RU2718409C1 - Система восстановления трехмерной структуры образца породы - Google Patents
Система восстановления трехмерной структуры образца породы Download PDFInfo
- Publication number
- RU2718409C1 RU2718409C1 RU2018137410A RU2018137410A RU2718409C1 RU 2718409 C1 RU2718409 C1 RU 2718409C1 RU 2018137410 A RU2018137410 A RU 2018137410A RU 2018137410 A RU2018137410 A RU 2018137410A RU 2718409 C1 RU2718409 C1 RU 2718409C1
- Authority
- RU
- Russia
- Prior art keywords
- rock
- neural network
- dimensional
- images
- training
- Prior art date
Links
- 239000011435 rock Substances 0.000 title claims abstract description 79
- 238000011084 recovery Methods 0.000 title description 3
- 238000013528 artificial neural network Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 56
- 239000013598 vector Substances 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000003287 optical effect Effects 0.000 claims description 6
- 230000035699 permeability Effects 0.000 claims description 4
- 238000013500 data storage Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 abstract 1
- 210000002569 neuron Anatomy 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 27
- 238000000034 method Methods 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000001994 activation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
-
- 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
-
- 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
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Image Analysis (AREA)
Abstract
Изобретение относится к вычислительной технике и может быть использовано для построения трехмерных цифровых моделей структуры образцов горной породы по двумерным изображениям плоских срезов породы. Техническим результатом является повышение точности восстановления трехмерной структуры. Система содержит средство для хранения и обработки данных, вычислительный модуль, нейронную сеть «кодировщик», нейронную сеть «генератор» и нейронную сеть «дискриминатор». При этом нейронная сеть «кодировщик» выполнена с возможностью приема, преобразования двумерных изображений плоских срезов породы в вектор параметров и отправки преобразованных срезов в нейронную сеть «генератор», которая выполнена с возможностью восстановления синтетических изображений трехмерной структуры образца породы на основе векторов параметров, а нейронная сеть «дискриминатор» выполнена с возможностью сравнения синтетических изображений трехмерной структуры образца породы с реальными изображениями трехмерной структуры образца породы, сохраненных в обучающей выборке. 13 з.п. ф-лы, 2 ил.
Description
ОБЛАСТЬ ТЕХНИКИ
Изобретение относится к системам построения трехмерных цифровых моделей структуры образцов горной породы по двумерным изображениям плоских срезов породы.
УРОВЕНЬ ТЕХНИКИ
Системы построения трехмерных цифровых моделей структуры образцов горной породы становятся ключевыми элементами в планировании разработки нефтегазовых месторождений. Получение трехмерных моделей напрямую имеет существенные ограничения и требует существенных экспериментальных ресурсов. Существующие приборы также имеют ограничения по размерам образцов, для которых можно определить структуру. Получение двумерных изображений срезов - существенно менее затратная операция, которая может быть выполнена.
Трехмерная структура горной породы является неоднородной многомасштабной средой. Для построения цифровых моделей нередко используются статистические подходы на основе многоточечных статистик [5, 6]. Точность таких моделей ограничена классами используемых моделей, и большинство из них требуют однородности образца, и возможность их адаптации для различных типов пород также ограничена. Недостаточно широкий класс моделей не позволяет получать модели образцов горных пород со свойствами, соответствующими реальным. Это приводит к необходимости дополнительных лабораторных исследований физических образцов горной породы.
Из уровня техники публикации [2, 3] посвященные построению трехмерной модели образца по двумерным фотографиям срезов, в которых основными подходами являются методы, основанные на использовании многоточечных статистик. Источник [3] выбран в качестве прототипа заявленного изобретения.
Недостатком указанных публикаций является то что при восстановлении трехмерных структур требуются большие вычислительные ресурсы.
РАСКРЫТИЕ ИЗОБРЕТЕНИЯ
Задачей заявленного изобретения является разработка системы построения трехмерных цифровых моделей структуры образцов горной породы при помощи нейронных сетей.
