BR112021008915A2 - método para analisar propriedades de formação geológica, sistema e meio legível por computador não transitório - Google Patents

Abstract

MÉTODO PARA ANALISAR PROPRIEDADES DE FORMAÇÃO GEOLÓGICA, SISTEMA E MEIO LEGÍVEL POR COMPUTADOR NÃO TRANSITÓRIO. Sistemas e métodos para determinar propriedades de formações subterrâneas circundando um furo de poço são fornecidos. Um método de exemplo pode incluir receber uma imagem de uma amostra de formação; particionar a imagem em uma pluralidade de fragmentos; detectar, por meio de um processador de extração semântica, texturas capturadas na pluralidade de fragmentos; associar as texturas a uma localização da imagem da amostra de formação; reduzir uma dimensão de representação das texturas para obter um ou mais vetores, o um ou mais vetores sendo baseados nas texturas; e fornecer uma pluralidade de curvas com base em um ou mais vetores.

Description

“MÉTODO PARA ANALISAR PROPRIEDADES DE FORMAÇÃO GEOLÓGICA, SISTEMA E MEIO LEGÍVEL POR COMPUTADOR NÃO TRANSITÓRIO”

[0001] Este pedido reivindica o benefício do Pedido Não Provisório U.S. 16 / 711.022, depositado em 11 de dezembro de 2019, que reivindica o benefício do Pedido Provisório U.S. 62 / 790.968, depositado em 10 de janeiro de 2019, que é aqui incorporado por referência na sua totalidade.

CAMPO

[0002] A presente tecnologia pertence à avaliação de formações subterrâneas. Em particular, a presente divulgação se refere a um sistema e método para avaliar várias propriedades de rocha e texturas de formações subterrâneas em torno de um furo de poço.

FUNDAMENTOS

[0003] Furos de poços, como aqueles usados na extração de petróleo e gás, são normalmente perfurados em uma formação geológica em uma zona considerada portadora de hidrocarbonetos. No entanto, o furo de poço normalmente passa por vários tipos de formação diferentes à medida que desce para a formação. A avaliação das formações de rocha ao redor do poço permite que os locais de extração mais eficazes sejam selecionados. Normalmente, as formações em torno do furo de poço são avaliadas usando de uma maneira distinta usando uma análise petrofísica de uma amostra de formação para identificar um tipo específico de tipo de rocha ou textura. Essas amostras de formação podem ser obtidas durante o processo de perfuração ou por meio do uso de ferramentas de cabo de aço. Especificamente, a amostra de formação geológica pode ser digitalizada e exibida como uma fotografia e, em seguida, seções da amostra de formação geológica podem ser classificadas qualitativamente por inspeção visual. Os resultados obtidos a partir da inspeção visual são de um valor distinto, como uma única textura / rocha tipo A, B ou C. O uso adicional dos valores distintos não pode ser usado em conjunto com outras informações / medições de furo de poço disponíveis, como densidade de rocha e resistividade elétrica.

BREVE DESCRIÇÃO DOS DESENHOS

[0004] A fim de descrever a maneira na qual as vantagens acima citadas e outras vantagens e características da invenção podem ser obtidas, uma descrição mais particular dos princípios brevemente descritos acima será fornecida por referência a modalidades específicas dos mesmos que são ilustradas nas figuras anexas. Com a compreensão de que esses desenhos representam apenas modalidades exemplificativas da divulgação e, portanto, não serão consideradas limitativas de seu escopo, os princípios aqui são descritos e explicados com especificidade e detalhes adicionais através do uso dos desenhos anexos, nos quais:

[0005] a FIG. 1A é um diagrama esquemático de um ambiente de perfuração exemplificativo compatível com os sistemas e métodos descritos neste documento; a FIG. 1B é um diagrama esquemático de um ambiente de furo de poço de transporte exemplificativo compatível com os sistemas e métodos descritos neste documento; a FIG. 1C é um diagrama esquemático de um sistema para recuperação de amostra de testemunho e análise de varredura 3D de uma amostra de rocha recuperada; a FIG. 2A ilustra uma imagem de exemplo de uma amostra de formação geológica tirada de um ambiente de furo de poço; a FIG. 2B ilustra a imagem de exemplo mostrada na FIG. 2A dividido em vários tipos de formação ou texturas diferentes; a FIG. 3 ilustra um exemplo de configuração de uma rede neural; a FIG. 4 ilustra um exemplo de uso de uma rede neural para realizar aprendizagem profunda; a FIG. 5 ilustra outro exemplo de uso de uma rede neural para extrair representações semânticas de texturas de uma imagem de exemplo de uma amostra de formação geológica; a FIG. 6 ilustra exemplos de representações semânticas de texturas extraídas de uma imagem de uma amostra de formação geológica que tem uma dimensão reduzida de representação plotada no espaço e fornecida em um gráfico; a FIG. 7A ilustra uma imagem de exemplo tendo múltiplos segmentos representando diferentes tipos de formação ou texturas e um conjunto de curvas representando texturas extraídas por uma rede neural e representadas adjacentes à imagem; a FIG. 7B ilustra a imagem e o conjunto de curvas mostrado na FIG. 7A onde o conjunto de curvas tem uma dimensão de representação de dois; a FIG. 8 é um fluxograma que ilustra um método para reunir dados de formação geológica;

a FIG. 9 é um fluxograma que ilustra uma análise de dados de informações geológicas de acordo com os métodos divulgados neste documento; a FIG. 10 ilustra um sistema de análise de amostra de formação geológica de exemplo que pode ser implementado para coletar varreduras de amostras de formação geológica, analisar as texturas de rocha das amostras de formação geológica para extrair representações semânticas de texturas e gerar uma curva que representa a textura de rocha para cada local dentro do furo de poço; a FIG. 11 ilustra um exemplo de fluxo para processar dados de imagem para identificar propriedades de formação de rocha e gerar curvas de textura; a FIG. 12 é uma ilustração que descreve um exemplo de arquitetura de sistema de computação de barramento de sistema, de acordo com uma modalidade exemplificativa; e a FIG. 13 é uma ilustração que descreve um sistema de computador tendo uma arquitetura de chipset, de acordo com uma modalidade exemplificativa.

DESCRIÇÃO DETALHADA Várias modalidades da divulgação estão discutidas em detalhes a seguir. Embora implementações específicas sejam discutidas, deve ser entendido que isso é feito apenas para fins de ilustração. Um versado na técnica relevante reconhecerá que outros componentes e configurações podem ser utilizados sem se separar do espírito e escopo da divulgação. Características e vantagens adicionais da divulgação serão apresentadas na descrição que se segue e em parte serão óbvias a partir da descrição, ou podem ser aprendidas pela prática dos princípios divulgados neste documento. As características e vantagens da divulgação podem ser realizadas e obtidas por meio dos instrumentos e combinações particularmente destacados nas reivindicações anexas. Estas e outras características da divulgação se tornarão mais evidentes a partir da descrição seguinte e reivindicações anexas, ou podem ser aprendidas pela prática dos princípios estabelecidos neste documento. Introdução A avaliação de formações de rocha de fundo de poço pode ser realizada realizando imagens de amostras obtidas de um furo de poço. A amostra de formação geológica pode ser obtida de dentro do furo de poço por meio de uma ferramenta de fundo de poço, como uma extração de testemunho ou ferramenta de cabo de aço. Alternativamente, a amostra de formação geológica pode ser obtida quando o furo de poço é perfurado na formação, como uma amostra de testemunho ou fragmentos e cascalhos de perfuração.

Em um exemplo alternativo, as amostras de formação geológica podem ser obtidas após o furo de poço ter sido perfurado, como amostras de testemunho removidas da parede lateral de um furo de poço.

As amostras de formação geológica podem ser removidas do furo de poço e analisadas, usando um raio-x, um scanner de tomografia computadorizada (CT) ou semelhante, para fornecer uma representação visual, como uma imagem gráfica, do material de amostra de formação geológica.

Conforme descrito acima, a imagem ou varredura da amostra pode então ser avaliada pela visualização da imagem e atribuição de indicadores, como textura e tipo de rocha, com base na assinatura visual das imagens de rocha.

No entanto, uma inspeção visual da imagem pode levar a imprecisões devido à natureza subjetiva da inspeção.

