CN111007064A - 一种基于图像识别的录井岩性智能识别方法 - Google Patents
一种基于图像识别的录井岩性智能识别方法 Download PDFInfo
- Publication number
- CN111007064A CN111007064A CN201911278570.6A CN201911278570A CN111007064A CN 111007064 A CN111007064 A CN 111007064A CN 201911278570 A CN201911278570 A CN 201911278570A CN 111007064 A CN111007064 A CN 111007064A
- Authority
- CN
- China
- Prior art keywords
- particle
- neural network
- intelligent
- edge
- recognition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 239000002245 particle Substances 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 239000011435 rock Substances 0.000 claims abstract description 21
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 20
- 239000011707 mineral Substances 0.000 claims abstract description 20
- 239000010433 feldspar Substances 0.000 claims abstract description 10
- 239000010453 quartz Substances 0.000 claims abstract description 10
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims abstract description 10
- 238000003745 diagnosis Methods 0.000 claims abstract description 6
- 230000002787 reinforcement Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000005553 drilling Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 239000003208 petroleum Substances 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- XOJVVFBFDXDTEG-UHFFFAOYSA-N Norphytane Natural products CC(C)CCCC(C)CCCC(C)CCCC(C)C XOJVVFBFDXDTEG-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于图像识别的录井岩性智能识别方法,其中包括以下步骤:步骤一:构建基于神经网络的矿物类别智能识别方法;步骤二:应用上述智能识别方法识别石英、长石、岩屑一类矿物类别;步骤三:智能识别神经网络的强化学习与更新,根据诊断结果更新神经网络方法;步骤四:识别岩石颗粒边缘;步骤五:利用神经网络方法识别每个颗粒内部矿物类型;步骤六:根据岩石名称命名方法对每一个颗粒进行命名。本发明通过对岩性颗粒图像样本集学习,避免主观经验的影响和信息的丢失,且通过不断修正,不断扩大样本集空间,实现了岩性智能识别,可用于石油勘探开发过程中地层、储层等研究。
Description
技术领域
本发明涉及图像识别和处理技术领域,尤其是一种基于图像识别的录井岩性智能识别方法。
背景技术
岩性识别主要是以岩石学、矿物学和地球化学为理论指导,利用岩石样品肉眼观察、镜下观察、化学成分分析等技术,以岩石颜色、结构、构造、矿物成分及其含量等特征条件等为依据对岩性准确定名的过程。岩性识别是石油勘探开发过程中对地层、储层等研究的前提工作,是储层评价的核心工作之一,也是求解储层参数的基础。目前在石油地质领域中,研究人员通过偏光显微镜观察岩石的光学特征和表面纹理特征,从而对不同岩石进行鉴别和成分分析,但在实际应用中由于岩石样本目标的颗粒众多,人工鉴定工作量大,时效性差,且难以对样本进行定量分析。
发明内容
本发明要解决的技术问题是:为了克服现有技术中之不足,本发明提供一种基于图像识别的录井岩性智能识别方法,通过对岩性颗粒图像样本集的学习,避免主观经验的影响和信息的丢失,避免浪费大量的人力和时间,并且通过不断的修正,不断扩大样本集空间,实现智能岩性识别。
