Kazakhstan journal for oil & gas industryKazakhstan journal for oil & gas industry2707-42262957-806XKMG Engineering10872010.54859/kjogi108720Научная статьяКластеризация литотипов на основе визуальных признаков кернов с помощью свёрточных нейронных сетей и K-MeansӘбдіманапҒалымжан Сейтахметғалиұлыg.abdimanap@kmge.kzhttps://orcid.org/0000-0003-1676-4075БостанбековКайрат Аратович<p>PhD</p>k.bostanbekov@kmge.kzhttps://orcid.org/0000-0003-2869-772XАлимоваАнель Нурданбековна<p>PhD</p>a.alimova@kmge.kzhttps://orcid.org/0000-0002-5155-2417СалиевНурлан Бакитжановичsaliyevnurlan@gmail.comhttps://orcid.org/0009-0001-6537-6960НурсеитовДанияр Борисович<p>канд. физ.-мат. наук,&nbsp;ассоциированный профессор</p>d.nurseitov@kmge.kzhttps://orcid.org/0000-0003-1073-4254КМГ ИнжинирингSatbayev University120720246225380502202412062024Copyright © 2024, Әбдіманап Ғ.С., Бостанбеков К.А., Алимова А.Н., Салиев Н.Б., Нурсеитов Д.Б.2024<p><strong>Обоснование.</strong> Литология изучает геологические породы и их характеристики, имеет важное значение в геологии и в нефтегазовой промышленности. Основными задачами литологии являются классификация горных пород, определение их происхождения, а также изучение условий их образования и изменения со временем. Литологические исследования керна проводятся различными методами – как традиционными (например, визуальное исследование образцов горных пород или микроскопический анализ шлифов), так и с использованием современных технологий. Традиционные методы изучения требуют высокой квалификации и опыта, и могут быть трудоёмкими, в особенности при визуальном анализе (описание кернового материала). Применение методов машинного обучения и автоматизированных технологий позволяет улучшить эффективность и точность анализа, сократить временные затраты и обеспечить быстрый доступ к информации.</p> <p><strong>Цель.</strong> Целью работы является разработка модели кластеризации литотипов на изображениях керна, используя методы машинного обучения.</p> <p><strong>Материалы и методы.</strong> В статье рассматривается алгоритм кластеризации литотипов методом K-Means в сочетании со свёрточными нейронными сетями VGG16, VGG19 и ResNet50 для выявления ключевых признаков (сходства и различий, определяемых по фото).</p> <p><strong>Результаты.</strong> Был разработан алгоритм кластеризации литотипов с помощью метода K-Means и свёрточных нейронных сетей. Определены преимущества и ограничения алгоритма при работе с изображениями кернов. Представлены результаты экспериментов, проведённых на реальном наборе данных.</p> <p><strong>Заключение.</strong> Результаты исследования предоставляют важные практические выводы, которые могут быть полезны в геологических исследованиях и в применении методов глубокого обучения для анализа керна. Дальнейшие исследования могут углубить анализ других моделей и методов машинного обучения, а также расширить область применения данного подхода в геологии.</p>lithologycore analysisclustering lithologymachine learningconvolutional neural networksлитологиякернді зерттеулитологияны кластерлеумашиналық оқытутүйіндемелі нейрондық желілерлитологияисследование кернакластеризация литологиимашинное обучениесвёрточные нейронные сети1.Gandhi SM, Sarkar BC. Essentials of mineral exploration and evaluation. Elsevier; 2016. 410 p.2.Corina AN, Hovda S. Automatic lithology prediction from well logging using kernel density estimation. Journal of Petroleum Science and Engineering. 2018;170:664–674. doi:10.1016/j.petrol.2018.06.012.3.He J, La Croix AD, Wang J, et al. Using neural networks and the Markov Chain approach for facies analysis and prediction from well logs in the Precipice Sandstone and Evergreen Formation, Surat Basin, Australia. Marine and Petroleum Geology. 2019;101:410–427. doi:10.1016/j.marpetgeo.2018.12.022.4.Zhang P, Sun J, Jiang Y, Gao JS. Deep learning method for lithology identification from borehole images. 79th EAGE conference and exhibition; 2017 Jun; Paris, France. Available from: https://www.earthdoc.org/content/papers/10.3997/2214-4609.201700945.5.Caja MA, Pena AC, Campos JR, et al. Image processing and machine learning applied to lithology identification, classification and quantification of thin section cutting samples. SPE Annual technical conference and exhibition; 2019 Sept 30 – Oct 2; Calgary, Alberta, Canada. Available from: https://onepetro.org/SPEATCE/proceedings-abstract/19ATCE/2-19ATCE/D022S083R001/217751.6.Wang J, Yang Y, Mao J, et al. CNN-RNN: A unified framework for multi-label image classification. 2016 IEEE conference on computer vision and pattern recognition (CVPR); 2016 Dec 12; Las Vegas, USA. Available from: https://ieeexplore.ieee.org/document/7780620.7.Abdallah A, Berendeyev A, Nuradin I, Nurseitov D. TNCR: Table net detection and classification dataset. Neurocomputing. 2022;473:79–97. doi:10.1016/j.neucom.2021.11.101.8.Nurseitov D, Bostanbekov K, Kurmankhojayev D, et al. Handwritten Kazakh and Russian (HKR) database for text recognition. Multimedia tools and applications. 2021;80(21): 33075–33097. doi:10.1007/s11042-021-11399-6.9.Nurseitov D., Bostanbekov K., Kanatov M., et al. Classification of handwritten names of cities and handwritten text recognition using various Deep learning models. Advances in science, technology and engineering systems journal. 2020;5(5):934–943. doi:10.25046/aj0505114.10.Goodfellow I, Bengio Y, Courville A. Deep learning. Cambridge : MIT Press; 2016. 801 p.11.LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521:436–444. doi:10.1038/nature14539.12.Steinhaus H. Sur la division des corps materiels en parties. Bulletin Lacademie Polonaise des Science. 1957;4:801-804.13.scikit-learn.ru/clustering [Internet]. Scikit-learn developers (BSD License) [cited 20.12.2023]. Available from: https://scikit-learn.ru/clustering/.14.Dutta A, Zisserman A. The Via Annotation software for images, audio and video. 27th ACM international conference on multimedia; 2019 Oct 21–25; Nice, France. Available from: https://dl.acm.org/doi/10.1145/3343031.3350535.15.Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. International Conference on Learning Representations. 2015. doi:10.48550/arXiv.1409.1556.16.Krizhevsky A, Sutskever I, Hinton G. ImageNet classification with deep convolutional neural networks. Communications of the ACM. 2017;60(6):84–90. doi:10.1145/3065386.