Além disso, pode ser muito difícil determinar adequadamente a textura da rocha com base em uma fotografia ou representação gráfica e diferentes formações podem ser rotuladas incorretamente como semelhantes.

Por exemplo, dados obtidos por meio de medições convencionais, como perfis de poço, contêm apenas um valor médio da rocha reservatório dentro de uma certa proximidade da medição.

A análise do valor médio pode resultar em formações muito diferentes sendo rotuladas como se fossem iguais.

A presente divulgação é desenhada para um sistema e método para avaliar formações de rocha de fundo de poço com base em uma imagem de amostra de formação, juntamente com extração baseada em computador de texturas da amostra para fornecer uma análise mais precisa do ambiente de fundo de poço.

Especificamente, a presente divulgação se refere a um método para usar aprendizagem de máquina e redes neurais profundas para extrair representações semânticas de texturas, que podem então ser classificadas de acordo com o tipo de rocha, então simplificadas em componentes de vetor que representam diferentes tipos de texturas e, posteriormente, representadas como curvas para facilitar a avaliação de diferentes grupos de texturas e até mesmo pequenas diferenças entre as texturas dentro de um determinado agrupamento.

As curvas resultantes com base nos componentes do vetor também podem ser combinadas com outras informações / medições do furo de poço, como densidade de rocha e resistividade elétrica.

Extração de testemunho exemplificativa e Imageamento

As FIGS. 1A, 1B e 1C ilustram ambientes exemplificativos compatíveis com o sistema e métodos divulgados. Por exemplo, a FIG. 1A ilustra uma vista diagramática de um sistema de furo de poço 110 de perfilagem durante a perfuração (LWD) e / ou medição durante a perfuração (MWD) que pode ser usado para criar um furo de poço e reunir amostras de formação geológica para análise de formação de rocha. Conforme representado na FIG. 1A, uma plataforma de perfuração 111 é equipada com uma torre 112 que suporta um guincho 113 para elevar e abaixar uma coluna de perfuração 114. O guincho 113 suspende um top drive 115 adequado para girar a coluna de perfuração 114 e abaixar a coluna de perfuração 114 através da cabeça do poço 116. Conectada à extremidade inferior da coluna de perfuração 113 está uma broca de perfuração 117. Conforme a broca de perfuração 117 gira, a broca de perfuração 117 cria um furo de poço 118 que passa por várias formações

119. A coluna de perfuração 114 também pode incluir uma ferramenta de amostragem durante a perfuração, operável para coletar amostras de formação geológica das várias formações através das quais a perfuração passa para recuperação na superfície. Em uma modalidade alternativa, a análise pode ser realizada em fragmentos e cascalhos de perfuração recuperados na superfície do furo de poço. O furo de poço 118 pode ser formado de acordo com um plano de poço desejado tendo uma ou mais porções verticais, curvas e / ou horizontais que se estendem através de uma ou mais formações 119. Esta complexidade de construção de poço leva a desafios na determinação da quantidade e fase das formações geológicas em torno do furo de poço. Uma bomba 120 circula fluido de perfuração através de um tubo de alimentação 121 para o top drive 115, para baixo através do interior da coluna de perfuração 114, através dos orifícios na broca de perfuração 117, de volta para a superfície através do anular em torno da coluna de perfuração 114 e para um tanque de retenção 122. O fluido de perfuração transporta fragmentos e cascalhos do furo de poço 118 para dentro do tanque 122 e auxilia na manutenção da integridade do furo de poço 118. Vários materiais podem ser usados para fluido de perfuração, incluindo fluidos à base de óleo e fluidos à base de água. Como os fragmentos e cascalhos da perfuração são porções da formação, eles podem ser usados como amostras para varredura e imageamento, conforme divulgado neste documento. Conforme representado na FIG. 1A, as ferramentas de perfilagem 124 são integradas na composição de fundo 123 perto da broca de perfuração 117. Conforme a broca de perfuração 117 estende o furo de poço 118 através das formações 119, as ferramentas de perfilagem 124 coletam medições relacionadas a várias propriedades de formação, bem como a orientação da ferramenta e várias outras condições de perfuração.

A composição de fundo 123 pode incluir uma ou mais ferramentas de perfilagem 124. Em pelo menos uma modalidade, uma das ferramentas de perfilagem 124 da composição de fundo 123 pode incluir um dispositivo de medição conforme descrito neste documento.

As ferramentas de perfilagem 124 podem ser usadas para imageamento ou de outra forma, varredura ou medição da formação 119 para produzir as imagens aqui divulgadas para uso com aprendizagem de máquina e redes neurais profundas.

A composição de fundo 123 também pode incluir um sub de telemetria 125 para transferir dados de medição para um receptor de superfície 126 e para receber comandos da superfície.

Em algumas modalidades, o sub de telemetria 125 se comunica com um receptor de superfície 126 usando telemetria de pulso de lama.

Em outros casos, o sub de telemetria 125 não se comunica com a superfície, mas, em vez disso, armazena dados de perfilagem para recuperação posterior na superfície quando o conjunto de perfilagem for recuperado.

Notavelmente, uma ou mais da composição de fundo 123, as ferramentas de perfilagem 124 e o sub de telemetria 125 também podem operar usando um cabo não condutivo (por exemplo, cabo liso, etc.) com uma fonte de alimentação local, como baterias e semelhantes.

Ao empregar cabo não condutivo, a comunicação pode ser suportada usando, por exemplo, protocolos sem fio (por exemplo, EM, acústico, etc.) e / ou medições e dados de registro podem ser armazenados na memória local para recuperação subsequente na superfície, como é apreciado por aqueles versados na técnica.

Cada uma das ferramentas de perfilagem 124 pode incluir uma pluralidade de componentes de ferramenta, espaçados uns dos outros e acoplados comunicativamente com um ou mais fios.

O sub de telemetria 125 pode incluir telemetria sem fio ou recursos de perfilagem, ou ambos, de modo a transmitir ou posteriormente fornecer informações indicativas de dados de perfilagem recebidos para operadores na superfície ou para acesso posterior e processamento de dados para avaliação de fluido dentro do furo de poço.

As ferramentas de perfilagem 124 também podem incluir um ou mais dispositivos de computação 127 comunicativamente acoplados a um ou mais da pluralidade de componentes de ferramenta.

O dispositivo de computação 127 pode ser configurado para controlar ou monitorar o desempenho das ferramentas 124, processar dados de perfilagem e / ou realizar os métodos da presente divulgação.

Em algumas modalidades, uma ou mais das ferramentas de perfilagem 124 podem se comunicar com um receptor de superfície 126, como um tubo de perfuração com fio.

Em outros casos, uma ou mais das ferramentas de perfilagem 124 podem se comunicar com um receptor de superfície 126 por transmissão de sinal sem fio.

Em pelo menos alguns casos, uma ou mais das ferramentas de perfilagem 124 podem receber energia elétrica de um fio que se estende até a superfície, incluindo fios que se estendem através de um tubo de perfuração com fio.

Em pelo menos alguns casos, os métodos e técnicas da presente divulgação podem ser realizados por um dispositivo de computação (não mostrado) na superfície.

Em algumas modalidades, o dispositivo de computação pode ser incluído no receptor de superfície 126. Por exemplo, o receptor de superfície 126 do ambiente operacional de furo de poço 110 na superfície pode incluir um ou mais dentre telemetria sem fio, circuito de processador ou recursos de memória, de modo a suportar processamento substancialmente em tempo real de dados recebidos de uma ou mais das ferramentas de perfilagem 124. Em algumas modalidades, os dados são processados em algum momento subsequente à sua coleta, em que os dados podem ser armazenados na superfície no receptor de superfície 126, armazenados no fundo do poço no sub de telemetria 125, ou ambos, até que sejam recuperados para processamento.

Embora a FIG. 1A indique que o furo de poço está no estágio de perfuração, os métodos e sistemas descritos neste documento podem ser usados em qualquer ponto ao longo da vida de um furo de poço.

Um exemplo de tal ambiente é mostrado na FIG. 1B.

A FIG. 1B ilustra uma vista diagramática de um sistema operacional de furo de poço de transporte 130 no qual a presente divulgação pode ser implementada.

