съемки принимают вид кривой, отражающей значение амплитуды конкретной длины волны в каждом из пикселей.

При гиперспектральной съемке керна от его поверхности отражается световое излучение, значение которого фиксируется пикселями матрицы гиперспектральной камеры 203. Световое излучение, получаемое каждым пикселем матрицы, раскладывается на составные части, которые выражаются как длины волн светового пучка в диапазоне от 900 до 2500 нанометров. В каждой длине волны (например, в длине волны 905 нм) свет имеет свою интенсивность (например, 0,67). Пиксел матрицы гиперспектральной камеры фиксирует интенсивность света для каждой длины волны от 900 до 2500 нм. Таким образом, в каждой точке спектра сохраняются два значения: длина волны по X и значение энергии этой волны по Y.

После окончания этапа 101 получения наборов исходных данных о керне осуществляют этап 104, который заключается в анализе данных из полученных наборов исходных данных о керне. Этап 104 включает в себя распознавание признаков состава горных пород на основе совместного анализа результатов сканирования поверхности керна оптической и гиперспектральной камерами 202 и 203.

В соответствии с ФИГ. 3 система автоматизированного определения характеристик керна включает в себя анализатор 301. Анализатор 301 представляет собой компьютерное устройство, конструктивно состоящее по меньшей мере из одного процессора и по меньшей мере одного устройства памяти. Процессор может включать в себя встроенное графическое ядро, предназначенное для обработки данных, сохраненных в устройстве памяти анализатора 301, и преобразования указанных данных в форму, пригодную для вывода пользователю в графическом виде. Устройство памяти может состоять из постоянного запоминающего устройства (ПЗУ) и оперативного запоминающего устройства (ОЗУ).

При этом анализатор 301 состоит из функциональных модулей, которые предназначены для осуществления этапа 104. Указанные функциональные модули представлены модулями распознавания признаков состава горных пород. Признаки состава горных пород включают в себя гранулометрический состав, цвет породы, слои, содержащиеся в породе, минералогический состав породы, наличие флуоресцирующих включений при ультрафиолетовом освещении поверхности породы. Помимо этого, могут быть использованы и иные признаки, например, наличие на поверхности керна неровностей (шероховатости), которые могут быть выявлены при помощи профилометра, элементный состав, который может быть выявлен при помощи рентгено-флуоресцентного анализатора. Указанные признаки расширяют базовый набор признаков состава горных пород, а их анализ позволяет осуществлять выявление литологических типов с большей степенью достоверности. В частности, модули распознавания признаков состава горных пород представлены модулем распознавания гранулометрического состава керна 302, модулем распознавания границ полигонов слоев горных пород 303, модулем распознавания минералогического состава керна 304.

Модуль распознавания гранулометрического состава керна 302 выполнен на основе алгоритмов компьютерного зрения. В частности, указанные алгоритмы могут включать алгоритмы, входящие в библиотеку OpenCV. На вход упомянутого модуля 302 поступают изображения 105, полученные при освещении керна источником белого света. Упомянутый модуль 302 обрабатывает изображения 105 и выдает на выходе данные об относительном содержании в керне частиц различных размеров, т.е. гранул, вне зависимости от их минералогического состава. Модуль 302 связан с модулем выявления присутствующих в керне литологических типов горных пород 306, при этом данные, получаемые на выходе модуля 202, являются входными данными для функционирования модуля 306.

Распознавание гранулометрического состава горных пород может содержать следующие последовательные этапы:

- квантизация исходного изображения (уменьшение количества дискретных значений каждого цветного канала RGB, вход этапа: RGB изображение с 255 значениями в каждом цветном канале, выход этапа: RGB изображение с N <255 значениями в каждом цветном канале);

- выравнивание уровня освещенности (может быть использован алгоритм CLAHE (англ. «Contrast-Limited Adaptive Histogram Equalization»);

- перевод изображения в черно-белую цветовую гамму с последующим применением алгоритма адаптивного порога (разделяет пиксели на основе разницы в их интенсивности свечения, что позволяет получить крупные области с примерно одинаковой интенсивностью в своем окружении);

- сегментация изображения (может быть использован алгоритм водораздела, разделяющий крупные области на более мелкие на основе градиента интенсивности, применяется к изображению несколько раз: для светлых гранул, для темных гранул, для всего остального);

- определение площади каждой гранулы;

- построение тепловой карты гранул, где светлые участки отражают гранулы наибольшей площади, а темные участки - гранулы наименьшей площади).

