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.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах