Нейросети помогут нефтегазовой индустрии восстанавливать структуру горных пород по изображениям

Многие горные породы, например карбонат, уголь и сланец, обладают пористой структурой. В нефтегазовой индустрии знание расположения и структуры пор очень важно для изучения различных механических свойств горных пород, а также моделирования течения потоков жидкостей через них. Однако известные на данный момент методы воспроизведения этой структуры сложны в реализации и требуют высококачественных изображений породы.

Для решения этой проблемы группа ученых из России и Китая разработала нейросетевой метод восстановления пористой структуры горных пород, для которого достаточно изображений низкого качества.

«Достоинством разработанного метода является то, что построенный алгоритм позволяет работать с нечеткими визуальными материалами. Как правило, на практике мы имеем дело именно с такими изображениями», — рассказал участник исследования, российский ученый из Математического центра в Академгородке Вадим Лисица.

Результаты, которые исследователи получили с помощью нейросетевого метода, продемонстрировали отличное визуальное сходство с реальными структурами пористых горных пород и успешно прошли дополнительную проверку с помощью различных методик качественного анализа.

Алгоритм был реализован с помощью методов глубокого машинного обучения, а именно генеративно-состязательных сетей. Такие сети состоят из двух частей: генератора и дискриминатора, которые выполняют противоположные задачи. Генератор, изменяя некоторые параметры, создает изображения, в то время как дискриминатор, получая изображение, должен определить настоящее ли оно или было создано генератором. И тот, и другой учатся на своих ошибках: дискриминатор обучается, узнавая правильность своих ответов, а генератор, если узнает, что дискриминатор обнаружил подделку, старается производить более реалистичные изображения. Таким образом генератор «состязается» с дискриминатором — отсюда и название метода исследования. Генеративно-состязательные сети хорошо зарекомендовали себя в создании реалистичных изображений разных объектов, а также в улучшении качества фотографий.

Вариант сетей, используемый в данном исследовании, отличается от обычного тем, что генератор для улучшения качества работы получал на вход настоящее, но низкокачественное изображение пористой структуры. Дискриминатор же всегда получал два изображения: это могла быть комбинация низкокачественного и настоящего высококачественного изображения той же структуры либо сочетание низкокачественного изображения и того, что создал на его основе генератор.

Математический центр в Академгородке (МЦА) был создан в ноябре 2019 года в рамках нацпроекта «Наука и университеты», который реализует Минобрнауки России. Результаты совместного исследования, проведенного учеными МЦА и коллегами из Китая, опубликованы в одном из научных журналов.

Схема работы условной генеративно-состязательной сети. Буквой G обозначен генератор, D — дискриминатор, х — низкокачественное изображение.