Техническим результатом изобретения является повышение точности восстановления трехмерной структуры.
Указанный технический результат достигается за счет того, что система восстановления трехмерной структуры образца породы по двумерным изображениям плоских срезов породы содержит средство для хранения и обработки данных, вычислительный модуль, нейронную сеть «кодировщик», нейронную сеть «генератор» и нейронную сеть «дискриминатор». При этом нейронная сеть «кодировщик» выполнена с возможностью приема, преобразования двумерных изображений плоских срезов породы в вектор параметров и отправки преобразованных срезов в нейронную сеть «генератор», которая выполнена с возможностью восстановления синтетических изображений трехмерной структуры образца породы на основе векторов параметров, а нейронная сеть «дискриминатор» выполнена с возможностью сравнения синтетических изображений трехмерной структуры образца породы с реальными изображениями трехмерной структуры образца породы, сохраненных в обучающей выборке.
Нейронная сеть «генератор» выполнена с возможностью дообучения при поступлении в обучающую выборку новых тренировочных данных, содержащих изображения трехмерной структуры образцов породы и двумерные плоские срезы породы.
Нейронная сеть «генератор» выполнена с возможностью обучения на основе обучающей выборки, содержащей тренировочные данные в виде изображений трехмерной структуры образцов породы и двумерных плоских срезов породы.
Двумерные плоские срезы породы получены на основе фотографий шлифов горных пород, полученных при помощи оптического микроскопа.
Двумерные плоские срезы породы получены на основе фотографий шлифов горных пород, полученных при помощи сканирующего электронного микроскопа.
Двумерные плоские срезы породы получены на основе фотографий сколов горных пород, полученных при помощи оптического микроскопа.
Двумерные плоские срезы породы получены на основе фотографий сколов горных пород, полученных при помощи сканирующего электронного микроскопа.
В качестве обучающей выборки для обучения нейронной сети используются изображения образцов, полученные с помощью рентгеновского томографа и их сечения.
В качестве обучающей выборки для обучения нейронной сети используются изображения образцов, полученные с помощью рентгеновского томографа и фотографии шлифов или поверхностей соответствующих образцов.
Обучающая выборка содержит дополнительные данные на основе по крайней мере одного значения физических и/или топологических свойств образцов: пористость, проницаемость, по крайней мере одного значения функционалов Минковского.
Система содержит графический интерфейс для загрузки данных и визуализации результатов.
Система содержит графический интерфейс для проведения обучения нейронной
сети.
Система выполнена с возможностью вывода информации на переносные электронные устройства, выбранные из группы: планшет, ноутбук, смартфон, умные часы.
Система выполнена с возможностью управления при помощи переносных электронных устройств, выбранных из группы: планшет, ноутбук, смартфон, умные часы.
Заявленное изобретение представляет собой новую систему восстановления трехмерной структуры образца по результатам томографирования трехмерного образца и двумерным фотографиям срезов (шлифов) на основе методов машинного обучения.
Заявленная система основана на использовании нейронных сетей. Нейронные сети - это метод машинного обучения, в котором входные данные (изображения) преобразуются в результат с помощью одного или нескольких последовательных преобразований (слоев нейронной сети). Каждый слой нейронной сети генерирует выходные результаты по входу в соответствии с текущим набором параметров нейронной сети. Нейронные сети позволяют решать такие задачи, как определение класса объектов по изображению, а также генерация новых изображений из заданного класса.
Заявленное изобретение позволяет:
1. не использовать априорные данные о статистическом описании топологии структуры (тип ковариационной функции, инвариантность относительно сдвигов/поворотов и т.п.)
2. моделировать существенно более широкий класс распределений свойств породы.
3. адаптироваться под обучающую выборку и дообучаться при поступлении новых типов керна.
