Image-Based Lithology Classification Using Hybrid Deep Learning Architectures and Diffusion-Based Data Augmentation: Application to Brazilian Pre-Salt Carbonate Reservoirs
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Visual inspection remains widely used for lithology classification, but manual approaches are prone to delays, errors, and subjectivity. To address these challenges, we propose a deep-learning pipeline tailored for a complex, imbalanced dataset of core images from offshore pre-salt carbonate reservoirs in Brazil. Our methodology integrates diffusion-based data augmentation and a hybrid architecture combining DINOv2 with Central Difference Convolution (CDC). A novel loss function, merging Focal and Center Loss, is employed to improve performance on hard-to-classify samples and sharpen decision boundaries. Diffusion augmentation introduces controlled variability, while dual-transformer encoding captures rich image features. The experimental setup involved evaluating the model across eight dataset partitions, with balanced accuracy as the primary performance metric. Human volunteers achieved a mean balanced accuracy of 57%, highlighting the difficulty of visual lithology classification. State-of-the-art deep learning methods in the literature reached up to 63% balanced accuracy on this complex dataset. In contrast, our proposed approach consistently achieved 70% balanced accuracy, demonstrating a substantial improvement over both manual classification and existing automated techniques. This performance improvement is notable given the dataset's complexity, particularly in contrast to small gains typically seen at higher accuracy levels. In high-stakes offshore environments, where classification errors can lead to wellbore instability or blowouts, even modest accuracy gains offer substantial operational value. Additionally, top-2 accuracy reached 91.86%, providing reliable support for expert decision-making in real-time lithology classification.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle