VeerNet:使用深度神经网络进行曲线分类和数字化拉斯特数据库图像

科学领域:

• 地质科学和计算机视觉
• 人工智能在地下数据分析中的应用.

背景情况:

• 拉斯特日志是扫描的模拟数据,对于地质解释至关重要.
• 手动解释拉斯特日志是耗时且容易出现错误的.
• 现有的数字提取方法需要大量的手工干预,缺乏准确性.

研究的目的:

• 开发VeerNet,这是一个深度神经网络,用于自动语义细分和从拉斯特图像中记录的数据的数字化.
• 在速度,准确性和手动干预方面克服现有算法的局限性.

主要方法:

• 提出了VeerNet,这是一个经过修改的UNet启发的架构,具有注意力增强的读取-处理-写入策略.
• 采用无监督的计算机视觉技术,以数字提取和解释井日志曲线.
• 专注于语义细分,以区分曲线与背景网格和随后的数字化.

主要成果:

• 在多个曲线的二进制细分方面,F1的整体得分为35%,Intersection over Union的得分为30%.
• 在曲线数字化中显示了高回忆率 (97%) 和低平均绝对误差 (0.11).
• 展示了VeerNet在预测马射线值方面的能力,其皮尔森系数为0.62.2.

结论:

• VeerNet有效地从拉斯特图像中对井日志数据进行分类和数字化,大大减少了人工工作.
• 拟议的架构提供了一个有前途的解决方案,用于准确和自动分析地下地质数据.
• 进一步验证和应用VeerNet可以加强地质勘探和资源评估.