基于AI神经网络勘探油气资源工业解决方案

发布时间: 2020-09-03 11:49:52   行业解决方案   作者:猎维科技

导读: 而油气资源号称。在油气勘探中寻找有利的油气藏极为重要。所以进行盐性薄片识别在勘探环节中显得尤为重要。薄片识别的创新目前识别薄片主要靠人工识别。通过人工智能神经网络识别薄片可谓是创新高效之举。人工智能神经网络识别薄片是通过卷积神经网络识别薄片的孔隙或裂缝。

油气资源大家都不陌生吧?说到油气资源,大家肯定能想到中东地区。现代工业的发展,离不开宝贵的资源,而油气资源号称“工业的血液”,中东地区之所以常年战乱不断,世界大国都对这里垂涎欲滴,就是由于中东地区富含易于采集的油气资源。

人工智能石油气勘探

在油气勘探中寻找有利的油气藏极为重要,寻找有利油气藏也就是寻找有效储层,在世界油气田分布中碳酸盐层占有十分重要的地位。

根据统计数据,在碳酸盐岩储层中发现的油气储量已接近全球总储量的一半,油气产量则占全球总产量的60%以上,目前世界上所确定的日产量达到10000吨以上的油井,都是以碳酸盐岩为主的,所以进行盐性薄片识别在勘探环节中显得尤为重要。

薄片识别的创新

目前识别薄片主要靠人工识别,人工识别需要耗费大量时间和金钱。在涉及地区极广的勘探作业环节中,仅靠人工识别是远远不够的。因此,通过人工智能神经网络识别薄片可谓是创新高效之举。

人工智能神经网络识别薄片是通过卷积神经网络识别薄片的孔隙或裂缝,然后记录存在孔隙或者裂缝的照片数量占该区域总样本照片数量的比值,进而得到该区域储层好坏大致情况。

如何获取和处理数据

碳酸盐岩薄片照片需要通过显微镜拍出大量照片。照片清晰度需要较好,长宽较为适中。也可通过网上收集不同地区不同岩石的部分薄片照片作为模型样本

薄片裂缝

薄片裂痕

对样本进行标注,判别薄片内是否含有孔隙或裂缝,将大于8个像素点缝洞作为标记,否则将视为噪点。标记时我们可以通过寻找边缘及轮廓的方式批量标记。

如何建立模型

模型设计

通过计算机写出适合的模型,主要表现对薄片照片孔隙裂缝的识别。我们选择的模型为卷积神经网络层(CNN),进行训练。我们主要选择的卷积层为3-4个,和一个全连接分类层。

全连接分类层

模型优化和训练

通过对初始图片的特征提取,然后经过卷积层层层筛选最后输出该图片的孔隙裂缝特征,然后与标签进行对比,并调整模型,优化模型,使之更为精确。

通过大量薄片照片,对模型进行多轮次训练识别,最后得出该模型最优参数,并判断该模型具备碳酸盐岩岩石薄片识别功能。

怎样测试评估

该模型参数量和计算量都不是很大,模型层数也就5-6层左右,每次模型训练量不大,花费时间不多。

P-R曲线

  • P-R曲线

查准率查全率坐标图

查准率:P=TP/(TP+FP)  查全率:R=TP/(TP+FN)

  • ROC曲线

FPR/TPR曲线

FPR=FP/(TN+FP) TPR=TP/(TP+FP)

P-R曲线主要判断平衡点F1-SCORE到原点的距离,越大精度越高;

ROC曲线主要判断曲线与右下角包成的面积AUC,面积越大,精度越高。

利用卷积神经网络识别碳酸盐岩孔隙及裂缝精准且快速,为油气资源的勘测提供了极大的便利,体现了人工智能在工业领域的应用。


猎维科技整体解决方案