Методы и модели глубокого обучения для построения и обработки цифровых двойников керна

Целью работы является разработка методов глубокого обучения для создания цифровых двойников керна с целью анализа структуры горных пород. Объектом исследования служат цифровые образцы керна нефтегазовых коллекторов, полученные с помощью рентгеновской микрокомпьютерной томографии. Предложенные методы включают глубокие нейронные сети для реконструкции изображений, сегментации и восстановления утраченных областей керна, а также регуляризацию сбросом весов для улучшения качества моделей, построенных на малых наборах данных. Актуальность исследования обусловлена необходимостью точной оценки петрофизических свойств горных пород, что способствует оптимизации разработки месторождений. Результаты включают: разработку метода интерполяции срезов керна, что позволяет восстанавливать пористую структуру, разработку эффективного метода фильтрации изображений цифрового керна, разработку нового метода регуляризации моделей глубокого обучения «сброс весов». Область применения охватывает анализ кернов в нефтегазовой отрасли, а также в любой сфере, требующей точного моделирования бинарной структуры пористых материалов. Теоретическое значение работы выражается в: создании модификации фильтра Перона и Малика, внедрении фильтра в архитектуры нейросетей; разработке метода регуляризации «сброс весов», превосходящего другие популярные методы, рассмотренные в работе, анализе связи метода сброса весов с феноменом «двойного спуска»; предложенном методе интерполяции утраченных областей керна в латентном пространстве вариационного автокодировщика. Практическое значение — разработка параллельных алгоритмов для предложенных методов, сокращающих время анализа и улучшающих качество получаемых данных для оценки петрофизических параметров пористой среды.