Conforme representado na FIG. 1B, um guincho 133 pode ser incluído como uma porção de uma plataforma 131, tal como aquela acoplada à torre 132, e usado com um transporte 137 para elevar ou abaixar equipamentos, tal como ferramenta de cabo de aço 134 para dentro ou para fora de um poço rodeado por formação geológica 136. Um transporte 137 pode fornecer um acoplamento comunicativo entre a ferramenta de cabo de aço 134 e uma instalação de controle ou processamento 139 na superfície.

O transporte 137 pode incluir fios (um ou mais fios), cabos lisos, cabos ou semelhantes, bem como transportes tubulares,

como tubulação espiralada, tubulação de junta ou outros tubulares e pode incluir um trator de fundo de poço.

Além disso, a energia pode ser fornecida por meio do transporte 137 para atender aos requisitos de energia da ferramenta.

A ferramenta de cabo de aço 134 pode ter uma fonte de alimentação local, como baterias, gerador de fundo de poço e semelhantes.

Ao empregar cabo não condutivo, tubulação espiralada, coluna de tubulação ou trator de fundo de poço, a comunicação pode ser suportada usando, por exemplo, protocolos sem fio (por exemplo, EM, acústico, etc.) e / ou medições e dados de perfilagem podem ser armazenados na memória local para recuperação posterior.

Em pelo menos uma modalidade, a ferramenta de cabo de aço 134 pode ser operável para coletar amostras das formações geológicas em todo o furo de poço.

Por exemplo, amostras de testemunho podem ser retiradas de várias formações adjacentes ao furo de poço conforme a ferramenta de cabo de aço 134 se move ao longo do comprimento do furo de poço.

A instalação de controle ou processamento 139 pode incluir um dispositivo de computação 138 capaz de realizar os métodos e técnicas da presente divulgação, incluindo a coleta e análise de dados recolhidos pela ferramenta de cabo de aço 134. Desta forma, as informações sobre as formações de rocha adjacentes ao furo de poço podem ser obtidas pela análise de amostras geológicas coletadas pela ferramenta de cabo de aço 134 e processadas por um dispositivo de computação, como o dispositivo de computação 138. Em algumas modalidades, o dispositivo de computação 138 é equipado para processar as informações recebidas substancialmente em tempo real, enquanto em algumas modalidades, o dispositivo de computação 138 pode ser equipado para armazenar as informações recebidas para processamento em algum momento subsequente.

O dispositivo de computação 138 pode ser um sistema de computação conforme descrito em mais detalhes com relação às FIGS. 10 e 11. A FIG. 1C ilustra um sistema 1 para recuperar amostras de testemunho de uma formação geológica para análise de imagem 3D integrada.

Um furo de poço 10 é mostrado penetrando na formação geológica 12, que pode ter uma superfície superior 13. O furo de poço 10 pode ser perfurado antes que as ferramentas de avaliação de formação sejam baixadas para o poço.

O sistema 1 pode incluir uma sonda 20 diretamente sobre uma superfície terrestre 13 e uma ferramenta de fundo de poço 5 pode ser transportada para dentro e para fora do furo de poço 10 por meio de um transporte 16. Conforme descrito acima em relação à FIG. 1B, o transporte pode ser qualquer meio adequado de abaixar uma ferramenta 5 no fundo do poço.

Uma ferramenta de medição 14 e uma ferramenta de coleta de amostra de testemunho 15 podem ser acopladas por meio de uma junta 7 e posicionadas em uma formação verticalmente empilhada.

A ferramenta de medição 14 pode ser usada para analisar a formação 12 dentro do furo de poço 10, além disso, a ferramenta de medição 14 pode notar o local dentro do furo de poço onde as amostras são coletadas por meio da ferramenta de coleta de amostra de testemunho 15. Amostras de testemunho e outras amostras de formação obtidas por meio da ferramenta de coleta de amostra de testemunho 15 podem ser recebidas furo acima no local 15A e fornecidas para análise de imagem 3D.

Em pelo menos um exemplo, o transporte 16 pode incluir condutores que podem fornecer energia e podem ser usados para enviar sinais de controle e dados entre as ferramentas e um sistema de controle eletrônico 24. O sistema de controle eletrônico pode incluir um processador de controle 24A operativamente conectado com a coluna de ferramentas 5. A ferramenta de perfilagem e as operações de coleta de amostra que fazem parte dos métodos e sistemas aqui divulgados podem ser incorporadas em um programa de computador que é executado no processador 24A.

Em operação, o programa pode ser acoplado para receber dados, por exemplo, das ferramentas de fundo de poço, via transporte 16, e para transmitir sinais de controle para elementos operativos da coluna de ferramentas 5. O programa de computador pode ser armazenado em um meio de armazenamento utilizável em computador 24B (por exemplo, um disco rígido) associado ao processador 24A, ou pode ser armazenado em um meio de armazenamento externo utilizável em computador 26 ou outro gravador e eletronicamente acoplado ao processador 24A para uso conforme necessário.

O meio de armazenamento 26 pode ser qualquer um ou mais dos meios de armazenamento atualmente conhecidos, como um disco magnético encaixado em uma unidade de disco ou um CD-ROM opticamente legível ou um dispositivo legível de qualquer outro tipo, incluindo um dispositivo de armazenamento remoto acoplado através de um link de telecomunicação comutado ou mídia de armazenamento futura adequada para as finalidades e objetivos descritos neste documento.

Por exemplo, os dados de perfilagem armazenados no meio de armazenamento 24B ou meio de armazenamento externo 26 podem ser transferidos para um ou mais computadores 27 tendo instruções de programa para realizar análises adicionais dos dados de perfilagem, análise de imagem 3D e / ou modelagem de propriedade de formação integrada subsequente conforme descrito neste documento.

O sistema de controle 24, o meio de armazenamento externo 26 e o computador 27 podem ser conectados um ao outro para comunicações (por exemplo, transferência de dados, etc.), através de qualquer um dos hardwire, comunicações de radiofrequência, telecomunicações, conexão à Internet ou outros meios de comunicação.

Além disso, os dados e outras informações relacionadas à perfilagem coletadas no sistema de controle 24 e / ou meio de armazenamento 26 podem ser exibidos visualmente em um monitor, CRT, gráfico de registro ou outro meio visual de exibição (não mostrado) no local e / ou fora do local.

Os dados da ferramenta e qualquer informação de interpretação inicial sobre a mesma podem ser comunicados, por exemplo, via satélite ou linhas terrestres (não mostradas) para um local externo ou remoto para análise adicional relevante para informações de perfilagem ou caracterização de formação, incluindo outro software de interpretação em combinação com dados de imagem 3D obtidos de amostras coletadas no mesmo intervalo de poço do furo de poço.

Amostras de formação geológica 17, tais como amostras de testemunho ou outros tipos de amostras de formação removidas da formação 12 usando a ferramenta de recuperação de amostra de testemunho 15 podem ser transportadas para um CT ou microscópio eletrônico de varredura (SEM) 19. O scanner CT ou scanner SEM pode usar raios-x para análise da estrutura interna das amostras, para geração de imagens tridimensionais (3D) 21 das amostras de formação geológica recuperadas da formação.

As imagens assim geradas podem ser apresentadas em forma numérica e seu conteúdo será explicado mais detalhadamente a seguir.

Após a digitalização, as amostras podem ser salvas para análise posterior ou podem ser descartadas.

Em geral, o instrumento usado para escanear as amostras de formação geológica 17, ou outros tipos de amostras recuperadas da formação (por exemplo, amostras de testemunho, amostras de percussão, fragmentos e cascalhos, etc.), podem ser selecionados com base em quão pequenos são os poros na rocha e quanta resolução é necessária para produzir uma imagem utilizável.

No presente exemplo, a saída de imagem 3D (imagens) 21 gerada pelo scanner CT 19 pode ser transferida para um computador 27 tendo instruções de programa para realizar a análise de formação geológica indicada para fornecer saída / resultados de modelagem de formação 29, descritos em mais detalhes abaixo.

Modificações, adições ou omissões podem ser feitas nas FIGS. 1A-1C sem afastamento do espírito e escopo da presente divulgação.

Por exemplo, as FIGS. 1A-1C representam componentes dos ambientes operacionais do furo de poço em uma configuração particular.