В соответствии с ФИГ. 4 результат обработки изображения 105 модулем 302 в визуально воспринимаемой форме может быть выражен в виде изображения 401, на котором гранулы и их границы окрашены цветом. Формирование изображения 401 выполнено на основе данных о координатах точек гранул, их площадей, интенсивности свечения.

Модуль распознавания границ полигонов слоев горных пород 303 выполнен на основе алгоритмов компьютерного зрения. В частности, указанные алгоритмы могут включать алгоритмы, входящие в библиотеку OpenCV. На вход упомянутого модуля 303 поступают изображения 105, полученные при освещении керна источником белого света, а также изображения 106, полученные при ультрафиолетовом освещении керна. Упомянутый модуль 303 обрабатывает совместно изображения 105 и изображения 106 и выдает на выходе данные о границах полигонов слоев визуально отличающихся друг от друга горных пород, которые содержатся в керне, вне зависимости от их минералогического состава. Модуль 303 связан с модулем выявления присутствующих в керне литологических типов горных пород 306, при этом данные, получаемые на выходе модуля 303, являются входными данными для функционирования модуля 306.

На вход алгоритма распознавания границ полигонов слоев горных пород подаются сегменты полного восьмибитного изображения керна размером [X, Y, 3] в цветовой схеме RGB, где X - высота кадра, Y - ширина исследуемого образца, 3 - количество цветовых каналов. На выходе получается трехмерный массив размером [X, Y, 12]. Этот массив содержит в себе значения вероятностей принадлежности каждого пикселя к одному из 12 возможных слоев керна.

Результат обработки изображений 105 и 106 модулем 303 в визуально воспринимаемой форме может быть выражен в виде изображения 402, на котором слои визуально отличающихся друг от друга горных пород окрашены цветом. Формирование изображения 401 выполнено на основе данных о координатах точек полигонов слоев горных пород.

Модуль распознавания минералогического состава керна 304 выполнен на основе алгоритмов компьютерного зрения, в частности, алгоритмов из библиотеки OpenCV, и алгоритма сравнения значения с эталоном. На вход упомянутого модуля 304 поступают изображения 106, полученные при ультрафиолетовом освещении керна и гиперспектральные снимки 107. Модуль 304 обрабатывает изображения 106 и выдает на выходе данные о содержащихся в керне углеводородах, которые флуоресцируют при ультрафиолетовом освещении. На изображениях, обработанных модулем 104, области содержания углеводородов ярко окрашиваются. Модуль 304 обрабатывает гиперспектральные снимки 107, обращаясь к базе данных 305, содержащей сохраненные значения спектральных характеристик и соответствующих таким спектральным характеристикам названиям минералов, сравнивает полученные спектральные характеристики с эталонами, т.е. упомянутыми сохраненными значениями, и выдает данные о содержащихся в керне минералах. Модуль 304 связан с модулем выявления присутствующих в керне литологических типов горных пород 306, при этом данные, получаемые на выходе модуля 304, являются входными данными для функционирования модуля 306.

При съемке керна гиперспектральной камерой 203 получают трехмерный массив данных, описывающий спектральный график в каждой точке панорамы. Анализируя графики и сравнивая их с графиками из базы данных 305, модуль 304 присваивает каждому пикселю свой класс, соответствующий определенному минералу или минеральной ассоциации. На выходе модуля 304 получают гиперспектральную панораму с установленными для каждого пикселя классами минералов.

