Estimating Petrophysical Properties of Shale Rock Using Conventional Neural Networks CNN
Notice bibliographique
Résumé
Abstract Digital Rock Physics (DRP) serves as a powerful computational tool for analyzing the petrophysical properties of rock. Obtaining the properties of a fine-grained sample, such as shale is very challenging due to its highly variable and complex nature. Capturing the micro-features of this structure requires advanced microscopy techniques such as SEM (scanning electron microscopy) and FIB-SEM (Focused ion beam- scanning electron microscopy). However, performing advanced microscopy techniques to capture the heterogeneity of the sample is quite difficult; the slow speeds of data collection and analysis are two critical problems that limit more extensive use of this technology. In this study, an alternative approach is proposed to quantify the physical properties of the rock sample. This study aims to accelerate the process of SEM image analysis and reduce the computational cost by using machine learning. A deep learning-based method, Convolutional Neural Networks (CNN), is utilized to predict the properties from the 2D grayscale SEM images of Marcellus shale. The image data set is segmented by applying watershed segmentation to extract the pore network of the sample. Porosity and average pore size are the two properties computed for this study. The SEM images are down sampled to low-resolution images which are fed as an input, and the computed properties are used for training and validation of the CNN network. A detailed description of the image segmentation process, CNN architecture and the predicted results are discussed in this work.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».