ESTIMATION OF THE DEGREE OF RECRYSTALLISATION OF CARBONATES BASED ON MACHINE LEARNING USING THIN SECTIONS

Cover Page

Cite item

Full Text

Abstract

Recrystallisation processes in carbonates can affect the chemical and isotopic composition, the preservation of organic matter and fossils, change the filtration-capacity properties of the rock. Consideration of these processes seems to be critical for correct interpretation of the results of a wide range of analytical studies. On the basis of computer vision and machine learning technology the models for qualitative and quantitative express estimation of the degree of recrystallisation of sedimentary carbonate rocks are developed on the basis of thin-section images. The models have been trained on the basis of 300 images and 45000 fragments of thin-section images. The achieved accuracy of the models exceeds 90 %. The results of application of models and software based on them can be used for comparison of geochemical and isotopic information, as well as for express selection of the least recrystallised samples for analytical studies.

About the authors

Andrey Vladimirovich Zhuravlev

FSBI FIC "Komi Scientific Center of the Ural Branch of the Russian Academy of Sciences"

candidate of geological and mineralogical sciences

References

  1. Вевель Я. А., Груздев Д. А., Журавлев А. В. Фораминиферы и конодонты мелководных отложений раннесерпуховского возраста в разрезе на р. Каменка (Юг Печоро-Кожвинского мегавала) // Труды Института геологии Коми научного центра УрО Российской академии наук. 2017. Вып. 130. С. 14—23.
  2. Виноградов В. И. Отражение глобальных изменений природной среды в изотопных характеристиках осадочных пород // Биосфера—экосистема—биота в прошлом Земли: палеобиогеографические аспекты: К 100-летию со дня рождения академика В. В. Меннера: Труды Геологического института РАН. 2005. Вып. 516. С. 433—466.
  3. Гмид Л. П. Литологические аспекты изучения карбонатных пород-коллекторов // Нефтегазовая геология. Теория и практика. 2006. № 1. URL: https://www.ngtp.ru/rub/8/07.pdf
  4. Григорьев Д. П., Жабин А. Г. Онтогения минералов. М.: Наука, 1975. 339 с.
  5. Журавлев А. В., Вевель Я. А., Груздев Д. А. Серпуховская изотопная аномалия по неорганическому углероду: вероятные причины и перспективы использования в стратиграфии Тимано-Печорской нефтегазоносной провинции // Нефтегазовая геология. Теория и практика. 2025. Т. 20. № 1. URL: https://www.ngtp.ru/rub/2025/6 _2025.html
  6. Логвиненко Н., В., Сергеева Э. И. Методы определения осадочных пород: Учеб. пос. для вузов. Л.: Недра, 1986. 240 с.
  7. Систематика и классификации осадочных пород и их аналогов / В. Н. Шванов, В. Т. Фролов, Э. И. Сергеева и др. СПб.: Недра, 1998. 352 с.
  8. Brand U., Veizer J. Chemical diagenesis of a multicomponent carbonate system — 1: trace elements // Journal of sedimentary petrology. 1980. 50(4). P. 1219—1236.
  9. Flügel E. Microfacies of Carbonate Rocks. Analysis, Interpretation and Application. Heidelberg-Dordrecht-London-New York: Springer, 2010. 984 p. doi: 10.1007/978-3-642-03796-2_7
  10. Gröcke D. R. Chapter 1. Carbon isotope stratigraphy: Principles and applications. Stratigraphy and Timescales 5. Cambridge: Academic Press, 2020. P. 1—40. doi: 10.1016/bs.sats.2020.08.002
  11. Hammer Ø., Harper D. A. T., Ryan P. D. PAST: Paleontological statistics software package for education and data analysis // Palaeontologia Electronica. 2001. 4(1). URL: http://palaeo-electronica.org/2001_1/past/issue1_01.htm
  12. Koeshidayatullah A., Morsilli M., Lehrmann D. J., Al-Ramadan K., Payne J. L. Fully automated carbonate petrography using deep convolutional neural networks // Marine and Petroleum Geology. 2020. 122. 104687. doi: 10.1016/j.marpetgeo.2020.104687.
  13. Mathieu L. Quantifying Hydrothermal Alteration: A Review of Methods // Geosciences. 2018. 8(245). doi: 10.3390/geosciences8070245
  14. Swart P. K. The geochemistry of carbonate diagenesis: The past, present and future // Sedimentology. 2015. 62. P. 1233—1304. doi: 10.1111/sed.12205
  15. Wang H., Cao W., Zhou Y., Yu P., Yang W. Multitarget Intelligent Recognition of Petrographic Thin Section Images Based on Faster RCNN // Minerals. 2023. 13. 872. doi: 10.3390/min13070872
  16. Zhuravlev A. V., Vevel Y. A., Gruzdev D. A., Erofeevsky A. V. Late Mississippian (early Serpukhovian) carbon isotope record of northern Laurussia: A proposal for the Viséan/Serpukhovian boundary // Revista Mexicana de Ciencias Geológicas. 2023. 40(1). P. 35—43. doi: 10.22201/cgeo.20072902e.2023.1.1722.

Supplementary files

Supplementary Files
Action
1. JATS XML

Copyright (c) 2025 Zhuravlev A.V.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).