4. Восстанавливать трехмерные структуры образцов горной породы без больших вычислительных ресурсов.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
Изобретение будет более понятным из описания, не имеющего ограничительного характера и приводимого со ссылками на прилагаемые чертежи, на которых изображено:
Фиг. 1 - Схема работы заявленной системы
Фиг. 2 - Схема функционирования заявленной системы
ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ
Система восстановления трехмерной структуры образца породы по двумерным изображениям плоских срезов породы содержит средство для хранения и обработки данных, вычислительный модуль, нейронную сеть «кодировщик», нейронную сеть «генератор» и нейронную сеть «дискриминатор». При этом нейронная сеть «кодировщик» выполнена с возможностью приема, преобразования двумерных изображений плоских срезов породы в вектор параметров и отправки преобразованных срезов в нейронную сеть «генератор», которая выполнена с возможностью восстановления синтетических изображений трехмерной структуры образца породы на основе векторов параметров, а нейронная сеть «дискриминатор» выполнена с возможностью сравнения синтетических изображений трехмерной структуры образца породы с реальными изображениями трехмерной структуры образца породы, сохраненных в обучающей выборке.
Нейронная сеть «генератор» выполнена с возможностью дообучения при поступлении в обучающую выборку новых тренировочных данных, содержащих изображения трехмерной структуры образцов породы и двумерные плоские срезы породы.
Нейронная сеть «генератор» выполнена с возможностью обучения на основе обучающей выборки, содержащей тренировочные данные в виде изображений трехмерной структуры образцов породы и двумерных плоских срезов породы.
Двумерные плоские срезы породы получены на основе фотографий шлифов горных пород, полученных при помощи оптического микроскопа.
Двумерные плоские срезы породы получены на основе фотографий шлифов горных пород, полученных при помощи сканирующего электронного микроскопа.
Двумерные плоские срезы породы получены на основе фотографий сколов горных пород, полученных при помощи оптического микроскопа.
Двумерные плоские срезы породы получены на основе фотографий сколов горных пород, полученных при помощи сканирующего электронного микроскопа.
В качестве обучающей выборки для обучения нейронной сети используются изображения образцов, полученные с помощью рентгеновского томографа и их сечения.
В качестве обучающей выборки для обучения нейронной сети используются изображения образцов, полученные с помощью рентгеновского томографа и фотографии шлифов или поверхностей соответствующих образцов.
Обучающая выборка содержит дополнительные данные на основе по крайней мере одного значения физических и/или топологических свойств образцов: пористость, проницаемость, по крайней мере одного значения функционалов Минковского.
Система содержит графический интерфейс для загрузки данных и визуализации результатов.
Система содержит графический интерфейс для проведения обучения нейронной
сети.
Система выполнена с возможностью вывода информации на переносные электронные устройства, выбранные из группы: планшет, ноутбук, смартфон, умные часы.
Система выполнена с возможностью управления при помощи переносных электронных устройств, выбранных из группы: планшет, ноутбук, смартфон, умные часы. Заявленное изобретение (система) включает следующие основные процессы:
1. Создание обучающей выборки трехмерных и двумерных изображений, достаточной для обучения нейросети
2. Обучение генеративной состязательной нейросетевой модели на обучающей выборке
3. Выбор двумерного изображения (шлифа) целевого образца
4. Восстановление трехмерной модели целевого образца с помощью обученной генеративной нейросетевой модели по двумерным изображения целевого образца
Заявленная система основана на анализе данных для восстановления трехмерной структуры породы. На этапе обучения используют обучающую выборку, которая включает в себя:
- Трехмерные изображения образцов породы
- Двумерные изображения срезов породы
Метод относится к классу методов обучения без учителя (unsupervised learning): известны только признаки, без какой-либо дополнительной информации о классе объекта. Задача состоит в том, чтобы построить алгоритм генерации новых изображений. Каждое трехмерное изображение представляется в виде вектора, поэтому генерация новых изображений сводится к построению приближения условного вероятностного распределения: найти (сгенерировать) наиболее правдоподобное трехмерное изображение при условии фиксированных значений двумерных срезов. Для этого, по заданной обучающей выборке строится генеративная состязательная нейронная сеть (generative adversarial network) [1], модифицированная для генерации новых данных при наличии информации. Стандартная генеративная состязательная нейронная сеть состоит из "генератора" и "дискриминатора". И генератор, и дискриминатор представляют из себя нейронные сети. При решении задачи условной генерации, используется также третья нейронная сеть, которая называется "кодировщиком". Ее задача состоит в преобразовании входных данных в вектор параметров, которые идут на вход генератору (см. Рис. 1).
