Kazakhstan journal for oil & gas industryKazakhstan journal for oil & gas industry2707-42262957-806XKMG Engineering10867410.54859/kjogi108674Обзорная статьяРасчёт характеристик образцов горных пород на основе их изображений с применением алгоритмов глубокого машинного обученияАсилбековБакытжан Калжанович<p>PhD</p>assibekov.b@gmail.comhttps://orcid.org/0000-0002-0368-0131КалжановНурлыхан Ерланулыnurkal022@gmail.comhttps://orcid.org/0009-0008-5776-0971БекбауБакберген Ермекбайулы<p>PhD</p>bakbergen.bekbau@gmail.comhttps://orcid.org/0000-0003-2410-1626БолысбекДарежат Абілсеитулыbolysbek.darezhat@gmail.comhttps://orcid.org/0000-0001-8936-3921Институт механики и машиноведения им. У.А. ДжолдасбековаСатбаев УниверситетKBTU BIGSoftКазахский национальный университет им. аль-Фараби030420246136492609202323022024Copyright © 2024, Асилбеков Б.К., Калжанов Н.Е., Бекбау Б.Е., Болысбек Д.А.2024<p>Пористость, абсолютная проницаемость и коэффициент диффузии являются важными характеристиками течения жидкостей в поровом пространстве горных пород, определение которых является ресурсоёмким и требует достаточно много времени. С развитием методов глубокого машинного обучения за последние 3–4 года активно стали применяться искусственные нейронные сети при определении транспортных свойств системы «жидкость – пористая среда» и геометрических характеристик порового пространства образцов на основе их изображений. Этот способ позволяет оперативно определять нужные свойства с приемлемой точностью. Следовательно, возникает вопрос об эффективности и адекватности методов глубокого машинного обучения для этих целей.</p> <p>В настоящей статье приводится научный обзор открытых источников литературы по определению абсолютной проницаемости, коэффициента диффузии и пористости по снимкам, полученным разными способами сканирования. Также использованы собственные данные, а именно изображения по 4 карбонатным образцам, и приведены результаты прогнозирования открытой пористости данных образцов на основе их рентгеновских снимков с помощью построенной нами модели свёрточных нейронных сетей.</p> <p>Проведенный обзор показал, что снимки образцов горных пород, полученные с помощью тех или иных методов сканирования, позволяют рассчитать их транспортные свойства с высокой достоверностью за существенно короткое время. Это означает, что глубокое машинное обучение может являться хорошим альтернативным инструментом для расчёта свойств образцов горных пород на основе их снимков. Построенная нами модель показала прогнозирующую способность пористости 3 карбонатных образцов с коэффициентом достоверности 0,936–0,976.</p>sample imagesabsolute permeabilitydiffusion coefficientporosityconvolutional neural networksmachine learningpredictionүлгі кескіндеріабсолютті өткізгіштікдиффузия коэффициентікеуектілікконволюционды нейрондық желілермашиналық оқытуболжамснимки образцовабсолютная проницаемостькоэффициент диффузиипористостьсвёрточные нейронные сетимашинное обучениепрогноз1.Rajalingam B, Priya R. Multimodal Medical Image Fusion based on Deep Learning Neural Network for Clinical Treatment Analysis. Int J ChemTech Res. 2018;11(6):160–176. doi:10.20902/IJCTR.2018.110621.2.Cicceri G, Inserra G, Limosani M. A Machine Learning Approach to Forecast Economic Recessions – An Italian Case Study. Mathematics. 2020;8(2). doi:10.3390/math8020241.3.Yoon J. Forecasting of Real GDP Growth Using Machine Learning Models: Gradient Boosting and Random Forest Approach. Comput Econ. 2021;57(1):247–265. doi:10.1007/s10614-020-10054-w.4.Gholami R, Shahraki AR, Jamali Paghaleh M. Prediction of Hydrocarbon Reservoirs Permeability Using Support Vector Machine. Math Probl Eng. 2012:1–18. doi:10.1155/2012/670723.5.Waszkiewicz S, Krakowska-Madejska P, Puskarczyk E. Estimation of absolute permeability using artificial neural networks (multilayer perceptrons) based on well logs and laboratory data from Silurian and Ordovician deposits in SE Poland. Acta Geophys. 