Бурение скважины на даче для тебя непосильная задача? Доверь это нейросети

Добыча полезных ископаемых — одна из важнейших составляющих российской экономики. В ней занята куча людей, она приносит тонны денег казне, а заодно развивает и смежные отрасли. Иронично, что при этом добывающая промышленность до сих пор находится в плену стереотипов о суровых и бородатых геологах, которые чуть ли не голыми руками ищут по тайге заветную нефть допотопными средствами. А что, если мы скажем вам, что эта область вполне себе технологична, благодаря IT и нейронным сетям?

Легкая добыча нефти и дикие источники, фонтанирующие «черным золотом» — миф. Почти все залежи нефти и газа, которые можно было легко найти из-за небольшой глубины их залегания, уже давно разведаны.

Чем больше человечество находит нефти, тем геморройнее ему искать новую, потому что для разработки новых месторождений требуется нетривиальный подход в средствах и методах поиска. При этом искать ее нужно быстрее наскипидаренной молнии — ежегодно количество нефтепродуктов, которые пожирают всё новые и новые девайсы, лишь растет.

Значит, бородатых геологов с рюкзаками, тросточками, гитарами и дедушкиными бурами уже недостаточно, новые технологии необходимо использовать на полную катушку. Что, собственно, и происходит — машиностроение с завидным упорством и регулярностью совершенствует оборудование по извлечению нефти и газа из все более и более глубоких дыр в земле — временами глубоких настолько , что еще пятьдесят лет назад даже фантасты не могли представить, что нефтяники туда доберутся.

Но добыть нефть — это лишь меньшее из зол. Куда сложнее эту нефть отыскать, и здесь без новых технологий — в частности компьютера и машинного обучения — не обойтись.

«А что, если мы присобачим нейросетку к оборудованию, которое будет смотреть на картинки с дырами внутри земляной породы и думать за нас, где есть нефть, а где ее нет?», — подумали программисты из Московского технологического университета связи и информатики (МТУСИ). Что из этой затеи получилось — сейчас расскажем.

Как нейросеть может помочь искать нефть?

Для эффективной добычи энергоносителей нефтяникам нужно долго и упорно изучать структуру каменных пород на месторождениях. Делают они это с помощью петрографических исследований — разных экспериментов, опытов и наблюдений, в которых анализируются образцы горных пород и выясняется, из чего они состоят.

До недавних пор петрографией занимались «на глазок» — буквально брали участки горных пород и самостоятельно изучали их структуру при помощи микроскопов и других хитрых штук. Технический прогресс помог ученым фиксировать изображения рельефа, позволил еще больше увеличить размер картинки, но самую ответственную и нудную часть работы — разобраться, где на образце порода, а где всякие бесполезные дырки — геологам приходилось выполнять самим.

Думаю, не нужно объяснять, насколько это долго, утомительно, а иногда и ненадежно. Возможности нашего зрения, даже улучшенные микроскопами и дополненные фотками, не безграничны. Люди же склонны ошибаться, терять концентрацию, а иногда, в упор не видеть важных деталей после переутомления или банально из-за лени!

Хватит это терпеть — подумали наши программисты и решили, что самую трудоемкую и нудную работу вполне может исполнить и робот. Зачем заставлять человека морочиться со всеми этими закорючками и порами в геологических образцах, если вместо него анализом может заняться нейросеть? Тем более, так будет быстрее и точнее. Так и появилась идея создать особую нейросетку для лабораторных нужд геологов.

Учим нейросеть отличать горные породы друг от друга

Нейросеть, о которой мы сейчас расскажем, нацелена на так называемый image-анализ — изучение образцов изображений с целью обнаружения в них каких-то отличительных признаков.

Он проходит в несколько этапов:

• 1. Микрофотосъемка шлифов — здесь геологи собирают образцы горных пород для того, чтобы положить их на микроскоп и сфоткать в разрешении. Именно здесь нейросеть получает «сырые» данные, которые потом будет использовать для анализа.
• 2. Обработка изображения — тут с помощью графических редакторов изображение переделывают в понятный для нейросетки формат (увеличивается контрастность изображения, меняется цвет для более удобной классификации участков породы и т.д.)
• 3. Статистический анализ изображения — самый важный этап. Тут нейросетка должна изучить уже обработанное изображение, найти на нем все пористые участки и дать геологам информацию о том, где они расположены, какого эти дырки размера и т.д. По сути, ради него вся пляска с бубнами и затевалась.
• 4. Прогноз коллекторских свойств породы — больше задачка для человека, чем, собственно, для нейросетки. Надо сопоставить все полученные данные, чтобы понять, что это вообще за порода. В принципе, нейронка может помочь и тут, так как большой банк данных поможет ей вынести предварительный вердикт.

Ученым пришлось хорошенько подумать, как бы так настроить нейросеть, чтобы она максимально успешно проходила все необходимые этапы:

Вариантов было несколько: - Спектральный анализ - Увеличение контрастности - Глубокое обучение с использованием сверхточной нейросети

Первые два подхода оказались недостаточно эффективными, поэтому в конце концов программисты остановились на третьем.

Его суть довольно проста — ученые обучили нейросетку на много численных образцах, собрали полученный результат в своеобразный слоеный пирог, а затем начали гонять фотографии с реальными геологическими образцами через получившуюся программу.

Результатом этих разработок стала нейросеть, которая смогла самостоятельно разбивать изображение на две составные части - полости (void) и породу (stone), а также определять их границы и площадь по пикселям. Геморрой, который ранее преследовал геологов при ручном изучении пород, исчез, но на текущий момент нейросетка еще далека от совершенства.

Какие у этой разработки перспективы?

Ключевое преимущество новой технологии — облегчение труда геологов, занятых на нефтедобыче. Чем быстрее геологи смогут анализировать внушительные объемы данных, тем многочисленнее будут открытые месторождения, следовательно и качественной нефти будет добываться больше.

При этом принципы, заложенные в эту геологическую нейросетку, могут пригодиться не только для анализа камней, но и в принципе любых объектов с неоднородной структурой. Подобные технологии уже активно применяются в медицине, и темпы разработок новых крутых нейросетей с каждым годом набирают всё большие обороты.

Одно можно сказать уже сейчас — продолжающиеся развитие IT облегчает жизнь работников из самых разных сфер, а также расширяет их профессиональные возможности. Это ли не здорово?