No entanto, qualquer configuração adequada de componentes pode ser usada.

Além disso, menos componentes ou componentes adicionais além dos ilustrados podem ser incluídos no ambiente operacional de furo de poço sem fugir do espírito e escopo da presente divulgação.

Deve ser notado que embora as FIGS. 1A-1C representem, de forma geral, uma operação baseada em terra, aqueles versados na técnica reconhecerão prontamente que os princípios descritos neste documento são igualmente aplicáveis a operações que empregam plataformas e sondas flutuantes ou baseadas no mar ou submarinas, sem afastamento do escopo da divulgação.

Além disso, muito embora as FIGS. 1A-1C representem um furo de poço vertical, a presente divulgação é igualmente bem adequada para uso em furos de poços tendo outras orientações, incluindo furos de poços horizontais, furos de poços inclinados, furos de poços multilaterais ou semelhantes.

Os métodos descritos neste documento podem usar métodos de aprendizagem de máquina a fim de fornecer uma análise mais precisa e aprofundada de formações de rocha de fundo de poço.

Por exemplo, a presente divulgação se refere a um método para remover amostras de formação geológica de vários locais ao longo do comprimento de um furo de poço.

A localização física de cada amostra de formação geológica pode ser anotada e registrada de modo que os dados obtidos a partir de uma análise da amostra sejam correlacionados a uma localização específica dentro do furo de poço.

A amostra de formação geológica pode então ser digitalizada usando um raio-x, um scanner CT, um sensor de imagem ou semelhante para fornecer uma imagem da amostra de formação geológica que pode então ser analisada posteriormente para determinar a classificação de rocha apropriada para esse local.

A FIG. 2A é uma ilustração de uma imagem 300 de uma amostra de formação geológica obtida, por exemplo, por um dispositivo CT.

Em pelo menos um exemplo, a imagem pode ser uma tomografia computadorizada de uma amostra de testemunho obtida de um furo de poço.

Em um exemplo alternativo, a imagem pode ser uma imagem de qualquer amostra geológica para a qual uma classificação é desejada.

Em pelo menos um exemplo, conforme a imagem é criada, os dados relativos à localização da formação geológica dentro de um furo de poço ou formação geológica também são catalogados.

Portanto, após a análise detalhada ser realizada, a formação geológica classificada pode ser rastreada até um local específico dentro da formação geológica.

O uso de CT aqui é apenas uma técnica de imageamento exemplificativo, já que qualquer técnica de imageamento pode ser usada incluindo qualquer imageamento de raio-x, imageamento por ressonância magnética (MRI), microscopia eletrônica de varredura (SEM), imageamento elétrica, resistividade, imageamento óptica e imageamento acústico.

O imageamento, conforme divulgado neste documento, pode incluir um imageamento bidimensional (tal como white-lite, luz UV, projeção de raios-X ou fotografia de seção fina e semelhantes), um imageamento tridimensional (tal como uma tomografia computadorizada (CT), microscopia eletrônica de varredura (SEM)), MRI ou qualquer outro método ou dispositivo adequado para avaliar a distribuição 2-D ou 3-D de uma propriedade dentro da amostra.

Segmentação de imagens e atribuição textual Em seguida, a imagem pode ser avaliada inicialmente com base em uma inspeção visual das mudanças na textura da rocha.

Em pelo menos um exemplo, uma vez que tal imagem de amostra de formação geológica é obtida (como mostrado na FIG. 2A), uma inspeção visual pode fornecer uma segmentação de textura inicial ou análise indicando ou classificando qualquer número de tipos de formação de rocha potencialmente diferentes dentro do tamanho da amostra.

As texturas particulares podem ser identificadas por um especialista e podem ter alguma subjetividade.

Exemplos não limitativos de tipos de amostra de formação que podem incluir, mas não estão limitados a, tipos de rocha, texturas de rocha, fácies e / ou quaisquer propriedades de rocha que podem afetar o processo de extração de hidrocarbonetos.

Em pelo menos um exemplo, a imagem para classificação pode ser uma imagem em corte transversal da amostra de formação geológica.

Cada seção da amostra de formação geológica pode então ser classificada por inspeção visual da imagem.

Conforme mostrado na FIG. 2B, a imagem 300 pode ser dividida ou particionada em vários tipos de formação ou texturas diferentes, como mostrado na imagem de segmento de textura 302. No presente exemplo, a análise inicial forneceu três diferentes texturas / formações de rocha indicadas por diferentes cores sobrepostas na imagem.

As seções azuis 350, 352, 354, 356 representam uma primeira textura / formação de rocha, a seção vermelha 353 representa uma segunda variação da textura / formação de rocha e as seções verdes 351 e 352 representam uma terceira variação de textura / formação de rocha da amostra de testemunho.

Embora o presente exemplo ilustre três variações na textura / formação, deve ser prontamente reconhecido por aqueles versados na técnica que qualquer número de várias texturas ou formações pode ser indicado com base na amostra específica que está sendo avaliada.

Além disso, embora a FIG. 2B ilustre a diferença nas texturas de rocha em cores, deve ser prontamente reconhecido por aqueles versados na técnica que uma matriz de co-ocorrência de nível de cinza (GLCM), ou qualquer outro método ou características adequadas (por exemplo, padrões, identificadores, etc.) poderia ser usado.

Em pelo menos uma modalidade, uma rede neural pode ser calibrada de modo que o sistema analítico de formação geológica possa realizar a análise inicial da imagem.

Fragmentos de imagem e exemplo de rede neural A imagem pode então ser cortada ou particionada ou dividida em pequenos fragmentos.

Esses pequenos fragmentos podem ser um pixel, um ou mais pixels e / ou um superpixel, uma área de uma pluralidade de pixels ou segmentos da imagem.

O corte pode ser feito manualmente ou pode ser automático via programa de computador.

Por exemplo, em alguns casos, a imagem pode ser particionada / segmentada em fragmentos usando técnicas de processamento de imagem baseadas em computador (por exemplo, segmentação de imagem, etc.). O corte pode ser dimensionado o suficiente para capturar um tipo de textura particular ou área da imagem.

O corte também pode ser feito de forma organizada em etapas, como mover da esquerda para a direita horizontalmente ou pode ser feito verticalmente.

Esses pequenos fragmentos podem ser um pixel único, um ou mais pixels e / ou um superpixel, uma área de uma pluralidade de pixels ou segmentos da imagem.

O corte pode ser feito manualmente ou pode ser automático via programa de computador.

O corte pode ser dimensionado o suficiente para capturar um tipo de textura particular ou área da imagem.

O corte também pode ser feito de forma organizada em etapas, como mover da esquerda para a direita horizontalmente ou pode ser feito verticalmente.

A imagem e os dados de segmentação de textura inicial e / ou fragmentos podem então ser carregados ou de outra forma fornecidos a um sistema analítico de amostra de formação geológica.

Por exemplo, os dados carregados após serem divididos em pequenos fragmentos podem ser alimentados em uma rede neural profunda que pode ser usada para extrair representações semânticas das texturas de formação de rocha.

Vários métodos de rede neural profunda podem ser usados de acordo com os métodos e sistemas descritos neste documento, incluindo, mas não se limitando a, perda de tripleto, aprendizagem de quádruplo, rede neural convolucional, aprendizagem de poucos disparos, aprendizagem de um disparo e quaisquer outros métodos de aprendizagem de máquina adequados ou programas.

Embora as redes de aprendizagem profunda sejam divulgadas neste documento para extração semântica de texturas, qualquer sistema ou processador de extração semântica pode ser empregado para este propósito.

A FIG. 3 ilustra um exemplo de configuração 400 da rede neural 210, que é uma rede neural convolucional.

Neste exemplo, a rede neural 210 inclui uma camada de entrada 402 que inclui dados de entrada, tais como dados de imagem coletados, imagens (por exemplo, imagem 300 da FIG. 2A) ou fragmentos de imagem.

Em um exemplo ilustrativo, a camada de entrada 402 pode incluir dados que representam os pixels de uma ou mais imagens de entrada.

A rede neural 210 inclui camadas ocultas 404A a 404N (coletivamente "404" a seguir). As camadas ocultas 404 podem incluir n número de camadas ocultas e arquiteturas / complexidades de rede, em que n é um número inteiro maior ou igual a um.