本发明解决其技术问题所采用的技术方案是:一种基于图像识别的录井岩性智能识别方法,包括以下步骤:
步骤一:构建基于神经网络的矿物类别智能识别方法;
步骤二:应用上述智能识别方法识别石英、长石、岩屑一类的矿物类别;
步骤三:智能识别神经网络的强化学习与更新,根据诊断结果更新神经网络方法;
步骤四:识别岩石颗粒边缘;
步骤五:利用神经网络方法识别每个颗粒内部矿物类型;
步骤六:根据岩石名称命名方法对每一个颗粒进行命名。
具体说,所述的步骤一包含:1)获取岩性颗粒样本集;2)岩性颗粒图像处理;3)拉普拉斯算子锐化;4)构建BP神经网络,进行样本集学习。
进一步地,步骤2)的具体方法为:高斯滤波器利用高斯核的一个二维的卷积算子,用于图像去除噪声,二维的高斯函数如下:
步骤3)的具体方法为:利用拉普拉斯算子锐化图像,提高清晰度、突出细节,
步骤二中的具体应用方法为:对测试集中的每一个像素点,利用步骤一构建的方法进行石英、长石、岩屑一类矿物的判别。
具体说,步骤三的具体方法为:1)工作人员根据实际的矿物分布状况对比神经网络识别结果论证识别结论的正确性;2)修正错误的识别结果;3)将进行修正过的识别结果对应图像点构建成新的样本集合;4)将更新后的样本集合再次训练神经网络方法;5)通过强化学习过程之后,更新神经网络智能诊断方法。
具体说,步骤四的具体方法是:
1)sobel方法检测颗粒边缘:索贝尔算子根据像素点上下、左右邻点灰度加权差,在边缘处达到极值这一现象检测边缘;对噪声具有平滑作用,提供较为精确的边缘方向信息;若梯度值G大于某一阈值,则认为该点(x,y)即为边缘点,
2)凸函数算法确定每一个颗粒的边缘;设定搜索半径,以每一个边缘点[xi] 为搜索中心,搜索半径范围内的所有边缘点,以该边缘点为中心,寻找能满足 [xi-1]+[xi+1]<2[xi]的点;
3)以满足2)条件的点为新的搜索中心,重复2)步骤,直到完成该颗粒的边缘搜索,进行下一个颗粒边缘点搜索。
步骤五的具体应用方法为:对测试集中的每一个像素点,利用步骤四检测完毕的颗粒边缘内部像素点进行石英、长石、岩屑一类矿物的判别。
步骤六的具体应用方法为:根据每一个颗粒边缘内部矿物类型识别结果,统计每种矿物类型的像素点个数,进而计算体积含量,并根据岩石学命名方法,对每一个颗粒进行命名,将结果推送给工作人员,与钻井曲线对比,指导钻井工作。
本发明的有益效果是:本发明鉴于现有的岩性识别方法,基于当前主流图像智能识别领域,首先通过高斯(guass)滤波前处理岩性颗粒图像,利用拉普拉斯算子锐化图像,然后通过sobel方法判别岩性颗粒的边界,通过凸函数获取岩性颗粒边界,通过神经网络方法识别边界内每个像素的类别归属,统计颗粒内石英、长石、岩屑的含量,最终确定录井岩性类型,从而避免了特征提取过程中损失的大量有效信息和人的主观判断对识别结果的影响。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明的工作流程图。
图2为原始岩性颗粒图像。
图3为高斯滤波器处理后的图像。
图4为经边缘增强后的岩性颗粒图像。
图5为sobel算法边缘检测后的图像。
图6为凸函数确定的某一颗粒边缘内部图像。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1~图6所示的一种基于图像识别的录井岩性智能识别方法,包括以下步骤:
1)从实验室采集到原始岩性颗粒图像;
2)将采集到按原始岩性颗粒图像按已知岩性情况进行分类;
3)将已分类的数据集每类取2/3做训练数据集,1/3做测试数据集;
4)利用高斯(guass)滤波处理岩性颗粒图像
5)用拉普拉斯算子锐化图像;
6)采用样本集训练神经网络方法;
7)设计测试程序,将测试数据集输入神经网络,测试训练准确度,打印模型识别准确率,当准确率达到一定数值时即可停止训练;
8)将识别结果推送给工作人员;
9)工作人员根据实际的岩性状况对比神经网络识别结果论证识别结论的正确性修正错误的识别结果;将进行修正过的识别结果构建成新的岩性颗粒图像样本集合;将更新后的岩性颗粒图像样本集合再次训练神经网络方法;通过强化学习过程之后,更新神经网络智能诊断方法。
10)采用sobel方法判别颗粒边缘
11)采用凸函数方法获得单个岩性颗粒边界
12)识别岩性颗粒边界内每个像素所属类别;
13)统计每个岩性颗粒内石英、长石、岩屑含量;
14)确定每个岩性颗粒的名称。
本发明鉴于现有的岩性识别方法,基于当前主流图像智能识别领域,首先通过高斯(guass)滤波前处理岩性颗粒图像,利用拉普拉斯算子锐化图像,然后通过sobel方法判别岩性颗粒的边界,通过凸函数获取岩性颗粒边界,通过神经网络方法识别边界内每个像素的类别归属,统计颗粒内石英、长石、岩屑的含量,最终确定录井岩性类型,从而避免了特征提取过程中损失的大量有效信息和人的主观判断对识别结果的影响,构建出一种基于图像识别的录井岩性智能识别方法。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (9)
1.一种基于图像识别的录井岩性智能识别方法,其特征是:包括以下步骤:
