О выделении трещин по данным электрического скважинного микроимиджера
16 сентября 2026 г.
Выделение трещин по данным электрического скважинного микроимиджера было выполнено на основе нейросети YOLO и полусинтетической обучающей выборки на примере полигона Utah FORGE. Работа, выполненная Н. Д. Архиповым (Московский физико-технический институт), опубликована в Russian Journal of Earth Sciences.
Оценка естественной трещиноватости горных пород по данным электрического скважинного микроимиджера (Fullbore Formation MicroImager, FMI) представляет собой
важную задачу резервуарной геомеханики, исследований трудноизвлекаемых запасов углеводородов и характеристики геотермальных систем. Вместе с тем ручная разметка трещин на FMI-изображениях трудоёмка и существенно зависит от опыта интерпретатора. Существующие алгоритмы автоматизации недостаточно устойчивы к шумам и типичным для электрических микроимиджеров вертикальным артефактам.
Целью нового исследования стала разработка устойчивого подхода автоматического обнаружения трещин на FMI-изображениях средствами глубокого обучения. Основу алгоритма составила YOLOv11s. Эта нейросеть адаптирована к выделению протяжённых и пересекающихся синусоидальных структур. Для преодоления типичного для геофизических задач дефицита размеченных данных был сформирован полусинтетический обучающий набор. На 154 реальных FMI-изображениях скважины 78B-32 полигона Utah FORGE накладывались параметрически генерируемые синусоидальные трещины. Это позволило получить 2140 обучающих и 310 валидационных изображений (всего 8406 экземпляров трещин). Независимая проверка была проведена на 110 реальных изображениях, размеченных экспертом.
На валидационной выборке модель показала следующие значения: Precision = 0,85, Recall = 0,78, mAP@50 = 0,807. Для реальных данных при восстановлении параметров синусоидальных аппроксимаций трещин были получены Precision = 0,46 и F1 = 0,296, что более чем втрое превышает показатели опорного алгоритма на основе детектора границ DexiNed (Precision = 0,153, F1 = 0,155).
Результаты исследования подтверждают применимость подхода с обучением на полусинтетических данных к задачам интерпретации FMI-изображений.
Метки: RJES