O número de camadas ocultas pode ser feito para incluir quantas camadas forem necessárias para a aplicação dada.

A rede neural 210 inclui ainda uma camada de saída 406 que fornece uma saída resultante do processamento realizado pelas camadas ocultas 404. Em um exemplo ilustrativo, a camada de saída 406 pode fornecer uma classificação e / ou localização de uma ou mais regiões, fragmentos e / ou recursos em uma imagem de entrada (por exemplo, imagem 300 da FIG. 2A). A classificação pode incluir uma classe que identifica as propriedades da formação geológica (por exemplo, textura, grão, porosidade, tipo de rocha ou qualquer outra propriedade de formação geológica) representada / capturada na imagem de entrada e a localização pode incluir uma caixa delimitadora indicando a localização da região, fragmento e / ou recursos.

A rede neural 210 pode ser uma rede de aprendizagem profunda de múltiplas camadas de nós interconectados.

Cada nó pode representar uma informação.

As informações associadas aos nós são compartilhadas entre as diferentes camadas e cada camada retém as informações à medida que as informações são processadas.

Em alguns casos, a rede neural 210 pode incluir uma rede feed-forward, caso em que não há conexões de feedback onde as saídas da rede são realimentadas.

Em alguns casos, a rede neural 210 pode incluir uma rede neural recorrente, que pode ter loops que permitem que as informações sejam transportadas através dos nós durante a leitura na entrada.

As informações podem ser trocadas entre os nós por meio de interconexões nó a nó entre as várias camadas.

Os nós da camada de entrada 402 podem ativar um conjunto de nós na primeira camada oculta 404A.

Por exemplo, como mostrado, cada um dos nós de entrada da camada de entrada 402 está conectado a cada um dos nós da primeira camada oculta 404A.

Os nós da camada oculta 404A podem transformar as informações de cada nó de entrada aplicando funções de ativação às informações.

As informações derivadas da transformação podem então ser passadas e podem ativar os nós da próxima camada oculta (por exemplo, 404B), que podem executar suas próprias funções designadas.

Funções de exemplo incluem convolucional, up-sampling, transformação de dados, pooling e / ou quaisquer outras funções adequadas.

A saída da camada oculta (por exemplo, 404B) pode então ativar nós da próxima camada oculta (por exemplo, 404N) e assim por diante.

A saída da última camada oculta pode ativar um ou mais nós da camada de saída 406, ponto em que uma saída é fornecida.

Em alguns casos, enquanto os nós (por exemplo, nó 408) na rede neural 210 são mostrados como tendo várias linhas de saída, um nó tem uma única saída e todas as linhas mostradas como sendo saídas de um nó representam o mesmo valor de saída.

Em alguns casos, cada nó ou interconexão entre nós pode ter um peso que é um conjunto de parâmetros derivados do treinamento da rede neural 210. Por exemplo, uma interconexão entre nós pode representar uma informação aprendida sobre os nós interconectados.

A interconexão pode ter um peso numérico que pode ser ajustado (por exemplo, com base em um conjunto de dados de treinamento), permitindo que a rede neural 210 seja adaptável às entradas e seja capaz de aprender conforme mais dados são processados.

A rede neural 210 pode ser pré-treinada para processar os recursos dos dados na camada de entrada 402 usando as diferentes camadas ocultas 404 a fim de fornecer a saída através da camada de saída 406. Em pelo menos um exemplo em que a rede neural 210 é usada para identificar recursos em imagens, a rede neural 210 pode ser treinada usando dados de treinamento que incluem imagens e rótulos.

Por exemplo, imagens de treinamento podem ser inseridas na rede neural 210, com cada imagem de treinamento tendo um rótulo indicando as classes de um ou mais recursos em cada imagem (basicamente, indicando para a rede quais recursos estão incluídos e identificados na imagem). Em alguns casos, a rede neural 210 pode ajustar os pesos dos nós usando um processo de treinamento chamado retropropagação.

A retropropagação pode incluir um passe para frente, uma função de perda, um passe para trás e uma atualização de peso.

A passagem para a frente, a função de perda, a passagem para trás e a atualização dos parâmetros são executadas para uma iteração de treinamento.

O processo pode ser repetido por um certo número de iterações para cada conjunto de imagens de treinamento até que a rede neural 210 seja treinada o suficiente para que os pesos das camadas sejam ajustados com precisão.

Para o exemplo de identificação de recursos em imagens, a passagem para a frente pode incluir a passagem de uma imagem de treinamento através da rede neural 210. Os pesos podem ser inicialmente randomizados antes que a rede neural 210 seja treinada.

A imagem pode incluir, por exemplo, um arranjo de números que representa os pixels da imagem.

Cada número no arranjo pode incluir um valor de 0 a 255 que descreve a intensidade do pixel nessa posição no arranjo.

Em um exemplo, o arranjo pode incluir um arranjo de números de 28 x 28 x 3 com 28 linhas e 28 colunas de pixels e 3 componentes de cor (como vermelho, verde e azul ou luma e dois componentes de croma ou semelhantes). Para uma primeira iteração de treinamento para a rede neural 210, a saída pode incluir valores que não dão preferência a qualquer classe particular devido aos pesos serem selecionados aleatoriamente na inicialização.

Por exemplo, se a saída for um vetor com probabilidades de que uma representação de recurso inclua diferentes classes, o valor de probabilidade para cada uma das diferentes classes pode ser igual ou pelo menos muito semelhante (por exemplo, para dez classes possíveis, cada classe pode ter um valor de probabilidade de 0,1). Com os pesos iniciais, a rede neural 210 é incapaz de determinar características de baixo nível e, portanto, não pode fazer uma determinação precisa de qual pode ser a classificação do objeto.

Uma função de perda pode ser usada para analisar erros na saída.

Qualquer definição de função de perda adequada pode ser usada.

A perda (ou erro) pode ser alta para as primeiras imagens de treinamento, pois os valores reais serão diferentes da saída predita.

O objetivo do treinamento é minimizar a quantidade de perda para que a saída predita seja a mesma do rótulo de treinamento.

A rede neural 210 pode realizar uma passagem para trás determinando quais entradas (pesos) mais contribuíram para a perda da rede e pode ajustar os pesos de modo que a perda diminua e seja eventualmente minimizada.

Uma derivada da perda em relação aos pesos pode ser calculada para determinar os pesos que mais contribuíram para a perda da rede.

Depois que a derivada é calculada, uma atualização de peso pode ser realizada atualizando os pesos dos filtros.

Por exemplo, os pesos podem ser atualizados para que mudem na direção oposta do gradiente.

Uma taxa de aprendizagem pode ser definida para qualquer valor adequado, com uma alta taxa de aprendizagem incluindo atualizações de peso maiores e um valor inferior indicando atualizações de peso menores.

Embora a rede neural 210 seja exemplificada como uma rede neural convolucional, ela pode, alternativamente, ser ou pode incluir qualquer rede profunda adequada.

Um exemplo inclui uma rede neural convolucional (CNN), que inclui uma camada de entrada e uma camada de saída, com múltiplas camadas ocultas entre as camadas de entrada e saída.

As camadas ocultas de uma CNN incluem uma série de camadas convolucionais, não lineares, de pooling (para redução da resolução) e totalmente conectadas.

Em outros exemplos, a rede neural pode representar qualquer outra rede profunda que não seja um CNN, como um codificador automático, redes de crença profunda (DBNs), Redes Neurais Recorrentes (RNNs), etc.

A FIG. 4 ilustra um exemplo de uso da rede neural 210 para realizar aprendizagem profunda.

Neste exemplo, a rede neural 210 inclui uma camada de entrada 402, uma camada convolucional oculta 404A, uma camada oculta de pooling 404B, camadas totalmente conectadas 404C e camada de saída 406. A rede neural 210 pode identificar propriedades específicas da rocha (por exemplo, grão, xisto, porosidade, tipo de rocha, etc.) em uma amostra de testemunho geológico de 300 imagens.

Primeiro, cada pixel na imagem 300 é considerado um neurônio que tem pesos e vieses aprendíveis.

Cada neurônio recebe algumas entradas, realiza um produto escalar e, opcionalmente, segue-o com uma função de não linearidade.