步骤一:构建基于神经网络的矿物类别智能识别方法;
步骤二:应用上述智能识别方法识别石英、长石、岩屑一类的矿物类别;
步骤三:智能识别神经网络的强化学习与更新,根据诊断结果更新神经网络方法;
步骤四:识别岩石颗粒边缘;
步骤五:利用神经网络方法识别每个颗粒内部矿物类型;
步骤六:根据岩石名称命名方法对每一个颗粒进行命名。
2.如权利要求1所述的基于图像识别的录井岩性智能识别方法,其特征是:所述的步骤一包含:1)获取岩性颗粒样本集;2)岩性颗粒图像处理;3)拉普拉斯算子锐化;4)构建BP神经网络,进行样本集学习。
5.如权利要求1所述的基于图像识别的录井岩性智能识别方法,其特征是:步骤二中的具体应用方法为:对测试集中的每一个像素点,利用步骤一构建的方法进行石英、长石、岩屑一类矿物的判别。
6.如权利要求1所述的基于图像识别的录井岩性智能识别方法,其特征是:步骤三的具体方法为:1)工作人员根据实际的矿物分布状况对比神经网络识别结果论证识别结论的正确性;2)修正错误的识别结果;3)将进行修正过的识别结果对应图像点构建成新的样本集合;4)将更新后的样本集合再次训练神经网络方法;5)通过强化学习过程之后,更新神经网络智能诊断方法。
8.如权利要求7所述的基于图像识别的录井岩性智能识别方法,其特征是:步骤五的具体应用方法为:对测试集中的每一个像素点,利用步骤四检测完毕的颗粒边缘内部像素点进行石英、长石、岩屑一类矿物的判别。
9.如权利要求1所述的基于图像识别的录井岩性智能识别方法,其特征是:步骤六的具体应用方法为:根据每一个颗粒边缘内部矿物类型识别结果,统计每种矿物类型的像素点个数,进而计算体积含量,并根据岩石学命名方法,对每一个颗粒进行命名,将结果推送给工作人员,与钻井曲线对比,指导钻井工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911278570.6A CN111007064A (zh) | 2019-12-13 | 2019-12-13 | 一种基于图像识别的录井岩性智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911278570.6A CN111007064A (zh) | 2019-12-13 | 2019-12-13 | 一种基于图像识别的录井岩性智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111007064A true CN111007064A (zh) | 2020-04-14 |
Family
ID=70114642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911278570.6A Pending CN111007064A (zh) | 2019-12-13 | 2019-12-13 | 一种基于图像识别的录井岩性智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111007064A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112282739A (zh) * | 2020-11-18 | 2021-01-29 | 中国石油天然气集团有限公司 | 一种随钻井径测量中的岩屑散射体识别方法 |
CN112354874A (zh) * | 2020-09-03 | 2021-02-12 | 江苏旷博智能技术有限公司 | 煤和矸石的识别方法以及矸石自动分离*** |
CN113128477A (zh) * | 2021-05-18 | 2021-07-16 | 西南石油大学 | 一种基于深度学习法的碎屑岩岩性识别方法及*** |
WO2022166232A1 (zh) * | 2021-02-08 | 2022-08-11 | 中国石油化工股份有限公司 | 岩石鉴定方法、***、装置、终端及可读存储介质 |
CN118097641A (zh) * | 2024-04-18 | 2024-05-28 | 陕西合兴硅砂有限公司 | 一种高纯度石英砂岩的智能识别方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493888A (zh) * | 2009-03-03 | 2009-07-29 | 中国石化集团胜利石油管理局地质录井公司 | Pdc岩屑数字图像录井方法 |
US9430842B1 (en) * | 2013-07-17 | 2016-08-30 | Stc.Unm | Material classification fused with spatio-spectral edge detection in spectral imagery |
CN106485223A (zh) * | 2016-10-12 | 2017-03-08 | 南京大学 | 一种砂岩显微薄片中岩石颗粒的自动识别方法 |