Неформально процесс обучения можно представить, как игру двух игроков: дискриминатор пытается определить синтетические изображения, а генератор пытается обмануть дискриминатор, зная параметры компонент нейронной сети, соответствующей дискриминатору. При правильном выборе оптимизационного метода и подборе параметров этого метода, оптимизационный процесс находит параметры нейронной сети - генератора, которые приводят к тому, что, задавая случайные входные данные из стандартного нормального распределения, мы получаем синтетические изображения, не отличимые с точки зрения статистических метрик от реальных. Это соответствует построению приближения вероятностного распределения "правильных" выходных данных.
Используемые в генераторе, дискриминаторе и кодировщике нейронные сети могут состоять из слоев нейронные сетей, подсетей, модулей нейронных сетей, а также любых других стандартных компонент, используемых в нейронных сетях. Задача генератора состоит в том, чтобы создать правдоподобные синтетические трехмерные изображения по двумерным изображениям, а задача дискриминатора - отличить синтетические изображения от настоящих, находящихся в обучающей выборке.
Обучение происходит с помощью метода стохастической оптимизации. Процесс обучения генеративной состязательной нейронной сети состоит из следующих шагов. На каждом шаге формируется набор из нескольких синтетических объектов входных данных (batch, пачка), полученных путем применения функции генератора к набору случайного шума и случайному набору входных срезов, и набор реальных объектов входных данных, случайно выбранных из тренировочного набора, полученных из обучающей выборки. Далее выполняется обновление параметров компонентов нейронной сети, соответствующей дискриминатору. На этом подшаге с помощью библиотеки PyTorch вычисляется целевой функционал (который соответствует перекрестной энтропии классификации объектов на синтетические и реальные) и его градиент. Поскольку целевой функционал - это функция от параметров нейросети, то полученный градиент - вектор в пространстве весов нейросети, имеющий определенное направление. Изменение параметров нейронной сети происходит по правилам стохастического градиентного спуска по направлению, выбранному алгоритмом. В качестве алгоритма вычисления направления может использоваться любой стандартный метод стохастической градиентной оптимизации (Adam, RMSProp). После изменения параметров дискриминатора на следующем подшаге происходит изменение параметров нейронной сети, соответствующей генератору. Аналогично первому подшагу, в качестве алгоритма вычисления направления может использоваться любой стандартный метод стохастической градиентной оптимизации (Adam, RMSProp).
Обучение предлагаемой модели представлено в алгоритме 1. В нем используются следующие обозначения:
Обучение происходит с помощью метода стохастической оптимизации Adam [7]. Для каждого случайно выбранного набора тренировочных данных в алгоритме 1 извлекается набор центральных слайсов, а также генерируется набор векторов случайного шума. Далее происходит четыре обновления весов:
1. Обновление весов кодировщика, минимизируя евклидово расстояние между входным срезом и срезом, находящимся внутри синтетической породы;
2. Обновление весов генератора, минимизируя евклидово расстояние между входным срезом и срезом, находящимся внутри синтетической породы;
3. Обновление весов дискриминатора, улучшая точность его классификации;
4. Обновление весов генератора, ухудшая точность классификации дискриминатора.