A rede neural 210 também pode codificar certas propriedades na arquitetura expressando uma única função de pontuação diferenciável dos pixels da imagem bruta em uma extremidade para pontuações de classe na outra para extrair propriedades de rocha específicas da imagem alvo.

Depois de identificar características na imagem como propriedades de rocha específicas, a rede neural 210 pode gerar uma pontuação média (ou pontuação z) de cada característica e tirar a média das pontuações dentro do tampão definido pelo usuário.

Em alguns exemplos, a camada de entrada 404A inclui dados que representam uma imagem (por exemplo, 300 da FIG. 2A). Por exemplo, os dados podem incluir um arranjo de números que representam os pixels da imagem, com cada número no arranjo incluindo um valor de 0 a 255 que descreve a intensidade de pixel nessa posição no arranjo.

A imagem pode ser passada através da camada oculta convolucional 404A, uma camada de ativação não linear opcional, uma camada oculta de pooling 404B e camadas ocultas totalmente conectadas 406 para obter uma saída na camada de saída 406. As saídas podem indicar um número contínuo para descrever a textura ou classificação da rocha.

A camada oculta convolucional 404A pode analisar os dados de imagem da camada de entrada 402A.

Cada nó da camada oculta convolucional 404A pode ser conectado a uma região de nós (pixels) da imagem de entrada.

A camada oculta convolucional 404A pode ser considerada como um ou mais filtros (cada filtro correspondendo a uma ativação diferente ou mapa de recursos), com cada iteração convolucional de um filtro sendo um nó ou neurônio da camada oculta convolucional 404A.

Cada conexão entre um nó e um campo receptivo (região de nós (pixels)) para esse nó aprende um peso e, em alguns casos, uma tendência geral de modo que cada nó aprenda a analisar seu campo receptivo local específico na imagem de entrada.

A natureza convolucional da camada convolucional oculta 404A se deve ao fato de cada nó da camada convolucional ser aplicado ao seu campo receptivo correspondente.

Por exemplo, um filtro da camada oculta convolucional 404A pode começar no canto superior esquerdo do arranjo de imagem de entrada e pode convolver em torno da imagem de entrada.

Conforme observado acima, cada iteração convolucional do filtro pode ser considerada um nó ou neurônio da camada oculta convolucional 404A.

A cada iteração convolucional, os valores do filtro são multiplicados por um número correspondente dos valores de pixel originais da imagem.

As multiplicações de cada iteração convolucional podem ser somadas para obter uma soma total para essa iteração ou nó.

O processo é a seguir continuado em um próximo local na imagem de entrada de acordo com o campo receptivo de um próximo nó na camada oculta convolucional 404A.

O processamento do filtro em cada localização única do volume de entrada produz um número que representa os resultados do filtro para essa localização, resultando em um valor de soma total sendo determinado para cada nó da camada oculta convolucional 404A.

O mapeamento da camada de entrada 402 para a camada oculta convolucional 404A pode ser referido como um mapa de ativação (ou mapa de característica). O mapa de ativação inclui um valor para cada nó que representa os resultados do filtro em cada local do volume de entrada.

O mapa de ativação pode incluir um arranjo que inclui os vários valores de soma total resultantes de cada iteração do filtro no volume de entrada.

A camada oculta convolucional 404A pode incluir vários mapas de ativação, a fim de identificar múltiplos recursos em uma imagem.

O exemplo mostrado na FIG. 4 inclui três mapas de ativação.

Usando três mapas de ativação, a camada oculta convolucional 404A pode detectar três tipos diferentes de recursos, com cada recurso sendo detectável em toda a imagem.

Em alguns exemplos, uma camada oculta não linear pode ser aplicada após a camada oculta convolucional 404A.

A camada não linear pode ser usada para introduzir a não linearidade em um sistema que está computando operações lineares.

A camada oculta de pooling 404B pode ser aplicada após a camada oculta convolucional 404A (e após a camada oculta não linear quando usada). A camada oculta de pooling 404B é usada para simplificar as informações na saída da camada oculta convolucional 404A.

Por exemplo, a camada oculta de pooling 404B pode tomar cada saída de mapa de ativação da camada oculta convolucional 404A e gerar um mapa de ativação condensado (ou mapa de característica) usando uma função de pooling.

Max-pooling é um exemplo de função executada por uma camada oculta de pooling.

Outras formas de funções de pooling podem ser usadas pela camada oculta de pooling 404B, como pooling médio ou outras funções de pooling adequadas.

Uma função de pooling (por exemplo, um filtro de max-pooling) é aplicada a cada mapa de ativação incluído na camada oculta convolucional 404A.

No exemplo mostrado na FIG. 4, três filtros de pooling são usados para os três mapas de ativação na camada oculta convolucional 404A.

A função de pooling (por exemplo, max-pooling) pode determinar se um determinado recurso é encontrado em qualquer lugar em uma região da imagem e descartar a informação de posição exata.

Em alguns casos, isso pode ser feito sem afetar os resultados da detecção do recurso porque, uma vez que um recurso foi encontrado, a localização exata do recurso não é tão importante quanto sua localização aproximada em relação a outros recursos.

O max-pooling (assim como outros métodos de pooling) oferecem o benefício de haver menos recursos em pool, reduzindo assim o número de parâmetros necessários nas camadas posteriores.

A camada totalmente conectada 404C pode conectar cada nó da camada oculta de pooling 404B a cada nó de saída na camada de saída 406. A camada 404C totalmente conectada pode obter a saída da camada de pooling anterior 404B (que deve representar os mapas de ativação de recursos de alto nível) e determinar os recursos que se correlacionam com uma classe particular.

Por exemplo, a camada 404C totalmente conectada pode determinar os recursos de alto nível que se correlacionam mais fortemente com uma classe específica e pode incluir pesos (nós) para os recursos de alto nível.

Um produto pode ser calculado entre os pesos da camada totalmente conectada 404C e da camada oculta de pooling 404B para obter probabilidades para as diferentes classes.

Em alguns exemplos, a saída da camada de saída 406 pode incluir um vetor n- dimensional, onde n pode incluir o número de classes que o programa deve escolher ao classificar o objeto na imagem.

Outras saídas de exemplo também podem ser fornecidas.

Cada número no vetor n-dimensional pode representar a probabilidade do recurso pertencer a uma determinada classe.

Conforme ilustrado na FIG. 4, a camada de saída 406 pode gerar uma pluralidade de texturas, como textura A, textura B ou textura C, e que podem corresponder às texturas na imagem 300 da FIG. 2A, ou pode ser um número n maior de texturas.

Essas texturas podem estar sujeitas a uma técnica de redução de dimensão conforme descrito abaixo.

A FIG. 5 ilustra um uso de exemplo adicional de uma rede neural 510 para extrair a representação semântica de texturas.

Conforme mostrado no lado esquerdo da FIG. 5, uma seção da imagem 300 é cortada (por exemplo, particionada / segmentada) em um segmento cortado 305. Este segmento cortado 305 pode ser um fragmento ou região na imagem 300 contendo um ou mais pixels ou superpixels, por exemplo.

O segmento cortado 305 é alimentado nas camadas convolucionais ocultas 504A, que podem incluir camadas de pooling adicionais 504B.

A camada oculta de pooling 504B é usada para simplificar a informação na saída da camada oculta convolucional 504A de forma semelhante ao descrito em relação à camada oculta de pooling 304B da FIG. 4. As camadas totalmente conectadas 504C podem obter a saída da camada de pooling anterior e determinar os recursos que se correlacionam com uma classe particular, neste caso tipos de texturas ou tipos de componentes de texturas.

Um produto pode ser calculado entre os pesos da camada totalmente conectada 504C e da camada oculta de pooling 504B para obter probabilidades para as diferentes classes.

A camada totalmente conectada 504C pode conectar cada nó da camada oculta de pooling 504B a cada nó de saída na camada de saída 406. Conforme mostrado, a camada de saída pode incluir classificações de textura específicas.

São mostradas como saídas três representações semânticas de texturas extraídas pela rede neural 510, ou seja, textura 1, textura 2 e textura 3. Embora três texturas sejam mostradas, pode haver qualquer pluralidade de texturas extraídas da imagem 300. Estes podem representar diferentes fácies, tipos de rochas da formação geológica, como textura, grão, porosidade, tipo de rocha ou qualquer outra propriedade de formação geológica.