CN107590451A (zh) * | 2017-09-04 | 2018-01-16 | 中国科学院长春光学精密机械与物理研究所 | 一种车道线检测方法 |
CN109523566A (zh) * | 2018-09-18 | 2019-03-26 | 姜枫 | 一种砂岩薄片显微图像的自动分割方法 |
CN109614883A (zh) * | 2018-11-21 | 2019-04-12 | 瑾逸科技发展扬州有限公司 | 一种基于卷积神经网络的致密砂岩裂缝智能识别方法 |
CN109859158A (zh) * | 2018-11-27 | 2019-06-07 | 邦鼓思电子科技(上海)有限公司 | 一种基于视觉的工作区域边界的检测***、方法及机器设备 |
CN110033437A (zh) * | 2019-03-12 | 2019-07-19 | 福建三钢闽光股份有限公司 | 一种基于卷积神经网络的中厚板压痕智能识别方法 |
CN110033516A (zh) * | 2019-04-16 | 2019-07-19 | 重庆交通大学 | 基于双目相机图像采集识别的针片状颗粒含量检测方法 |
WO2019167030A1 (en) * | 2018-03-02 | 2019-09-06 | Kore Geosystems Inc. | Identifying and logging properties of core samples |
CN110503091A (zh) * | 2019-07-19 | 2019-11-26 | 平安科技(深圳)有限公司 | 基于神经网络模型的证件验证方法、装置及存储介质 |
-
2019
- 2019-12-13 CN CN201911278570.6A patent/CN111007064A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493888A (zh) * | 2009-03-03 | 2009-07-29 | 中国石化集团胜利石油管理局地质录井公司 | Pdc岩屑数字图像录井方法 |
US9430842B1 (en) * | 2013-07-17 | 2016-08-30 | Stc.Unm | Material classification fused with spatio-spectral edge detection in spectral imagery |
CN106485223A (zh) * | 2016-10-12 | 2017-03-08 | 南京大学 | 一种砂岩显微薄片中岩石颗粒的自动识别方法 |
CN107590451A (zh) * | 2017-09-04 | 2018-01-16 | 中国科学院长春光学精密机械与物理研究所 | 一种车道线检测方法 |
WO2019167030A1 (en) * | 2018-03-02 | 2019-09-06 | Kore Geosystems Inc. | Identifying and logging properties of core samples |
CN109523566A (zh) * | 2018-09-18 | 2019-03-26 | 姜枫 | 一种砂岩薄片显微图像的自动分割方法 |
CN109614883A (zh) * | 2018-11-21 | 2019-04-12 | 瑾逸科技发展扬州有限公司 | 一种基于卷积神经网络的致密砂岩裂缝智能识别方法 |
CN109859158A (zh) * | 2018-11-27 | 2019-06-07 | 邦鼓思电子科技(上海)有限公司 | 一种基于视觉的工作区域边界的检测***、方法及机器设备 |
CN110033437A (zh) * | 2019-03-12 | 2019-07-19 | 福建三钢闽光股份有限公司 | 一种基于卷积神经网络的中厚板压痕智能识别方法 |
CN110033516A (zh) * | 2019-04-16 | 2019-07-19 | 重庆交通大学 | 基于双目相机图像采集识别的针片状颗粒含量检测方法 |
CN110503091A (zh) * | 2019-07-19 | 2019-11-26 | 平安科技(深圳)有限公司 | 基于神经网络模型的证件验证方法、装置及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112354874A (zh) * | 2020-09-03 | 2021-02-12 | 江苏旷博智能技术有限公司 | 煤和矸石的识别方法以及矸石自动分离*** |
CN112282739A (zh) * | 2020-11-18 | 2021-01-29 | 中国石油天然气集团有限公司 | 一种随钻井径测量中的岩屑散射体识别方法 |
CN112282739B (zh) * | 2020-11-18 | 2024-04-30 | 中国石油天然气集团有限公司 | 一种随钻井径测量中的岩屑散射体识别方法 |