Алгоритм 1. Обучение Генеративной Состязательной нейросети для восстановления трехмерной структуры образца породы по двумерным фотографиям шлифов
В качестве дополнительной информации в процессе обучения могут также использоваться различные геометрические, топологические и физические свойства породы, такие как: пористость, проницаемость, топологические константы (функционалы Минковского), петрофизические константы. Их можно использовать как дополнительный вход в генеративную модель.
Схема работы модели представлена на фиг. 1, используются следующие обозначения: Conv2D - двумерный сверточный слой; Conv3D - трехмерный сверточный слой; DeConv3D - трехмерный сверточный слой, увеличивающий размерность; fake, real - синтетические (сгенерированные) и реальные породы, соответственно.
В результате обучения генератор выучивается восстанавливать реалистичную трехмерную структуру. Процесс генерации представляет собой стандартную работу нейронной сети: по вычисленным в ходе обучения параметрам и заданном входном векторе происходит последовательное вычисление активаций на каждом из компонент нейронной сети, соответствующей кодировщику, результат работы кодировщика передается на вход генератору, после чего происходит генерация случайного входного вектора (шума), который также подается на вход генератору.
Схема функционирования системы приведена на фиг. 2.
Заявленный технический результат достигается за счет гибкости и большого количества параметров нейронных сетей, используемых в заявленном изобретении, в частности:
1. Нейронная сеть использует лишь набор тренировочных данных, содержащих двумерные срезы и соответствующие им трехмерные породы.
2. Для любых нейронных сетей имеется возможность дообучить модель на основе новых данных.
3. Самая затратная часть в нейросетевом моделировании с точки зрения ресурсов - обучение нейронных сетей. В то же время на этапе применения (восстановления) не требуется много вычислительных ресурсов.
Изобретение было раскрыто выше со ссылкой на конкретный вариант его осуществления. Для специалистов могут быть очевидны и иные варианты осуществления изобретения, не меняющие его сущности, как она раскрыта в настоящем описании. Соответственно, изобретение следует считать ограниченным по объему только нижеследующей формулой изобретения.
Литература
1. Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio "Generative adversarial nets" Advances in neural information processing systems. 2014.
2. Tunfeng Zhang, Neil Francis Hurley, Weishu Zhao "Method to generate numerical pseudocores using borehole images, digital rock samples, and multi-point statistics" US8725477B2
3. Neil F. Hurley, Tuanfeng Zhang, Weishu Zhao, Mustafa Al Ibrahim "Methods to build 3D digital models of porous media using a combination of high- and low-resolution data and multi-point statistics" US8908925B2
4. Gustavo Carpio, Timothy Cavanaugh, Boaz Nur, Michael Suhrer "Dual image method and system for generating a multi-dimensional image of a sample" US9064328B2
5. Okabe, Hiroshi, and Martin J. Blunt. "Prediction of permeability for porous media reconstructed using multiple-point statistics." Physical Review E 70.6 (2004): 066135.
6. Okabe, Hiroshi, and Martin J. Blunt. "Pore space reconstruction using multiple-point statistics." Journal of Petroleum Science and Engineering 46.1-2 (2005): 121-137.
7. Kingma D.P., Ba J. Adam: A method for stochastic optimization //arXiv preprint arXiv: 1412.6980.-2014.
Claims (14)
1. Система восстановления трехмерной структуры образца породы по двумерным изображениям плоских срезов породы, содержащая средство для хранения и обработки данных, вычислительный модуль, нейронную сеть «кодировщик», нейронную сеть «генератор» и нейронную сеть «дискриминатор», при этом нейронная сеть «кодировщик» выполнена с возможностью приема, преобразования двумерных изображений плоских срезов породы в вектор параметров и отправки преобразованных срезов в нейронную сеть «генератор», которая выполнена с возможностью восстановления синтетических изображений трехмерной структуры образца породы на основе векторов параметров, а нейронная сеть «дискриминатор» выполнена с возможностью сравнения синтетических изображений трехмерной структуры образца породы с реальными изображениями трехмерной структуры образца породы, сохраненных в обучающей выборке.
