Поиск по подобию зон трещиноватостей в базах данных сейсморазведочной информации на основе метода решения вариационной задачи ICP в замкнутой форме и инвертированного индекса

Обложка

Цитировать

Полный текст

Аннотация

В работе предложены методы для быстрого поиска зон трещиноватостей в базах данных сейсморазведки на двух типах данных: сейсмический разрез (двумерные данные) и сейсмический куб (трехмерные данные). Данные методы являются составной частью технологии картографирования фильтрующих каналов и больших объемов сейсмических данных и полезны для автоматизации процесса интерпретации разнородных сейсмических данных. Предложенные в работе методы поиска по подобию зон трещиноватостей были исследованы с использованием эталонного набора данных Open Seismic Repository, который содержит информацию о геологических породах в районе акватории Северного моря, и сравнены с другими известными методами решения задачи, полученные результаты были обсуждены в статье.

Об авторах

Александр Владиславович Вохминцев

ФГБОУ ВО «Челябинский государственный университет»

Автор, ответственный за переписку.
Email: vav@csu.ru

доктор технических наук, заведующий научно-исследовательской лабораторией «Интеллектуальные информационные технологии и системы»

Россия, Челябинск

Дмитрий Сергеевич Ботов

ФГБОУ ВО «Челябинский государственный университет»

Email: dmbotov@gmail.com

кандидат технических наук, доцент Института информационных технологий

Россия, Челябинск

Юлия Владимировна Петриченко

ФГБОУ ВО «Челябинский государственный университет»

Email: iit@csu.ru

кандидат экономических наук, директор института информационных технологий

Россия, Челябинск

Список литературы

  1. Глухманчук, Е. Д. Межслоевой сдвиг в породах баженовской свиты как региональный фактор внутриформационного разрывообразования / Е. Д. Глухманчук, В. В. Крупицкий, А. В. Леонтьевский. – Текст : непосредственный // Недропользование XXI век. – 2014. – № 5 (49). – C. 24−26.
  2. Глухманчук, Е. Д. Характеристика зон трещиноватости по неоднородности структуры поля деформаций отражающих горизонтов / Е. Д. Глухманчук. – Текст : непосредственный // Геология и геофизика. – 2013. – Т. 54, № 1. – С. 106−112.
  3. Мельниченко, А. Методы поиска изображений по визуальному подобию и детекции нечетких дубликатов изображений / А. Мельниченко, А. Гончаров. – Текст : непосредственный // ЛММИИ на РОМИП-2009 : труды РОМИП (Петрозаводск, сентябрь 2009). – Санкт-Петербург : НУ ЦСИ, 2009. – С. 108–121.
  4. Matching and retrieval based on the vocabulary and grammar of color patterns / R. Mojsilović, J. Kovačević, J. Hu [et al.] // IEEE Transactions on Image Processing. – 2000. – Vol. 9. – P. 38–54.
  5. Lowe, D. G. Distinctive image features from scale-invariant keypoints / D. G. Lowe // Inter-national journal of computer vision. – 2004. – Vol. 60 (2). – P. 91–110.
  6. Tamura, H. Textural features corresponding to visual perception / H. Tamura, S. Mori, T. Yamawaki // IEEE Transactions on. Systems, Man and Cybernetics. – 1978. – Vol. 8 (6). – P. 460–473.
  7. Murala, S. Color and texture features for image indexing and retrieval / S. Murala, A. B. Gonde, R. P., Maheshwari // Proceedings of the IEEE International Advance Computing Conference Advance Computing Conference, IACC (Patiala, India, March 2009). – 2009. – P. 1411–1416.
  8. Face recognition based on matching algorithm with recursive calculation of local oriented gradient histogram / A. V. Vokhmintcev, I. V. Sochenkov, V. V. Kuznetsov, D. V. Tikhonkikh // Doklady Mathematics. –2016. – Vol. 466 (3). – P. 453–459.
  9. Charles, R. PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation / R. Charles, Qi H. S., M. Kaichun // Arxiv. – 2016. – URL: https://arxiv.org/pdf/1612.00593.pdf (date of application: 15.01.2022).
  10. Komarichev, A. A-CNN: Annularly Convolutional Neural Networks on Point Clouds / A. Komarichev, Z. Zhong, J. Hua // Arxiv. – 2019. – URL: https://arxiv.org/pdf/1904.08017.pdf (date of application: 15.01.2022).
  11. Smith, E. J. GEOMetrics: Exploiting Geometric Structure for Graph-Encoded Objects / E. J. Smith, S. Fujimoto, A. // Arxiv. – 2019. – URL: https://arxiv.org/pdf/1901.11461.pdf (date of application: 15.01.2022).
  12. PyTorch-BigGraph: A Large-scale Graph Embedding System / A. Lerer, L. Wu, J. Shen [et al.] // Proceedings of The Conference on Systems and Machine Learning. – 2019. – URL: https://arxiv.org/pdf/1903.12287.pdf (date of application: 15.01.2022).
  13. Zhou, Y. End-to-end learning for point cloud based 3d object detection / Y. Zhou, O. Tuzel Voxelnet // IEEE/CVF Conference on Computer Vision and Pattern Recognition. – 2018. – P. 4490–4499.
  14. . Riegler, G. OctNet: Learning Deep 3D Representations at High Resolutions / G. Riegler, A. O.man Ulusoy, A. Geier // Proceedings of the IEEE Conference on Computer Vision and Pat-tern Recognition. – 2017. – P. 3577–3586.
  15. Wang, P.-S. O-CNN: A Patch-based Deep Representation of 3D Shapes / P.-S. Wang, C.-Y. Sun, Y. Liu // ACM Transactions on Graphics. – 2018. – URL: https://arxiv.org/pdf/1809.07917.pdf (date of application: 15.01.2022).
  16. Brock, A. Generative and Discriminative Voxel Modeling with Convolutional Neural Net-works / A. Brock, T. Lim, J. M. Ritchie // Arxiv. – 2016. – URL: https://arxiv.org/pdf/1608.04236.pdf (date of application: 15.01.2022).
  17. Besl, P. A method for registration of 3-D shapes / P. Besl, N. McKay // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1992. – Vol. 14 (2). – P. 239–245.
  18. Stricker, M. A. Color indexing with weak spatial constraints / M. A. Stricker, A. Dimai // Proceedings of the SPIE Electronic Imaging: Science and Technology: Storage and Retrieval for Still Image and Video Databases IV (San Jose, USA, February 1996). – 1996. – Vol. 2670. – P. 29–40.
  19. Content-based query of image databases, inspirations from text retrieval: inverted files, frequency-based weights and relevance feedback / D. M. Squire, W. Müller, H. Müller, J. Raki // In Pattern Recognition Letters. –1999. – P. 143–149.
  20. Вохминцев, А. В. Комбинированные методы навигации и составления карты на основе решения вариационной задачи точка-плоскость ICP для аффинных преобразований в трехмерном пространстве / А. В. Вохминцев, А. В. Мельников, C. В. Пачганов. – Текст : непосредственный // Информатика и ее применения. – 2020. – Т. 14 (1). – С. 101–112.
  21. Netherlands Dataset: A New Public Dataset for Machine Learning in Seismic Interpretation / R.-M. Silva, L. Baroni, D. S. Civitarese [et al.] // ResearchGate. – URL: https://www.researchgate.net/publication/332139063] (date of application: 02.04.2021).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Югорский государственный университет, 2022

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-ShareAlike 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».