查申，库尔德斯坦;卡尔·弗雷德里克·伯格;达米亚诺·瓦拉尼洛;奥利维尔·洛佩兹 使用提取的岩心数据的CT扫描自动估计孔隙度。 （英语） Zbl 1489.86002号 计算。地质科学。 26，第3号，595-612（2022）. 小结：在毫米尺度上估计孔隙度的分辨率比传统测井技术精细一个数量级。这有助于正确描述薄层和精细非均质性储层。为了实现这一点，我们提出了一种端到端卷积神经网络（CNN）回归模型，该模型使用二维全岩心CT扫描图像自动预测毫米级分辨率的连续孔隙度。更具体地说，训练CNN回归模型以从常规岩心分析（RCA）孔隙度测量中学习。为了表征这种方法的性能，我们将该模型与两个经过训练的线性回归模型进行了比较，以了解相同二维图像的平均衰减和标准差与RCA孔隙度之间的关系。我们的研究表明，线性模型优于CNN模型，这表明CNN模型在提取纹理方面的能力对孔隙度估计很重要。我们将预测孔隙度结果与根据密度测井计算的总孔隙度测井进行了比较。结果表明，使用所提出的CNN方法预测的孔隙度值与岩心塞测量值和孔隙度测井值有很好的相关性。更重要的是，所提出的方法可以提供精确的毫米级孔隙度估计，而总孔隙度测井是在一个区间内平均的，因此不会显示这种精细的变化。因此，所提出的方法可用于校准孔隙度测井，从而减少与此类测井间接计算孔隙度相关的不确定性。 MSC公司： 86-08 地球物理问题的计算方法 86A32型 地理统计学 2017年10月68日 人工神经网络与深度学习 关键词：全芯CT扫描;多孔性;卷积神经网络;回归，回归 软件：github;青蒿素;SMAC公司;凯拉斯;超波段;TensorFlow公司;隔离森林;图像J PDF格式BibTeX公司 XML格式引用 \textit{K.Chawshin}等人，计算。地质科学。26，第3号，595--612（2022；Zbl 1489.86002） 全文： 内政部 参考文献： [1] 凯彻姆，RA；卡尔森，WD，《X射线计算机层析成像的获取、优化和解释：在地球科学中的应用》，计算。地质科学。，27, 4, 381-400 (2001) ·doi:10.1016/S0098-3004（00）00116-3 [2] 《醋，HJ，岩石的X射线CT和核磁共振成像》，J.Pet。技术。，38, 3, 257-259 (1986) ·doi:10.2118/115277-PA [3] Renter，JAM，《计算机断层扫描在沉积学中的应用》，3月，《岩土工程》。，8, 3, 201-211 (1989) ·doi:10.1080/10641198909379868 [4] 马萨诸塞州艾哈迈迪；Chen，Z.，通过岩石物理测井估算油藏渗透率和孔隙度的机器学习方法的比较，石油，5，3271-284（2019）·doi:10.1016/j.petlm.2018.06.002 [5] 艾哈迈迪，M-A；艾哈迈迪，MR；侯赛尼，SM；Ebadi，M.，Connectionist模型通过岩石物理测井预测油藏的孔隙度和渗透率：人工智能的应用，J.Pet。科学。工程，123，183-200（2014）·doi:10.1016/j.petrol.2014.08.026 [6] 艾法·T。；Baouche，R。；Baddari，K.，从测井数据预测渗透率和孔隙度的神经模糊系统：阿尔及利亚Hassi R′Mel气田的案例研究，J.Pet。科学。工程，123，217-229（2014）·doi:10.1016/j.petrol.2014.09.019 [7] Al-Anazi，A。；Gates，ID，《非均质储层岩相分类和渗透率模型的支持向量机算法》，工程地质学。，114, 3-4, 267-277 (2010) ·doi:10.1016/j.enggeo.2010.05.005 [8] Al-Bulushi，N。；金，公关；Blunt，MJ；Kraaijveld，M.，预测含水饱和度和流体分布的人工神经网络模型的开发，J.Pet。科学。工程师，68，3，197-208（2009）·doi:10.1016/j.petrol.2009.06.017 [9] Al-Mudhafar，WJ，《通过先进的机器学习算法整合岩相分类和渗透率建模的测井解释》，J.Pet。探索者。生产技术。，7, 4, 1023-1033 (2017) ·doi:10.1007/s13202-017-0360-0 [10] Elkatatny，S。；马哈茂德，M。；塔里克，Z。；Abdulraheem，A.，利用人工智能网络预测非均质碳酸盐岩储层渗透率的新见解，神经计算应用。，30, 9, 2673-2683 (2018) ·doi:10.1007/s00521-017-2850-x [11] 赫勒，HB；巴特，A。；Ursin，B.，使用人工神经网络从电缆测井预测孔隙度和渗透率：北海案例研究，Geophys。前景。，49, 4, 431-444 (2001) ·doi:10.1046/j.1365-2478.2001.00271.x [12] HA Malki；鲍德温，JL；马萨诸塞州Kwari，《利用神经网络估算薄层页岩气砂岩的渗透率》，SPE Compute。申请。，8, 2, 58-62 (1996) ·数字对象标识码：10.2118/3101-PA [13] Mohaghegh，S。；阿雷菲，R。；美国。；Aminiand，K。；Nutter，R.，《借助人工神经网络进行石油储层表征》，J.Pet。科学。