Subsequente à extração, uma redução de dimensão é realizada nas representações semânticas extraídas de texturas para reduzir uma dimensão de representação em um número menor, como 2 ou 3. A técnica de redução de dimensão pode incluir análise de componente principal linear e não linear ou incorporação de vizinho estocástico de Student T.

A redução de dimensão pode ser realizada nos dados extraídos do método de aprendizagem profunda para reduzir a dimensão de representação / recursos / representação semântica de alta dimensão, por exemplo, dimensão 128 ou 1000, em números menores, por exemplo, 2 ou 3. O número menor pode representar uma posição ou vetor no espaço 2D ou 3D.

Um gráfico 2D ou 3D pode ser gerado com base no vetor produzido pela redução de dimensão de modo a representar as texturas no respectivo vetor para visualização por um usuário.

Conforme mostrado na FIG. 5, cada uma das texturas pode ser representada por um vetor,

Textura 1, mostrando o vetor (0,4, 0,3, ... 0,6, 0,8), Textura 2, mostrando o vetor (0,1, 0,9, ... 0,4, 0,2), Textura 3 mostrando o vetor ( 0,6, 0,8,… 0,7,0,5), cada um dos vetores correspondendo, neste caso, a uma área no espaço 2D ou 3D.

Tais vetores são meramente exemplificativos e a saída pode fornecer vetores diferentes e pode fornecer mais de três texturas, como qualquer pluralidade ou texturas de número n com vetores correspondentes.

Texturas maiores do que um ponto ou pixel específico podem incluir coordenadas vetoriais para uma área no espaço 2D ou 3D.

A técnica de redução de dimensão pode incluir análise de componente principal linear e não linear ou incorporação de vizinho estocástico de Student T.

A redução de dimensão pode então ser realizada nos dados extraídos do método de aprendizagem profunda (pelo menos um exemplo é mostrado como um vetor de alta dimensão em 404C, como mostrado na FIG. 6) para reduzir a dimensão de representação / recursos / representação semântica de alta dimensão (por exemplo, dimensão 128 ou 1000) em números menores (por exemplo, 2 ou 3). A FIG. 6 ilustra representações semânticas extraídas de texturas que têm uma dimensão reduzida de representação plotada no espaço 3D, conforme fornecido no gráfico 675. O gráfico 675 é fornecido com os eixos X, Y e Z para ilustrar três dimensões.

Mostrados em locais específicos dentro do gráfico 675 estão quatro agrupamentos de texturas, grupo de textura 655, grupo de textura 660, grupo de textura 665, grupo de textura 670. Cada um desses agrupamentos de textura é composto por uma pluralidade de vetores individuais, representados pela pluralidade de quadrados dentro de cada um dos agrupamentos.

Cada um da pluralidade de quadrados corresponde à representação semântica extraída de uma textura e ao vetor associado à textura extraída, como aqueles produzidos pela camada de saída 506 da FIG. 5. Consequentemente, uma vez que uma textura é extraída pela rede neural e o vetor associado obtido pela técnica de redução de dimensão, a textura pode ser ilustrada plotando em um gráfico como o gráfico 675 para visualização por um usuário.

Cada um dos quadrados terá uma posição no gráfico 675 correspondente ao vetor mostrado na camada de saída 506. O gráfico 675 é um gráfico 3D, no entanto, as texturas também podem ser representadas no espaço 2D.

Se um gráfico 2D ou 3D é empregado pode depender da complexidade, do número de tipos e da proximidade de texturas na imagem da formação.

Além disso, os vetores fornecidos pela camada de saída 506 na FIG. 5 são exemplificativos e, portanto,

não necessariamente correspondem àqueles no gráfico 675 da FIG. 6, no entanto, na prática, as texturas e saídas de vetor associadas podem ser plotadas em um gráfico 3D ou 2D semelhante ao gráfico exemplificativo 675. Cada um dos grupos de textura 655, 660, 665 e 670 podem cada um representar diferentes classificações de texturas, como diferentes tipos de rocha ou outra classificação.

Cada um pode ser atribuído a uma cor particular, como o vermelho, azul e verde fornecidos na FIG. 2B ou cores adicionais.

Cada um dos grupos de textura 655, 660, 665 e 670 são representados no gráfico 675 em diferentes partes do gráfico, com a distância entre cada um dos agrupamentos representando diferenças entre as texturas, onde os grupos de textura mais próximos podem ser mais semelhantes e texturas mais distantes podem ser menos semelhantes (ou mais diferentes). Além disso, existem graus de diferença dentro de cada um dos grupos de textura da FIG.6 também.

Por exemplo, cada um dos quadrados nos grupos de textura são semelhantes no sentido de que todos são representados dentro de um agrupamento.

No entanto, alguns quadrados (texturas) mais próximos dentro de um grupo de textura podem ser mais semelhantes, e os quadrados mais afastados dentro de um grupo de textura podem ser menos semelhantes (ou mais diferentes). Assim, as diferenças de texturas são fornecidas de maneira contínua.

Assim, por este método, o arenito limpo a uma profundidade de 10.000 pés pode ser diferenciado do arenito limpo a 12.000 ou 15.000, mesmo que cada uma dessas áreas possa ser considerada “arenito limpo”. Por exemplo, ao analisar uma amostra de formação geológica de acordo com a presente divulgação se a textura A a 10.000 pés for descrita como vetor (0,134, 0,056, 0,876), a textura A a 12.000 pés é descrita como vetor (0,156, 0,078, 0,932) e a textura A a 15.000 pés é descrita pelo vetor (0,245, 0,093, 0,548), pode ser determinado que a textura A a 10.000 e 12.000 são mais semelhantes do que a textura A a 10.000 e 15.000. Por conseguinte, os métodos descritos neste documento fornecem uma análise da textura de uma maneira contínua.

Especificamente, embora os métodos comumente usados permitam a classificação de tipos específicos de rocha (por exemplo, areia, xisto, arenito, etc.), os métodos presentes permitem que outras diferenciações sejam feitas dentro de cada tipo de rocha.

Formação de curvas de textura

Após realizar a convolução da rede neural para obter representações semânticas de texturas, e determinar a dimensão reduzida, a localização dos fragmentos que foram submetidos à rede neural são então registradas de volta às amostras de formação originais. Desta forma, as texturas e vetores obtidos podem ser rastreados de volta à sua localização na imagem original e na amostra de formação obtida. Os fragmentos que são registrados na imagem original são então sujeitos a análise para encontrar uma representação significativa da amostra de formação no nível horizontal. Por exemplo, a textura da imagem pode diferir em um segmento horizontal da imagem 300 ou 302 (indo da esquerda para a direita ou da esquerda para a direita da imagem). No entanto, o segmento horizontal ainda precisa ser atribuído a uma classificação de textura e vetor. Consequentemente, esta análise pode ser um método estatístico realizado nos fragmentos registrados para a imagem da amostra de formação original, como a imagem 300, para determinar uma representação estatisticamente significativa do fragmento no nível horizontal. Embora horizontal, pode ser executado em qualquer direção, incluindo a vertical. Esta análise é repetida em toda a imagem, como a imagem 300, até que toda a área desejada da imagem tenha sido analisada. Por exemplo, a imagem 302 da FIG. 2B inclui segmentos de texturas representadas em azul, vermelho e verde como discutido acima em relação à FIG. 2B. Notavelmente, cada um dos segmentos de textura é o mesmo, ou seja, a mesma cor ou textura atribuída, em um nível horizontal. A FIG. 7A ilustra a imagem 302 juntamente com curvas que representam as texturas convolvidas da rede neural. As curvas de textura 702 são traçadas com base nos vetores obtidos das camadas de saída da rede neural, como 506 na FIG. 5 e mostrado no gráfico 675 da FIG. 6. Estes vetores traçados como curvas de textura 702 e podem ser fornecidos adjacentes à imagem 302, como mostrado na FIG. 7. As curvas de textura 702 correspondem à mesma profundidade da formação representada na imagem 302 de modo que as texturas percebidas na imagem 302 correspondam à posição das curvas de textura

702. As curvas de textura 702 têm valor de vetor crescente indo da esquerda para a direita, por exemplo, a extremidade esquerda das curvas pode ser 0 e a extremidade direita pode ser 1, de modo que as curvas de textura 702 tenham um valor contínuo entre 0 e 1. Outros valores de escala também podem ser empregados. Cada uma das linhas corresponde a um eixo, como um X, Y, Z ou cada um dos componentes escalares do vetor associado, (x, y, z) em 3D ou no espaço 2D, cada linha corresponde a X, Y ou os componentes escalares do vetor associado (x, y) em 2D, respectivamente.