Результат обработки изображений 106 и 107 модулем 304 в визуально воспринимаемой форме может быть выражен в виде изображения 403, на котором различающиеся минералы окрашены цветом. Формирование изображения 403 выполнено на основе данных о координатах точек минералов, присутствующих в керне. Флуоресцирующие при ультрафиолетовом освещении углеводороды окрашены ярко зеленым цветом.

Модуль выявления присутствующих в керне литологических типов горных пород 306 выполнен на основе нейронной сети с заранее обученным энкодером. На вход упомянутого модуля 306 поступают выявленные признаки состава горных пород, а именно, гранулометрический состав, границы полигонов слоев горных пород, минералогический состав. Дополнительно на вход упомянутого модуля 306 могут быть переданы данные о шероховатости поверхности керна и его элементном составе. Модуль 306 совместно обрабатывает выявленные признаки состава горных пород и выдает данные о присутствующих в керне литологических типах и областях их распространения.

В частности, в качестве нейронной сети с заранее обученным энкодером, на которой основано функционирования модуля 306, является нейронная сеть U-Net. Обучение нейронной сети U-Net выполняют на основе предварительно размеченной тестовой выборки, состоящей из массива данных, в котором набор признаков соответствует известному литологическому типу, определенному заранее другими эталонными способами и методами. Иными словами, известный литологический тип характеризуется при помощи значений гранулометрического состава, цвета, границ полигонов слоев, минералогического состава и иных признаков, если они необходимы для различения литологических типов. В частности, литологический тип закодирован в виде вектора значений признака. Вектор состоит из набора значений, соответствующего литологическому типу. Длина вектора зависит от количества анализируемых признаков горных пород и количества литологических типов, которые в дальнейшем будут доступны для выявления. Упомянутая тестовая выборка передается на вход алгоритма обучения нейронной сети U-Net.

Алгоритм обучения нейронной сети U-Net осуществляет многочисленные линейные и нелинейные преобразования поданных на его вход данных, которые в конечном итоге приводят к вычислению вектора, аналогичного вектору литологического типа. Вектор сравнивается с истинным вектором литологического типа породы. В зависимости от результата сравнения нейронная сеть настраивается. Указанный алгоритм обучения повторяют многократно, пока не будет достигнута удовлетворительная точность выявления литологического типа или не будет достигнут заданный лимит повторений алгоритма обучения. Истинные векторы литологических типов горных пород, с которыми модуль 306 сопоставляет векторы признаков горных пород, сохранены в библиотеке литологических типов 307.

В результате обучения нейронная сеть автоматически настраивается преобразовывать входящие данные с максимальной вероятностью определения литологического типа горных пород. В дальнейшем функционирование нейронной сети может быть расширено для определения ранее неизвестных ей литологических типов. Для этой цели может быть проведено дополнительное обучение нейронной сети на новых данных.

Результат обработки изображений 401, 402 и 403 модулем 304 в визуально воспринимаемой форме может быть выражен в виде изображения 404, на котором различающиеся литологические типы окрашены цветом. Формирование изображения 404 выполнено на основе данных о координатах точек литологических типов, присутствующих в керне.

Модуль выявления присутствующих в керне литологических типов горных пород 306 связан с модулем 308 построения карты литологических типов 309 и модулем 310 определения характеристик керна 311, при этом данные, получаемые на выходе модуля 306, являются входными данными для функционирования модулей 308 и 310.

После окончания этапа 105 распознавания признаков состава горных пород осуществляют этап 106, на котором строят карту литологических типов 309 при помощи модуля 308. Модуль 308 обрабатывает данные, полученные после анализа наборов исходных данных о нескольких экземплярах керна, и выдает на выходе карту литологических типов 309.

