Дипломная работа на тему "ТЮМГУ | Оптимизация обработки томографии образцов керна с использованием методов глубокого обучения"

Работа на тему: Оптимизация обработки томографии образцов керна с использованием методов глубокого обучения
Оценка: хорошо.
Оригинальность работы на момент публикации 50+% на антиплагиат.ру.
Ниже прилагаю все данные для покупки.
https://studentu24.ru/list/suppliers/Anastasiya1---1326

Описание работы

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное образовательное учреждение высшего образования
«ТЮМЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»
ФИЗИКО-ТЕХНИЧЕСКИЙ ИНСТИТУТ
Кафедра моделирования физических процессов и систем .

РЕКОМЕНДОВАНО К ЗАЩИТЕ В ГЭК
Заведующий кафедрой к.ф.-м

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
бакалаврская работа

ОПТИМИЗАЦИЯ ОБРАБОТКИ ТОМОГРАФИИ ОБРАЗЦОВ КЕРНА С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ГЛУБОКОГО ОБУЧЕНИЯ
03.03.02 Физика
Профиль «Фундаментальная физика»

Тюмень 2023

ОГЛАВЛЕНИЕ
СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ 3
ВВЕДЕНИЕ 4
1.1. ПОРИСТОСТЬ ГОРНЫХ ПОРОД 5
1.2. МЕТОДЫ ОПРЕДЕЛЕНИЯ ПОРИСТОСТИ ГОРНЫХ ПОРОД 6
1.3. ОПРЕДЕЛЕНИЕ ОТКРЫТОЙ ПОРИСТОСТИ ОБРАЗЦА ПЕСЧАНИКА ЛАБОРАТОРНЫМИ МЕТОДАМИ 14
1.4. КОМПЬЮТЕРНАЯ ТОМОГРАФИЯ КЕРНА 19
1.5. СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЙ 20
1.6. ВОЗМОЖНОСТИ ГЛУБОКОГО ОБУЧЕНИЯ И ИСПОЛЬЗУЕМЫЕ АРХИТЕКТУРЫ 23
1.7. ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ DRAGONFLY 27
1.8. ОПРЕДЕЛЕНИЕ ПОРИСТОСТИ ПРИ ПОМОЩИ DRAGONFLY 28
ЗАКЛЮЧЕНИЕ 36
СПИСОК ЛИТЕРАТУРЫ 38

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ
ФЕС- Фильтрационно-емкостные свойства КИН- Коэффициент извлечения нефти
КТ-Компьютерная томография
КТ-Керн-цифровая модель образца керна УВ-Углеводороды
Стек — это серия изображений, полученных с помощью томографического сканирования.

ВВЕДЕНИЕ
Традиционно ФЕС определяют при помощи стандартных лабораторных исследований. Однако, данные методы не лишены недостатков, например, не учитывается структура порового пространства, возможно разрушение образцов керна, а также комплекс работ занимает достаточно длительное время. Кроме того, классический комплекс не представляет достаточной информации для создания цифровой модели образца. В конечном счете это сказывается на точности и достоверности определенных параметров, что приводит к неправильной оценке запасов нефти, ошибкам в разработке месторождения и снижению КИН.
Для более качественной оценки ФЕС и получения полного представления о керне используют методы компьютерной томографии, интерпретация которой в основном выполняется “вручную” и достаточно сложна. Современное решение включает в себя внедрение методов глубокого обучения, что позволяет повысить скорость и точность обработки данных.
Улучшение алгоритмов обработки томографии образцов керна для создания цифровых двойников образцов и оптимизация сегментации изображений при помощи методов глубокого обучения, позволяет более точно и быстро описать структуру порового пространства, выделить особенности и уточнить ФЕС.
Цель: Создание методики для анализа кернового материала при помощи рентгеновской томографии с использованием методов глубокого обучения (Deep learning) и сравнение со стандартными экспериментальными лабораторными методами анализа.
Задачи:
1) Обработка результатов лабораторных исследований образцов керна по определению пористости методом насыщения жидкостью и методом в основанни которого лежит закон Бойля-Мариотта.
2) Освоение и оптимизация алгоритмов ПО для обработки полученных изображений при помощи рентгеновской томографии
3) Проведение сравнительного анализа экспериментальных данных и полученных с использованием методов глубокого обучения в ПО
Объект исследования – Песчаник Berea

СПИСОК ЛИТЕРАТУРЫ
1. М.К. Иванов, Г.А. Калмыков, В.С. Белохин, Д.В. Корост, Р.А. Хамидуллин. Петрофизические методы исследования кернового материала. Московский государственный университет им. М.В. Ломоносова, Геологический факультет 2008г. 113 с.
2. К. Макфи, Дж. Рид, И. Зубизаретта. Лабораторные исследования керна: Гид по лучшим практикам. Москва-Ижевск: Институт компьютерных исследований 2018г. 913 с.
3. Olaf Ronneberger, Philipp Fischer, Thomas Brox. U-Net: Сверточные сети для биомедицинских целей. Сегментация изображений. Факультет компьютерных наук и Центр изучения биологических сигналов BIOSS, Университет Фрайбурга, Германия. 2015г. 8 с.
4. Ozan Oktay, Jo Schlemper, Loic Le Folgoc, Matthew Lee, Mattias Heinrich, Kazunari Misawa, Kensaku Mori, Steven McDonagh, Nils Y. Hammerla, Bernhard Kainz, Ben Glocker, Daniel Rueckert. Узнаем, как найти поджелудочную железу. Имперский колледж Лондона, Лондон, Великобритания. Департамент медиа-наук, Университет Нагои и онкологический центр Айти, Япония. 2018г. 10 с.
5. Bee Lim, Sanghyun Son, Heewon Kim, Seungjun Nah, Kyoung Mu Lee. Усовершенствованные глубокие остаточные сети для сверхразрешения изображения. Сеульский национальный университет, 08826, Сеул, Корея. 2017г. 9 с.
6. Еременко Н., Муравьева Ю. Применение методов рентгеновской микротомографии для определения пористости в керне скважин. Нефтегазовая геология. Теория и практика. 2012г. 12 с.
7. Г.А. Доррер., М.С. Корюкин. Семантическая сегментация изображений с применением сверточных нейронных сетей. Семантическая сегментация изображений с применением сверточных нейронных сетей. 2017г. 3 с.
8. И.Н. Дычков. Сверточные нейронные сети. Тенденции развития науки и образования 2021г. 156 с.
9. И.В. Евсюткин., Н.Г. Марков. Глубокие искусственные нейронные сети для прогноза значений дебитов добывающих скважин. Известия Томского Политехнического Университета Инжиниринг георесурсов. 2020г. С. 88-94
10. А. В. Нартова, М. Ю. Машуков, А. Г. Окунев, Глубокое машинное обучение для анализа микроскопических изображений функциональных материалов. 2022г. С. 25
11. Артемов Н., Шкловер В., Загвоздин В., Хаханов С. Комплексные исследования фильтрационно-емкостных свойств, микроструктуры и состава образцов нетрадиционных пород-коллекторов с использованием технологии «цифровой керн». Тюмень 2015 - Глубокие недра и горизонты науки. 2015г. С. 1-5
12. Геологика. Паспорт. Порозиметр газоволюметрический ПИК-П. Новосибирск, 2022г. 20с.