工程，16，4，263-274（1996）·doi:10.1016/S0920-4105（96）00028-9 [14] 拉菲克，B。；Kamel，B.，利用非参数回归与多元分析和神经网络预测测井数据的渗透率和孔隙度，Hassi R'Mel油田，阿尔及利亚，埃及。J.宠物。，26, 3, 763-778 (2017) ·doi:10.1016/j.ejpe.2016.10.13 [15] 罗杰斯，利用人工神经网络从孔隙度预测渗透率，AAPG Bull。，79, 12 (1995) ·doi:10.1306/7834DEFE-1721-11D7-8645000102C1865D [16] Saljooghi，理学学士；Hezarkhani，A.，《WAVENET和ANN预测测井数据孔隙度的比较》，J.Pet。科学。工程，123，172-182（2014）·doi:10.1016/j.petrol.2014.08.025 [17] Wong，利用神经网络确定印度近海Ravva油田SPE油藏的渗透率。评估。工程师，1，2，99-104（1998）·文件编号：10.2118/38034-PA [18] Wong，项目经理；TD Gedeon；Taggart，IJ，《孔隙度预测的改进技术：神经网络方法》，IEEE Trans。地质科学。遥感，33，4，971-980（1995）·数字对象标识代码：10.1109/36.406683 [19] Wood，DA，应用测井数据的优化最近邻、机器学习和数据挖掘网络预测孔隙度、渗透率和含水饱和度，J.Pet。科学。工程，184106587（2020）·doi:10.1016/j.petrol.2019.106587 [20] 张，G。；王，Z。；李，H。；孙，Y。；张，Q。；Chen，W.，使用机器学习预测孤立河道砂的渗透率，J.Appl。地球物理学。，159, 605-615 (2018) ·doi:10.1016/j.japgeo.2018.09.011 [21] Alqahtani，N.，Armstrong，R.T.，Mostaghimi，P.：预测多孔介质特性的深度学习卷积神经网络。SPE亚太地区。油气展览会。(2018). 数字对象标识码：10.2118/191906-MS [22] 阿拉亚·波罗，M。；阿尔帕克，FO；亨特，S。；霍夫曼，R。；Saxena，N.，从2D图像进行深度学习驱动渗透率估算，计算。地质科学。，24, 2, 571-580 (2020) ·doi:10.1007/s10596-019-09886-9 [23] Bordignon，F.、Figueiredo，L.P.D.、Exterkoetter，R.、Rodrigues，B.B.和Correia，M.D.：显微CT图像上晶粒度和孔隙度分布估计的深度学习。巴西地球物理学会第16届国际大会会议记录（2019年） [24] Hébert，V。；Porcher，T。；平面，V。；Léger，M。；Alperovich，A。；Goldluecke，B。；罗德里格斯，O。；Youssef，S.，《数字岩芯存储库与机器学习相结合，作为分类和评估岩石物理性质的工具》，E3S Web Conf.，146，01003（2020）·doi:10.1051/e3sconf/20214601003 [25] 南卡马拉瓦。；Tahmasebi，P。；Sahimi，M.，通过深度学习将多孔介质的形态与其宏观渗透率联系起来，Transp。多孔介质，131,2427-448（2020）·doi:10.1007/s11242-019-01352-5 [26] 拉巴尼，A。；Babaei，M。；沙姆斯，R。；大王，Y。；Chung，T.，DeePore：《多孔材料快速综合表征的深度学习工作流程》，水资源部。，146, 103787 (2020) ·doi:10.1016/j.advwatres.2020.103787 [27] Srisutthiyakorn，N.：从2D/3D二进制分割图像预测渗透率的深度学习方法。SEG国际博览会。见面。(2016). https://www.onepetro.org/conference-paper/SEG-2016-13972613 [28] 苏达科夫，O。；伯纳耶夫，E。；Korotev，D.，《推动数字岩石走向机器学习：利用梯度增强和深度神经网络预测渗透率》，计算机。地质科学。，第127页，91-98页（2019年）·doi:10.1016/j.cageo.2019.02.002 [29] Tembely，M.，AlSumaiti，A.：从3D Micro-CT图像快速准确预测复杂碳酸盐岩渗透率的深度学习。阿布扎比国际宠物。展览大会（2019年）。doi:10.118/197457-MS文件 [30] 亨特，PK；恩格尔，P。；Bajsarowicz，C.，《作为核心分析工具的计算层析成像：应用、仪器评估和图像改进技术》，J.Pet。技术。，40, 9, 1203-1210 (1988) ·doi:10.2118/16952-PA [31] Lopez，O.、Berg，C.F.、Rennan，L.、Digranes，G.、Forest，T.、Kristoffersen，A.和Böklepp，B.R.：CT成像快速岩心评估：从岩石物理性质到测井评估。《国际交响乐》。Soc.核心分析。美国科罗拉多州雪橇队（2016年） [32] LeCun，Y.，概括与网络设计策略，连接主义观点。，19, 143-155 (1989) [33] Yamashita，R。