2019;67:1885–1894. doi:10.1007/s11600-019-00347-6.6.Tembely M, AlSumaiti AM, Alameri W. A deep learning perspective on predicting permeability in porous media from network modeling to direct simulation. Comput. Geosci. 2020;24(4):1541–1556. doi:10.1007/s10596-020-09963-4.7.Xuan YM, Zhao K, Li Q. Investigation on mass diffusion process in porous media based on Lattice Boltzmann method. Heat Mass Transf. 2010;46(10):1039–1051. doi:10.1007/s00231-010-0687-2.8.Wang Y, Lin G. Efficient deep learning techniques for multiphase flow simulation in heterogeneous porousc media. J Comput Phys. 2020;401. doi:10.1016/j.jcp.2019.108968.9.Santos JE, Xu D, Jo H, et al. PoreFlow-Net: A 3D convolutional neural network to predict fluid flow through porous media. Adv Water Resour. 2020;138. doi:10.1016/j.advwatres.2020.103539.10.Da Wang Y, Blunt MJ, Armstrong RT, Mostaghimi P. Deep learning in pore scale imaging and modeling. Earth-Science Rev. 2021;215. doi:10.1016/j.earscirev.2021.103555.11.Bolysbek DA, Kulzhabekov AB, Bekbau B, Uzbekaliyev KS. Study of the pore structure and calculation of macroscopic characteristics of rocks based on X-ray microcomputed tomography images. Kazakhstan J oil gas Ind. 2023;5(2):17–30. doi:10.54859/kjogi108647. (In Russ).12.Tian J, Qi C, Sun Y, et al. Permeability prediction of porous media using a combination of computational fluid dynamics and hybrid machine learning methods. Eng Comput. 2021;37:3455–3471. doi:10.1007/s00366-020-01012-z.13.Graczyk KM, Matyka M. Predicting porosity, permeability, and tortuosity of porous media from images by deep learning. Sci Rep. 2020;10. doi:10.1038/s41598-020-78415-x.14.Caglar B, Broggi G, Ali MA, et al. Deep learning accelerated prediction of the permeability of fibrous microstructures. Compos Part A Appl Sci Manuf. 2022;158. doi:10.1016/j.compositesa.2022.106973.15.Araya-Polo M, Alpak FO, Hunter S, et al. Deep learning–driven permeability estimation from 2D images. Comput Geosci. 2020;24:571–580. doi:10.1007/s10596-019-09886-9.16.Wang H, Yin Y, Hui XY, et al. Prediction of effective diffusivity of porous media using deep learning method based on sample structure information self-amplification. Energy AI. 2020;2. doi:10.1016/j.egyai.2020.100035.17.Tembely M, AlSumaiti AM, Alameri WS. Machine and deep learning for estimating the permeability of complex carbonate rock from X-ray micro-computed tomography. Energy Reports. 2021;7:1460–1472. doi:10.1016/j.egyr.2021.02.065.18.Wu H, Fang W-Z, Kang Q, et al. Predicting Effective Diffusivity of Porous Media from Images by Deep Learning. Sci Rep. 2019;9. doi:10.1038/s41598-019-56309-x.19.Graczyk KM, Strzelczyk D, Matyka M. Deep learning for diffusion in porous media. Sci Rep. 2023;13. doi:10.1038/s41598-023-36466-w.20.Tang P, Zhang D, Li H. Predicting permeability from 3D rock images based on CNN with physical information. J Hydrol. 2022;606. doi:10.1016/j.jhydrol.2022.127473.21.Zhang H, Yu H, Yuan X, et al. Permeability prediction of low-resolution porous media images using autoencoder-based convolutional neural network. J Pet Sci Eng. 2022;208. doi:10.1016/j.petrol.2021.109589.22.Alqahtani N, Alzubaidi F, Armstrong RT, et al. Machine learning for predicting properties of porous media from 2d X-ray images. J Pet Sci Eng. 2020;184. doi:10.1016/j.petrol.2019.106514.