На вход в модуль 308 подаются полигоны областей керна. Каждая область имеет привязку к своему литологическому типу. В результате работы модуля получают графическое представление областей распространения литологических типов, отображаемое пользователю. Пример такого графического представления изображен на ФИГ. 5, где показан фрагмент 501 керна, на котором выделены три литологических типа, встречающихся в представленном экземпляре керна: «литотип 1» 502, «литотип 2» 503, «литотип 3» 504. В соответствии с ФИГ. 5 «литотип 1» 502 имеет три области распространения в данном экземпляре керна, «литотип 2» 503 имеет одну область распространения и «литотип 3» 504 имеет две области распространения.

В результате последовательного анализа множества экземпляров керна, извлеченных из пласта, модуль 308 строит карту литологических типов 309, пример которой представлен на ФИГ. 6. При взаимодействии с картой литологических типов 309 пользователь может произвести ручную корректировку полигонов, скорректировать литологический тип конкретной области, скорректировать или удалить полигоны. Карта литологических типов 309 отображает пласт, на визуальном представлении которого уникальным цветом литологического типа отображена общая картина по распределению литологий.

Модуль 310 определения характеристик керна 311 обрабатывает данные о литологических типах, присутствующих в керне и получает на их основе характеристики керна 311.

Полученные характеристики керна 311 представляют в виде массива данных. В частности, характеристики керна 311 могут быть дополнены следующими внешними типами характеристик:

- седиментологические: тип породы, текстурные и структурные особенности, наличие дополнительных признаков (палеонтологические остатки, примеси), выделенные слои, сортировка зерен, их размер, иные параметры;

- петрофизические: пористость, проницаемость, флюидонасыщенность, распространение этих параметров по породе, иные параметры;

- геомеханические: упругие, прочностные свойства, гидродинамические характеристики, иные параметры;

- каротажные: синтезированные (предсказанные) каротажные данные в виде числовых характеристик описания сегментов изображений, использующиеся в дальнейшем для построения каротажных кривых (акустических, электрических, радиоактивных).

Результаты определения характеристик керна записываются в файл отчета. Отчеты могут быть представлены в нескольких видах:

- графическая информация (литологические колонки);

- текстовая информация;

- таблицы данных для импорта в другие программы.

На ФИГ. 7 изображен пример графического представления интерфейса выдачи характеристик. Во время работы с определенным участком керна (например, фрагментом 501 керна) в левой части рабочей области пользователю отображается визуальное представление данного участка керна с выделенными областями распространения литологических типов. В правой части рабочей области пользователю отображается массив характеристик керна 311.

Пользователю также может быть предоставлена расширенная статистика по литотипическому строению пласта. В частности, такая статистика может включать в себя процентную долю литологического типа в заданных пользователем границах глубин или в границах заданного пласта; полигональность (сложность геометрии), угол наклона (где применимо), количество отобранных образцов и свойства образцов в границах литотипа (свойства горной породы/литотипа по лабораторным исследованиям образцов).

Изобретение относится области измерительной техники и касается способа автоматизированного определения характеристик керна. При осуществлении способа получают наборы исходных данных о керне при помощи сканирования поверхности керна оптической и гиперспектральной камерами. Анализ данных из полученных наборов исходных данных о керне включает в себя распознавание признаков состава горных пород на основе совместного анализа результатов сканирования поверхности керна оптической и гиперспектральной камерами с последующим выявлением присутствующих в керне литологических типов горных пород и областей их распространения на основе распознанных признаков состава горных пород. Технический результат заключается в повышении достоверности определения характеристик горных пород, присутствующих в анализируемом керне. 2 н. и 13 з.п. ф-лы, 7 ил.

1. Способ автоматизированного определения характеристик керна, в котором получают набор исходных данных о керне, выполняют анализ данных из полученного набора исходных данных о керне и определяют на основе выполненного анализа по меньшей мере одну характеристику керна, отличающийся тем, что набор исходных данных о керне получают при помощи сканирования поверхности керна оптической и гиперспектральной камерами, при этом анализ данных из полученного набора исходных данных о керне включает в себя распознавание признаков состава горных пород на основе совместного анализа результатов сканирования поверхности керна оптической и гиперспектральной камерами с последующим выявлением присутствующих в керне литологических типов горных пород и областей их распространения на основе распознанных признаков состава горных пород.