；西洋，M。；Do，RKG；Togashi，K.，《卷积神经网络：概述及其在放射学中的应用》，Insights Imaging，9，4，611-629（2018）·doi:10.1007/s13244-018-0639-9 [34] Anjos，C.E.M.dos，Avila，M.R.V.，Vasconcelos，A.G.P.，Neta，A.M.P.、Medeiros，L.C.、Evsukoff，A.G..和Surmas，R.：碳酸盐岩微CT图像岩性分类的深度学习。ArXiv:2007.15693（2020）[Cs，Eess]。http://arxiv.org/abs/2007.15693 [35] Hinton，G.E.、Srivastava，N.、Krizhevsky，A.、Sutskever，I.和Salakhutdinov，R.R.：通过防止特征检测器的协同适应来改进神经网络。ArXiv:1207.0580（2012）[Cs]。http://arxiv.org/abs/1207.0580 ·兹比尔1318.68153 [36] Srivastava，N.、Hinton，G.、Krizhevsky，A.、Sutskever，I.和Salakhutdinov，R.：退出：防止神经网络过度拟合的简单方法。J.马赫。学习。研究（2014）·兹比尔1318.68153 [37] Ioffe，S.和Szegedy，C.：批量规范化：通过减少内部协变量偏移来加速深层网络训练。ArXiv:1502.03167[Cs]（2015）。http://arxiv.org/abs/1502.03167 [38] Mustra，M.、Delac，K.和Grgic，M.：DICOM标准概述。第50届国际研讨会ELMAR，1，39-44（2008） [39] 加利福尼亚州施耐德；拉斯班德，WS；Eliceiri，KW，NIH image to ImageJ：25年的图像分析，Nat.Methods，9，7，671-675（2012）·doi:10.1038/nmeth.2089 [40] Chollet、F.等人：凯拉斯。https://Github.Com/Fchollet/Keras网站(2015). https://keras.io/getting_started/faq/ [41] Chawshin，K.、Berg，C.F.、Varagnolo，D.、Gonzalez，A.、Heidari，Z.和Lopez，O.：根据整个岩芯CT扫描图像的结构特征对岩相进行分类。SPE研究评估与工程SPE-205354-PA（2021）。网址：10.2118/205354-PA [42] Baker，R.O.、Yarranton，H.W.和Jensen，J.L.：7-常规岩芯分析-岩石性质。R.O.Baker、H.W.Yarranton和J.L.Jensen（编辑），《实际油藏工程与表征》，197-237（2015）。海湾专业出版。doi:10.1016/B978-0-12-801811-8.0007-9 [43] Ruder，S.：梯度下降优化算法概述。ArXiv:1609.04747[Cs]（2017）。http://arxiv.org/abs/1609.04747 [44] Brownlee J.：使用Python进行深度学习：使用Keras在Theano和TensorFlow上开发深度学习模型。机器。学习。掌握（2016） [45] O'Malley，T.、Bursztein，E.、Long，J.、Cholet，F.、Jin，H.、Invernizzi，L.等人：Keras Tuner（2019年）。https://github.com/keras-team/keras-tuner [46] Bergstra，J。；Bengio，Y.，《超参数优化的随机搜索》，J.Mach。学习。决议，13，无效，281-305（2012）·Zbl 1283.68282号 [47] Hutter，F.、Hoos，H.H.和Leyton-Brown，K.：通用算法配置的基于序列模型的优化。第五届学习与智能优化国际会议论文集，507-523（2011）。doi:10.1007/978-3-642-25566-340 [48] Li，L.，Jamieson，K.，DeSalvo，G.，Rostamizadeh，A.和Talwalkar，A.：超带：一种基于强盗的新型超参数优化方法。ArXiv:1603.06560[Cs，Stat]（2018）。http://arxiv.org/abs/1603.06560 ·Zbl 1468.68204号 [49] Snoek，J.、Larochelle，H.和Adams，R.P.：机器学习算法的实用贝叶斯优化。第25届神经信息处理系统国际会议论文集，22951-2959（2012） [50] Liu，F.T.、Ting，K.M.和Zhou，Z.：隔离林。第八届IEEE数据挖掘国际会议，413-422（2008）。doi:10.1109/ICDM.2008.17 [51] Liu，英国《金融时报》；Ting，KM；周，Z-H，基于隔离的异常检测，ACM Trans。知识。发现。数据，6，1，3:1-3:39（2012）·数字对象标识代码：10.1145/2133360.2133363 此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。