2. Система по п. 1, отличающаяся тем, что нейронная сеть «генератор» выполнена с возможностью дообучения при поступлении в обучающую выборку новых тренировочных данных, содержащих изображения трехмерной структуры образцов породы и двумерные плоские срезы породы.
3. Система по п. 1, отличающаяся тем, что нейронная сеть «генератор» выполнена с возможностью обучения на основе обучающей выборки, содержащей тренировочные данные в виде изображений трехмерной структуры образцов породы и двумерных плоских срезов породы.
4. Система по п. 1, отличающаяся тем, что двумерные плоские срезы породы получены на основе фотографий шлифов горных пород, полученных при помощи оптического микроскопа.
5. Система по п. 1, отличающаяся тем, что двумерные плоские срезы породы получены на основе фотографий шлифов горных пород, полученных при помощи сканирующего электронного микроскопа.
6. Система по п. 1, отличающаяся тем, что двумерные плоские срезы породы получены на основе фотографий сколов горных пород, полученных при помощи оптического микроскопа.
7. Система по п. 1, отличающаяся тем, что двумерные плоские срезы породы получены на основе фотографий сколов горных пород, полученных при помощи сканирующего электронного микроскопа.
8. Система по п. 3, отличающаяся тем, что в качестве обучающей выборки для обучения нейронной сети используются изображения образцов, полученные с помощью рентгеновского томографа и их сечения.
9. Система по п. 3, отличающаяся тем, что в качестве обучающей выборки для обучения нейронной сети используются изображения образцов, полученные с помощью рентгеновского томографа и фотографии шлифов или поверхностей соответствующих образцов.
10. Система по п. 3, отличающаяся тем, что обучающая выборка содержит дополнительные данные на основе по крайней мере одного значения физических и/или топологических свойств образцов: пористость, проницаемость, по крайней мере одного значения функционалов Минковского.
11. Система по п. 1, отличающаяся тем, что содержит графический интерфейс для загрузки данных и визуализации результатов.
12. Система по п. 1, отличающаяся тем, что содержит графический интерфейс для проведения обучения нейронной сети.
13. Система по п. 1, отличающаяся тем, что выполнена с возможностью вывода информации на переносные электронные устройства, выбранные из группы: планшет, ноутбук, смартфон, умные часы.
14. Система по п. 1, отличающаяся тем, что выполнена с возможностью управления при помощи переносных электронных устройств, выбранных из группы: планшет, ноутбук, смартфон, умные часы.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2018137410A RU2718409C1 (ru) | 2018-10-23 | 2018-10-23 | Система восстановления трехмерной структуры образца породы |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2018137410A RU2718409C1 (ru) | 2018-10-23 | 2018-10-23 | Система восстановления трехмерной структуры образца породы |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2718409C1 true RU2718409C1 (ru) | 2020-04-02 |
Family
ID=70156536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2018137410A RU2718409C1 (ru) | 2018-10-23 | 2018-10-23 | Система восстановления трехмерной структуры образца породы |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2718409C1 (ru) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092767A (zh) * | 2021-11-26 | 2022-02-25 | 中国石油大学(华东) | 基于机器学习的岩石破坏形态预测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090259446A1 (en) * | 2008-04-10 | 2009-10-15 | Schlumberger Technology Corporation | Method to generate numerical pseudocores using borehole images, digital rock samples, and multi-point statistics |
