Los investigadores de Deepkapha AI proponen ‘VeerNet’, una nueva red de aprendizaje profundo basada en transformadores que utiliza procesos de autoatención para reconocer curvas distintas de una sola pista

El registro de pozos es el proceso de usar instrumentos de perforación para tomar medidas de varias calidades de roca a lo largo de un pozo en la tierra. La litología, la porosidad, el contenido de fluidos y la variación textural de la formación determinan las respuestas de los registros digitales. Los parámetros de registro de pozos generan grupos de litofacies y descriptores de propiedades de roca facies por facies. Antes de la introducción de las herramientas de registro digital, los datos de registro de pozos se dibujaban en formato de curva en el gráfico de parámetros. Los gráficos de parámetros de registro de pozos tienen varios inconvenientes, incluido su gran tamaño, abundante espacio de memoria e interferencia de las líneas de cuadrícula. Por lo tanto, es necesario traducir los gráficos de parámetros de registro de pozos a coordenadas XY, donde X representa los valores de los parámetros e Y los valores de profundidad.

Los registros ráster son archivos de imagen creados al escanear registros en papel. Guardar datos de registros de pozos como imágenes de trama calibradas en profundidad es una alternativa rentable a los formatos digitales para preservar esta información esencial. Aunque los registros de pozos con imágenes de trama se eliminan con frecuencia después de la vectorización, pueden ser la clave para un diseño legible por computadora en todo el mundo para los datos impresos heredados. Estos datos heredados se mantienen en muchos medios y brindan información para varios propósitos, incluida la protección ambiental, la gestión del agua, los estudios del cambio global, la investigación primaria y aplicada, y la explotación y el desarrollo de recursos.

Los geólogos y los ingenieros de yacimientos, por ejemplo, devuelven y analizan estos registros ráster manualmente o mediante soluciones de software que requieren una cantidad significativa de participación humana. Además de desperdiciar miles de horas-persona, el método actual es incorrecto y requiere mucho tiempo. Para digitalizar estos registros ráster y usarlos de manera eficiente en análisis convencionales y no convencionales, se debe comprar un digitalizador costoso, que es una tarea manual que requiere mucho tiempo. También hay una deuda técnica oculta, ya que las empresas corren el riesgo de perder dinero en servicios adicionales y tarifas de consultoría. SCTR es la base del programa de digitalización de curvas de registro disponible comercialmente Neuralog. Sin embargo, este programa se detiene con frecuencia durante el seguimiento de la curva debido a la interferencia de la cuadrícula de fondo.

Se han creado muchos enfoques de visión por computadora no supervisados ​​para digitalizar los datos de registro incluidos en la imagen binaria. Hay dos formas de registrar bien la digitalización: métodos basados ​​en píxeles y métodos no basados ​​en píxeles. El procedimiento de adelgazamiento y el enfoque de vectorización de curva global son métodos basados ​​en píxeles. El sistema de adelgazamiento reduce el ancho de una línea a un píxel, dejando solo el esqueleto para representar sus propiedades. El proceso de adelgazamiento requiere mucho tiempo, pierde información sobre el ancho de línea y es propenso a distorsiones y bifurcaciones incorrectas en los cruces. El enfoque GCV es adecuado para el procesamiento de líneas, pero no tan bueno para el procesamiento de líneas de puntos. Los métodos no basados ​​en píxeles se clasifican ampliamente en dos tipos: basados ​​en contornos y basados ​​en gráficos de adyacencia.

La técnica basada en el contorno implica primero extraer el contorno de la imagen y localizar los pares de contorno coincidentes. La técnica de gráficos de adyacencia comienza codificando gráficos con codificación de longitud de ejecución, luego analiza los segmentos y construye diferentes estructuras de gráficos de adyacencia, como gráficos de adyacencia de líneas y gráficos de adyacencia de bloques, utilizando la metodología SCTR y la estructura de datos LAG. Yang mejoró el enfoque SCTR y propuso el método PCTR. Basándose en BAG, Yuan y Yang idearon un plan para eliminar las líneas de cuadrícula y restaurar los trazos en la escritura china. Sin embargo, tales enfoques son difíciles de aplicar cuando se trata de escenarios complicados en gráficos de parámetros de registro de pozos, particularmente análisis de nodos. Yuan y Yang emplearon procesamiento de imágenes morfológicas y estadísticas de píxeles para aislar las curvas y las líneas de cuadrícula.

Las líneas de cuadrícula restantes y los puntos de ruido se borran luego en función del tamaño modesto de sus componentes relacionados. Sin embargo, todas las técnicas actuales necesitan participación manual, lo que no es lo ideal, especialmente cuando los registros en papel tienen más de 10 MB. Esta investigación de Deepkapha.ai e investigadores del IIT Kharagpur proponen VeerNet, una nueva red de aprendizaje profundo basada en transformadores que utiliza procesos de autoatención para reconocer distintas curvas de una sola pista. El diseño simple de los transformadores permite procesar varias modalidades utilizando bloques de procesamiento comparables.

Los transformadores escalan bien a redes neuronales profundas a gran escala y conjuntos de datos masivos. Estas ventajas han dado como resultado un progreso impresionante en varias tareas de visión que emplean redes de transformadores Khan et al. Entrenan su modelo en registros raster sintéticos y reales. VeerNet se desempeña con una precisión de 0,94, 0,48 y 0,39 en el modelo de multisegmentación de digitalización de una pista con tres curvas. La precisión de VeerNet entrenada con datos precisos es de 0,6 para tres curvas.

Finalmente, su enfoque propuesto para digitalizar imágenes rasterizadas de registros de pozos es más simple y requiere menos participación manual que las soluciones anteriores. La solución también es rápida y escalable. Han desarrollado VeerNet, una red de aprendizaje profundo que puede reconocer de manera efectiva las curvas de registros de pozos y alcanzar una precisión de clasificación de más del 35 %. El modelo puede distinguir con precisión las curvas de registros de pozos de la cuadrícula de fondo, lo que mejora las tecnologías anteriores.

This Article is written as a research summary article by Marktechpost Staff based on the research paper 'Digitization of Raster Logs: A Deep Learning Approach'. All Credit For This Research Goes To Researchers on This Project. Check out the paper.
Please Don't Forget To Join Our ML Subreddit


Aneesh Tickoo es pasante de consultoría en MarktechPost. Actualmente está cursando su licenciatura en Ciencias de la Información e Inteligencia Artificial en el Instituto Indio de Tecnología (IIT), Bhilai. Pasa la mayor parte de su tiempo trabajando en proyectos destinados a aprovechar el poder del aprendizaje automático. Su interés de investigación es el procesamiento de imágenes y le apasiona crear soluciones a su alrededor. Le encanta conectar con la gente y colaborar en proyectos interesantes.


Fuente del artículo

Deja un comentario