Аннотация:В данной работе сравниваются различные архитектуры сверточных нейронных сетей для задачи классификации образцов кернов коллекторов углеводородов на основе данных их томографии. Задача разработки подобного классификатора обусловлена потребностью в инструменте, способном разделять образцы коллекторов по их свойствам, которые определяются строением пустотного пространства и не только. При этом разумно предположить, что схожая геометрия пустотного пространства приводит к схожим петрофизическим свойствам.
В работе используются изображения двух типов песчаника в качестве образцов керна коллекторов. Из трехмерных массивов данных, полученных с помощью метода компьютерной томографии, были выделены трехмерные изображения размером 64x64x64 пикселя для создания обучающего и тестового набора данных для обучения и замера качества нейронной сети. В результате итоговая архитектура нейронной сети достигла качества 97.8% на тестовом наборе данных по метрике точности.
Также проводился вычислительный эксперимент с нейронной сетью с целью оценки влияния различных методов стохастической оптимизации на качество работы классификатора. При сравнении оптимизаторов Adam и RMSprop, сеть, обученная со вторым, показала лучшее качество и более быстрые темпы сходимости.
Все проведенные эксперименты были реализованы в виде комплекса программ на языке программирования Python и пакета для реализации нейронных сетей Keras.