Grain-e
Digitaler Zwilling der Bohrlochgeologie Digitalisierung der Sedimentbeschreibung mit KI: Von Kornbildern zu Reservoir-Einblicken Unser Team hat einen leistungsstarken neuen Ansatz entwickelt, der maschinelles Lernen nutzt, um die Interaktion von Geologen mit Bohrkleinproben zu transformieren. Durch die Kombination von hochauflösenden Bildern, künstlicher Intelligenz und interaktiven Filterwerkzeugen machen wir es möglich, Tausende von einzelnen Körnern in jeder Bohrkleinprobe automatisch und genau zu messen und detaillierte sedimentologische Daten in einem Bruchteil der Zeit zu liefern. Von Bohrklein zu sauberen Daten Um konsistente Daten zu erstellen, werden Proben mit dem proprietären Ansatz von Rockwash Geodata verarbeitet. Die Proben durchlaufen einen vollautomatischen Waschprozess. Jede Probe wird unter kontrollierter Beleuchtung fotografiert. Jedes Bild erfasst feine Details eines 43 mm x 28 mm großen Bereichs in extrem hoher Auflösung (4000 x 6000 Pixel). Intelligente Kornsegmentierung (KI) Der eigentliche Durchbruch liegt in dem, was als nächstes passiert. Mit einem proprietär trainierten Segmentierungsmodell segmentieren wir das Bild, indem wir einzelne Körner identifizieren und umreißen. Dies gibt uns eine digitale Karte der Körner in jeder Probe. Wir berechnen dann Eigenschaften wie Korngröße, Rundheit, Sphärizität und Durchschnittsfarbe für jedes Korn. Der Prozess ist jedoch nicht perfekt. Manchmal verwechselt das Modell ein Stück Schiefer oder Farbe mit einem Korn oder kombiniert mehrere Körner zu einem. Deshalb haben wir ein interaktives Filtersystem entwickelt, das Geologen ermöglicht, die Ausgabe zu überprüfen und zu verfeinern. Mit Schiebereglern und visuellen Werkzeugen können Benutzer Körner basierend auf Farbe, Größe, Form, Helligkeit und ob das Korn im Vordergrund deutlich sichtbar ist, herausfiltern. Dies stellt sicher, dass nur repräsentative Körner in die endgültigen Datensätze aufgenommen werden. Sedimentäre Statistiken Die Fähigkeit, Korngröße, Sortierung, Sphärizität und andere Eigenschaften von Tausenden von Körnern zu erhalten, ermöglicht einen umfangreichen Datensatz, um die Sedimentologie zu verstehen. Mit der Möglichkeit, Schieferkontamination, Bohrklein, Bohrzusätze und teilweise verdeckte Hintergrundkörner herauszufiltern, ermöglicht dies saubere, hochzuverlässige sedimentologische Informationen selbst in stark kontaminierten Proben. Geomechanik (Porendruckmodul) Ein spannendes Merkmal ist die Fähigkeit, "splittrige" Bohrklein zu identifizieren – längliche Fragmente, die auf Zonen mit hohem Porendruck im Untergrund hinweisen können. Diese Merkmale treten häufig in überdruckten Formationen auf, in denen das Gestein aufgrund eines höheren Porendrucks als dem Bohrspülungsgewicht bricht. Das automatische Erkennen und Quantifizieren dieser Merkmale identifiziert Frühwarnzeichen für Bohrgefahren und informiert geomechanische Modelle in benachbarten Bohrlöchern. Stratigraphische Unterteilung Mit der Fähigkeit, Farben aus jedem Korn zu extrahieren, können wir dank der hochwertigen, konsistenten Beleuchtung stratigraphische Logs basierend auf der Massenfarbe (Mehrheit der Körner) und der Spurfarbe (wenige oder einzelne Vorkommen von Körnern in einer Probe) erstellen. Diese Farblogbücher können subtile Veränderungen in der Massen- oder Spurmineralogie aufdecken, die mit Herkunft und Ablagerungsumgebungen zusammenhängen. Warum es wichtig ist Dieser Ansatz hat mehrere große Vorteile. Erstens schafft er eine konsistente, wiederholbare Methode zur Beschreibung von Sedimenten. Egal, ob Sie an einem einzelnen Bohrloch arbeiten oder Daten über ein Becken hinweg vergleichen, die Messungen sind objektiv und datengetrieben. Zweitens beschleunigt er die Analyse erheblich. Anstatt Farben und Zusammensetzungen unter dem Mikroskop zu schätzen, analysiert das System Tausende von Körnern in jeder Probe, mit Hunderten von Proben in einem Bohrloch. Drittens eröffnet er neue Datentypen, die zuvor schwer in großem Maßstab zu erfassen waren. Eigenschaften wie Sphärizität, Spurfarbe oder das Vorhandensein von splittrigen Bohrklein können jetzt quantitativ und konsistent erfasst werden. Anwendungen Reservoircharakterisierung: Detaillierte Korneigenschaften helfen bei der Bewertung von Sortierung, Ablagerungsenergie und potenzieller Permeabilität. Bohrsicherheit: Die Erkennung von splittrigen Bohrklein kann die Echtzeitvorhersage des Porendrucks unterstützen. Stratigraphie und Korrelation: Farblogbücher und Kornstatistiken unterstützen die Korrelation zwischen Bohrlöchern und die Identifizierung subtiler lithologischer Veränderungen. Bohrklein-Digitalisierung: Mit einem wachsenden Trend zu digitalen Bohrlochdaten bietet diese Methode eine skalierbare Möglichkeit, physische Proben in großem Maßstab zu digitalisieren und alle Ihre Daten in Untergrundmodelle zu integrieren. Blick in die Zukunft Wir verfeinern das System und erweitern seine Fähigkeiten. Sprechen Sie mit uns über Ihre spezifischen Probleme und wir entwickeln die Werkzeuge, um die Statistiken zu extrahieren, die Sie am meisten benötigen!
Wenn Benutzer Grain-e Bewertungen hinterlassen, sammelt G2 auch häufig gestellte Fragen zur täglichen Nutzung von Grain-e. Diese Fragen werden dann von unserer Community von 850.000 Fachleuten beantwortet. Stellen Sie unten Ihre Frage und beteiligen Sie sich an der G2-Diskussion.
Nps Score
Haben Sie eine Softwarefrage?
Erhalten Sie Antworten von echten Nutzern und Experten
Diskussion starten