Гибридный алгоритм определения нефтенасыщенности керна по макрофотографиям пород в дневном и ультрафиолетовом свете

Abstract

Актуальность. Анализ керна - это основа для изучения нефтегазовых пластов. Но обычные способы исследования керна, особенно оценка нефтенасыщенности по УФ-свечению, очень трудозатратны, зависят от человека и не имеют четких правил. Данных с месторождений становится все больше, что усугубляет ситуацию. Поэтому нужны автоматические, объективные и масштабируемые методы. Цель. Разработка гибридного алгоритма определения нефтенасыщенности керна по макрофотографиям пород в дневном и ультрафиолетовом свете и его программная реализация. Методы. Обработки изображений, компьютерного зрения и глубокого обучения. Для классификации УФ-свечения была предложена мультимодальная модель на основе ResNet-34. Она обрабатывает сразу шесть каналов: RGB обычного света + RGB УФ-света. Программная реализация выполнена в виде интеллектуальной информационной системы на основе микросервисной архитектуры. Результаты. Разработан алгоритм классификации УФ-свечения, который показал точность 90 % для типа свечения и 80 % для его интенсивности. Разработана интеллектуальная информационная система, которая реализует полученный гибридный алгоритм, обрабатывает большие фото (4000×4000 пикселей) и сокращает место для хранения на 20-40 %, потому что хранит только нужные сегментированные части изображений. Выводы. Использованный подход, объединяющий анализ разных типов изображений и гибкую систему на микросервисах, является перспективным. Он не только автоматизирует и делает объективной оценку нефтенасыщенности, но и создает основу для будущих разработок в цифровой петрофизике. Решение помогает точнее определять насыщенность, быстрее анализировать данные и экономить место для хранения, что имеет высокую практическую значимость для нефтегазовой отраслиAbstract. Relevance. Core sample analysis is fundamental for studying oil and gas reservoirs. However, conventional core investigation methods - especially UV fluorescence-based oil saturation assessment - are highly labor-intensive, humandependent, and has no clear guidelines. Increasing volumes of field data exacerbate this issue, necessitating automated, objecttive, and scalable solutions. Aim. To develop a hybrid algorithm for determining core oil saturation using macro-photographs of rocks in daylight and ultraviolet light, along with its software implementation. Methods. Image processing, computer vision, and deep learning methods. For UV fluorescence classification, we proposed a multimodal model based on ResNet-34. It processes six channels simultaneously: RGB daylight + RGB UV light. The software was implemented as an intelligent information system using a microservice architecture. Results. We developed a UV fluorescence classification algorithm achieving 90% accuracy in identifying fluorescence type and 80% accuracy in intensity assessment. The implemented intelligent information system processes high-resolution images (4000×4000 px) and reduces storage requirements by 20-40% by retaining only essential segmented image parts. Conclusions. The combined approach - integrating multi-image analysis and flexible microservices - appears promising. It not only automates and objectifies oil saturation assessment but also establishes a foundation for future digital petrophysics research. This solution enables more accurate saturation determination, faster data analysis, and optimized storage, which could benefit the oil and gas industry