WO2022166232A1 (zh) * | 2021-02-08 | 2022-08-11 | 中国石油化工股份有限公司 | 岩石鉴定方法、***、装置、终端及可读存储介质 |
CN113128477A (zh) * | 2021-05-18 | 2021-07-16 | 西南石油大学 | 一种基于深度学习法的碎屑岩岩性识别方法及*** |
CN118097641A (zh) * | 2024-04-18 | 2024-05-28 | 陕西合兴硅砂有限公司 | 一种高纯度石英砂岩的智能识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111007064A (zh) | 一种基于图像识别的录井岩性智能识别方法 | |
CN109389128B (zh) | 电成像测井图像特征自动提取方法及装置 | |
Detert et al. | Automatic object detection to analyze the geometry of gravel grains–a free stand-alone tool | |
US7853045B2 (en) | Geostatistical analysis and classification of core data | |
US7184991B1 (en) | Pattern recognition applied to oil exploration and production | |
US10781692B2 (en) | Method and system for analyzing rock samples | |
WO2017114443A1 (zh) | 一种确定储层岩溶发育程度的方法及装置 | |
US20110091078A1 (en) | Identifying geological features in an image of an underground formation surrounding a borehole | |
CN102759748B (zh) | 基于目标分析的交汇分析地震储层预测方法 | |
CN109407149B (zh) | 基于Hessian矩阵的地震相干数据裂缝检测方法 | |
CN113792936A (zh) | 一种随钻岩性智能识别方法、***、设备和存储介质 | |
CN103345566A (zh) | 基于地质内涵的化探异常识别与评价方法 | |
CN111160127A (zh) | 一种基于深度卷积神经网络模型的遥感影像处理及检测方法 | |
Liu et al. | Rock thin-section analysis and identification based on artificial intelligent technique | |
Kazak et al. | Machine-learning-assisted segmentation of focused ion beam-scanning electron microscopy images with artifacts for improved void-space characterization of tight reservoir rocks | |
CN113435457A (zh) | 基于图像的碎屑岩成分鉴定方法、装置、终端及介质 | |
Ovaskainen et al. | A new subsampling methodology to optimize the characterization of two-dimensional bedrock fracture networks | |
CN104680185A (zh) | 基于边界点重分类的高光谱图像分类方法 | |
CN117272181A (zh) | 采用机器学习建模来判别锆石宿主岩石和成矿环境的方法 | |
CN106446514A (zh) | 一种基于模糊理论和神经网络的测井相识别方法 | |
CN105089642A (zh) | 油气藏异常生产井的识别方法及装置 | |
CN118015359A (zh) | 一种基于图像识别的岩性识别方法 | |
Teran et al. | High-Resolution Facies Prediction by Means of Integrating Dip Quality Index and Texture Analysis from Resistivity Borehole Images Logs in a Pre-Salt Complex Carbonate Reservoir Located in a Brazilian Field | |
CN105953766A (zh) | 基于岩芯图像的砾石磨圆度测量方法 | |
CN110805434B (zh) | 复杂地层岩性识别方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200414 |