2. Способ по п.1, отличающийся тем, что набор исходных данных о керне, который получен в результате сканирования его поверхности оптической камерой, включает в себя двумерные цифровые изображения в формате RGB.

3. Способ по п.2, отличающийся тем, что цифровые изображения в формате RGB получены при освещении поверхности керна источником белого света.

4. Способ по п.2, отличающийся тем, что цифровые изображения в формате RGB получены при ультрафиолетовом освещении поверхности керна.

5. Способ по п.1, отличающийся тем, что набор исходных данных о керне, который получен в результате сканирования его поверхности гиперспектральной камерой, представлен трехмерным массивом данных, который включает в себя пространственную информацию о керне, дополненную спектральной информацией по каждой пространственной координате.

6. Способ по п.1, отличающийся тем, что признаки состава горных пород включают в себя гранулометрический состав керна, границы полигонов слоев горных пород, присутствующих в керне, минералогический состав керна.

7. Способ по п.6, отличающийся тем, что распознавание гранулометрического состава горных пород и границ полигонов слоев горных пород проводят на основе набора исходных данных о керне, полученных в результате сканирования поверхности керна оптической камерой, посредством компьютерного зрения.

8. Способ по п.6, отличающийся тем, что распознавание гранулометрического состава горных пород включает в себя следующие последовательные этапы: квантизация исходного изображения; выравнивание уровня освещенности, перевод изображения в черно-белую цветовую гамму с последующим применением алгоритма адаптивного порога; сегментация изображения; определение площади каждой гранулы; построение тепловой карты гранул.

9. Способ по п.6, отличающийся тем, что распознавание минералогического состава керна проводят на основе набора исходных данных, полученного в результате сканирования поверхности керна гиперспектральной камерой, посредством сравнения спектральных признаков керна с эталонными спектральными значениями, сохраненными в библиотеке спектральных характеристик минералов.

10. Способ по п.6, отличающийся тем, что распознавание минералогического состава керна проводят на основе набора исходных данных, полученного в результате сканирования поверхности керна оптической камерой в ультрафиолетовом освещении, посредством компьютерного зрения.

11. Способ по п.1, отличающийся тем, что распознавание присутствующих в керне литологических типов горных пород и областей распространения указанных литологических типов проводят посредством нейронной сети с заранее обученным энкодером.

12. Способ по п.1, отличающийся тем, что по меньшей мере одна определяемая характеристика керна выбрана из следующей группы характеристик: доля выявленной горной породы в керне или границах слоя, частость горной породы в керне или границах слоя, полигональность слоя, однородность цвета в границах слоя или керна, структура, текстура, пористость.

13. Способ по п.1, отличающийся тем, что определяемые характеристики керна представлены в форме карты областей, отражающей присутствующие в керне литологические типы и области их распространения.

14. Система автоматизированного определения характеристик керна, содержащая устройства получения наборов исходных данных о керне, связанных с анализатором набора исходных данных о керне, включающим в себя модуль определения характеристик керна, отличающаяся тем, что устройства получения наборов исходных данных о керне представлены оптической и гиперспектральной камерами, выполненными с возможностью сканирования поверхности керна, при этом анализатор исходного набора данных о керне дополнительно включает в себя модули распознавания признаков состава горных пород, выполненные с возможностью проведения совместного анализа результатов сканирования поверхности керна оптической и гиперспектральной камерами, модуль выявления присутствующих в керне литологических типов горных пород и модуль построения карты литологических типов, при этом модуль выявления присутствующих в керне литологических типов горных пород связан с модулями распознавания признаков состава горных пород, модулем построения карты литологических типов и модулем определения характеристик керна.

15. Система по п.1, отличающаяся тем, что модули распознавания признаков состава горных пород представлены модулем распознавания гранулометрического состава керна, модулем распознавания границ полигонов слоев горных пород, модулем распознавания минералогического состава керна.