基于迁移学习从钻芯图像直接预测矿物含量
计算机视觉与模式识别
2024-03-28 v1 机器学习
图像与视频处理
摘要
深部地质勘探对于采矿、油气产业以及化学或核废料处置场的评估，或地热能系统的可行性评估至关重要。通常，对地下构造或单元进行详细检查是在钻取作业期间提取的岩屑或核材料上进行的，以及地质孔眼数据，这些数据提供有关岩石物性属性的详细信息。根据样品体积和分析计划，实验室分析和诊断可能非常耗时。本研究探讨了利用机器学习，特别是卷积神经网络（CNN），仅通过分析钻芯图像来评估岩相和矿物含量的潜力，以支持和加速地下地质勘探。该论文概述了综合的方法，涵盖数据预处理、机器学习方法和迁移学习技术。结果表明，钻芯段落能被准确地分类为不同的地层类别，准确率高达 96.7%。此外，针对矿物含量训练了一个 CNN 模型，其学习数据集来自多维测井分析数据（硅酸盐、总黏土、碳酸盐）。与实验室 XRD 测量结果进行基准测试后，两种方法（包括本文开发的神经网络方法和先进的多维测井分析模型）的表现相当。这一工作表明，深度学习，特别是迁移学习，可支持从钻芯图像中提取物性属性，包括矿物含量和地层分类，从而为提高基于图像的钻芯分析中模型性能和数据集质量提供了道路图。
引用
@article{arxiv.2403.18495,
title = {Direct mineral content prediction from drill core images via transfer learning},
author = {Romana Boiger and Sergey V. Churakov and Ignacio Ballester Llagaria and Georg Kosakowski and Raphael Wüst and Nikolaos I. Prasianakis},
journal= {arXiv preprint arXiv:2403.18495},
year = {2024}
}