快速的水库表征与基于人工智能的石质学预测,使用钻井切片图像和噪音标签

科学领域:

• 地质与地球科学 地质与地球科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 从钻井切割物中识别石质学对于钻井操作期间的地质分析至关重要.
• 地质学家手动地质学识别是耗时的,主观的,容易出错的.
• 钻井切割提供了一种具有成本效益的岩石形成样本来源,用于分析.

研究的目的:

• 使用钻井切片图像自动化石质识别过程.
• 开发和评估一个卷积神经网络 (CNN) 模型,用于准确的石质学预测.
• 通过数据集清理来提高CNN模型的概括能力和准确性.

主要方法:

• 利用卷积神经网络 (CNN) 进行基于图像的石质学分类.
• 实施数据集清理技术,包括嵌入的交叉验证和聚类分析,以识别和解决有问题的样本 (例如,错误标记或视觉模糊).
• 分析了集群,以检测视觉特征和石质标签中的不一致性.

主要成果:

• 在经过清理的数据集上训练的CNN模型在石质识别中表现出更高的准确性.
• 数据集清理有效地识别和处理低质量或不确定的样本,从而提高模型性能.
• 集群分析揭示了具有明显视觉特征的集群,并突出了视觉上相似的岩石被赋予不同的石质学的错误标签的情况.

结论:

• 使用CNN的自动石质识别,结合强大的数据集清理,为手工方法提供了更准确,更有效的替代方案.
• 开发的方法可以显著降低钻探期间地质分析的成本和主观性.
• 该研究强调了数据质量和清理策略对于在地质应用中构建可靠的机器学习模型的重要性.