US20140114632A1 (en) * | 2012-10-19 | 2014-04-24 | Conocophillips Company | Method for modeling a reservoir using 3d multiple-point simulations with 2d training images |
RU2573739C2 (ru) * | 2011-02-28 | 2016-01-27 | Шлюмбергер Текнолоджи Б.В. | Многомасштабное цифровое моделирование породы для моделирования пласта |
RU2576501C2 (ru) * | 2011-02-28 | 2016-03-10 | Шлюмбергер Текнолоджи Б.В. | Способы построения 3-мерных цифровых моделей пористой среды с использованием комбинации данных высокого и низкого разрешения и многоточечной статистики |
-
2018
- 2018-10-23 RU RU2018137410A patent/RU2718409C1/ru active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090259446A1 (en) * | 2008-04-10 | 2009-10-15 | Schlumberger Technology Corporation | Method to generate numerical pseudocores using borehole images, digital rock samples, and multi-point statistics |
RU2573739C2 (ru) * | 2011-02-28 | 2016-01-27 | Шлюмбергер Текнолоджи Б.В. | Многомасштабное цифровое моделирование породы для моделирования пласта |
RU2576501C2 (ru) * | 2011-02-28 | 2016-03-10 | Шлюмбергер Текнолоджи Б.В. | Способы построения 3-мерных цифровых моделей пористой среды с использованием комбинации данных высокого и низкого разрешения и многоточечной статистики |
US20140114632A1 (en) * | 2012-10-19 | 2014-04-24 | Conocophillips Company | Method for modeling a reservoir using 3d multiple-point simulations with 2d training images |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092767A (zh) * | 2021-11-26 | 2022-02-25 | 中国石油大学(华东) | 基于机器学习的岩石破坏形态预测方法及*** |
CN114092767B (zh) * | 2021-11-26 | 2024-04-30 | 中国石油大学(华东) | 基于机器学习的岩石破坏形态预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hajiramezanali et al. | Variational graph recurrent neural networks | |
Li et al. | LGM-Net: Learning to generate matching networks for few-shot learning | |
Mukhoti et al. | Evaluating bayesian deep learning methods for semantic segmentation | |
Sukhbaatar et al. | Learning from noisy labels with deep neural networks | |
Oesau et al. | Planar shape detection and regularization in tandem | |
EP3620990A1 (en) | Capturing network dynamics using dynamic graph representation learning | |
CN109754078A (zh) | 用于优化神经网络的方法 | |
CN108229347B (zh) | 用于人识别的拟吉布斯结构采样的深层置换的方法和装置 | |
CN111738351B (zh) | 模型训练方法、装置、存储介质及电子设备 | |
Yuan et al. | Iterative cross learning on noisy labels | |
KR20210040248A (ko) | 물질의 생성 구조-특성 역 계산 공동 설계 | |
CA3116782C (en) | Multiobjective coevolution of deep neural network architectures | |
CN116635866A (zh) | 用于挖掘少数类数据样本以训练神经网络的方法和*** | |
CN113095370B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
Zhou et al. | Region growing for image segmentation using an extended PCNN model | |
Liu et al. | Learning graph topological features via GAN | |
KR102450409B1 (ko) | 의료 영상 기반의 세그먼테이션 방법 | |
Hasanzadeh et al. | Variational graph recurrent neural networks | |
Wistuba | Bayesian optimization combined with incremental evaluation for neural network architecture optimization | |
RU2718409C1 (ru) | Система восстановления трехмерной структуры образца породы | |
CN107798331B (zh) | 离变焦图像序列特征提取方法和装置 | |
Probst | Denoising autoencoders for fast combinatorial black box optimization | |
Dash | DECPNN: A hybrid stock predictor model using Differential Evolution and Chebyshev Polynomial neural network | |
CN115168326A (zh) | Hadoop大数据平台分布式能源数据清洗方法及*** | |
Kalatzis et al. | Density estimation on smooth manifolds with normalizing flows |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PD4A | Correction of name of patent owner | ||
QB4A | Licence on use of patent |
Free format text: LICENCE FORMERLY AGREED ON 20210825 Effective date: 20210825 |