A Deep Learning Method for Facies Recognition from Core Images and Its Application: A Case Study of Mackay River Oil Sands Reservoir
Notice bibliographique
Résumé
There is a large amount of drilling core data in the Mackay River oil sands block in Canada, and the accurate identification of facies from the cores is important and necessary for the understanding of the subsurface reservoir. The traditional recognition method of facies from cores is by human work and is very time consuming. Furthermore, the results are different according to different geologists because of the subjective judgment criterion. An efficient and objective method is important to solve the above problem. In this paper, the deep learning image-recognition algorithm is used to automatically and intelligently recognize the facies type from the core image. Through a series of high-reliability preprocessing operations, such as cropping, segmentation, rotation transformation, and noise removal of the original core image, that have been manually identified, the key feature information in the images is extracted based on the ResNet50 convolutional neural network. On the dataset of about 200 core images from 13 facies, an intelligent identification system of facies from core images is constructed, which realizes automatic facies identification from core images. Comparing this method with traditional convolutional neural networks and support vector machines (SVM), the results show that the recognition accuracy of this model is as high as 91.12%, which is higher than the other two models. It is also shown that for a relatively special dataset, such as core images, it is necessary to rely on their global features in order to classify them, and, with a large similarity between some of the categories, it is extremely difficult to classify them. The selection of a suitable neural network model can have a great impact on the accuracy of recognition results. Then, the recognized facies are input as hard data to construct the three-dimensional facies model, which reveals the complex heterogeneity and distribution of the subsurface reservoir for further exploration and development.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».