Conforme mostrado na FIG. 7A, as curvas de textura 702 incluem três linhas de gráfico, a saber, linha do eixo X 705, linha do eixo Y 710 e linha do eixo Z 715. A linha do eixo X 705 (que pode ser verde, por exemplo) pode corresponder ao componente de vetor x, como da camada de saída 506 e o gráfico correspondente 675. A linha do eixo Y 710 (que pode ser vermelha ou marrom, por exemplo) pode corresponder ao componente do vetor y, como da camada de saída 506 e o gráfico correspondente 675, a linha do eixo Z 715 (que pode ser azul, por exemplo) pode correspondem ao componente de vetor z, como da camada de saída 506 e o gráfico correspondente 675. Por conseguinte, ao visualizar as curvas 702, um usuário pode visualizar os componentes do vetor e as diferenças correspondentes na textura nas várias profundidades / locais.

Isso facilita ainda mais o usuário ver a diferença até mesmo entre texturas semelhantes.

Por exemplo, o segmento azul superior 350 difere do segmento azul inferior 356 em que, por exemplo, a linha do eixo X 705 está mais à direita no segmento azul inferior 356. Isso indica que, embora as texturas sejam consideradas o mesmo tipo de textura (por exemplo, xisto limpo), elas são realmente diferentes em alguns aspectos indicados pela linha do eixo X.

Desta forma, as diferenças entre os grupos e os graus de diferença dentro dos grupos podem ser determinados visualizando as curvas 702. Outras variações de textura exemplificativas são novamente representadas em cores na FIG. 7A com as seções azuis 350, 352, 354, 356 representando uma primeira textura / formação de rocha, a seção vermelha 353 representando uma segunda variação de textura / formação de rocha e as seções verdes 351 e 352 representando uma terceira variação de textura / formação de rocha da amostra de testemunho.

Embora a FIG. 7A ilustre uma curva de texturas convolvidas reduzidas à dimensão de representação de três, a FIG. 7B, ilustra o mesmo, mas com uma dimensão de representação de dois.

A FIG. 7A ilustra uma imagem 303 com segmentos de textura, juntamente com curvas de textura 703 que representam as texturas convolvidas da rede neural.

Cada uma das linhas das curvas de textura 703 corresponde a um eixo, como um X ou Y de um gráfico e / ou cada um dos componentes escalares do vetor associado, (x, y) no espaço 2D.

Neste caso, as curvas de textura 703 incluem apenas duas linhas, por exemplo, linha do eixo x 735 que pode corresponder a um eixo x de um gráfico 2D, ou componente x de um vetor escalar e linha do eixo y 740 que pode corresponder a um eixo x de um gráfico 2D ou componente y de um vetor escalar.

As curvas de textura 703 correspondem à mesma profundidade de imagem que a imagem 303, de modo que, ao visualizar as curvas de textura 703, um usuário pode visualizar os componentes do vetor e as diferenças correspondentes na textura ao longo da profundidade da imagem.

As texturas de rocha são ilustradas em cores como mostrado por segmentos incluindo seções azuis 780, 782, 784 786, 788, representando uma primeira textura de rocha, seção vermelha 781 representando uma segunda textura de rocha e seções verdes 783, 785 e 787 representando uma terceira variação de textura de rocha.

Por conseguinte, as curvas de textura 702 e as curvas de textura 703 da FIG. 7A e 7B permitem uma indicação mais detalhada das mudanças na textura / formação ao longo das seções originalmente divididas.

Por exemplo, embora as seções azul, vermelha e verde forneçam curvas diferentes, a análise também permitiu que as mudanças mais sutis na formação fossem observadas.

Além disso, as curvas de textura podem ser avaliadas juntamente com outros tipos de propriedades de formação para revelar outros aspectos da amostra de formação.

Por conseguinte, medições adicionais da formação ou amostras de formação podem ser obtidas e combinadas com as curvas de textura para fornecer uma maior compreensão das texturas de formação e / ou classificações, que de outra forma não seriam conhecidas pela revisão das curvas de textura sozinhas.

Por exemplo, outras propriedades podem incluir, por exemplo, densidade, dados de resposta fotoelétrica, etc., a fim de fornecer uma melhor compreensão da amostra de formação e / ou ambiente de fundo de poço.

Modalidades de método Um método 500 para obter dados como descrito acima é ilustrado na FIG. 8. O método 500 pode começar no bloco 510, onde uma amostra de formação geológica é obtida a partir de uma formação geológica da qual análise adicional é desejada.

Conforme descrito em detalhes acima, a amostra de formação geológica pode ser coletada de dentro de um furo de poço ou de qualquer outra formação geológica.

Em pelo menos um exemplo, a amostra de formação geológica é coletada durante o processo de perfuração, conforme descrito em relação à FIG. 1A.

Essas amostras podem incluir, mas não estão limitadas a, uma amostra de testemunho e fragmentos e cascalhos de perfuração.

Em um exemplo alternativo, a amostra de formação geológica pode ser recuperada de um furo de poço por meio de uma ferramenta de cabo de aço, conforme descrito em relação à FIG. 1B.

Especificamente, uma ferramenta de cabo de aço pode ser abaixada para uma área do furo de poço para a qual análise adicional é desejada.

A ferramenta de cabo de aço pode, então, recuperar uma amostra da formação geológica adjacente ao furo de poço e retornar a amostra à superfície para análise.

No bloco 520, uma imagem da amostra de formação geológica é capturada a fim de permitir uma análise inicial.

Em pelo menos um exemplo, a amostra de formação geológica é capturada usando um raio-x ou um scanner CT.

Em outros exemplos, a amostra de formação geológica pode ser capturada usando qualquer outro tipo de scanner, sensor de imagem ou combinação de scanners e / ou sensores de imagem.

No bloco 530, uma inspeção visual da imagem pode ser realizada a fim de fornecer uma categorização inicial das texturas dentro da amostra geológica.

Finalmente, no bloco 540, a imagem e a análise inicial da formação geológica podem ser carregadas para um sistema analítico de formação geológica.

Um método 600 para análise detalhada de uma amostra geológica usando um sistema analítico de formação geológica é ilustrado na FIG. 9. O método 600 pode começar no bloco 610, onde os dados (por exemplo, dados de imagem da amostra / imagem capturada) carregados para o sistema analítico de formação geológica são divididos em seções menores, ou fragmentos, para avaliação detalhada.

A divisão dos dados originais em manchas menores permite que as texturas / formações que foram inicialmente indicadas como semelhantes sejam avaliadas posteriormente para determinar se uma pequena mudança na textura ocorreu na formação geológica maior.

No bloco 620, os fragmentos podem ser analisados usando uma rede neural.

A análise da rede neural pode ser conduzida de acordo com a descrição acima.

No bloco 630, uma representação semântica de texturas é extraída dos dados usando a rede neural.

Por exemplo, uma representação numérica para cada mudança na textura pode ser extraída pela rede neural.

Conforme afirmado acima, cada seção da imagem pode ser catalogada com a localização original da amostra geológica.

Em pelo menos um exemplo, os dados numéricos podem ser correlacionados a um local físico, como uma profundidade dentro de um furo de poço.

No bloco 640, um método estatístico, como descrito acima em [0024], pode ser realizado em cada um dos fragmentos.

As etapas acima podem ser repetidas conforme necessário para cada fragmento na imagem original.

Finalmente, as texturas das formações geológicas podem ser exibidas.

No bloco 650, uma curva é criada usando um conjunto de valores numéricos que representam diferentes texturas dentro da formação geológica e dados de localização da amostra inicial.

Por exemplo, a FIG. 6C ilustra uma curva que mostra mudanças na textura correspondente à profundidade dentro de um furo de poço.

Os métodos descritos neste documento fornecem uma análise da textura de uma maneira contínua.

Especificamente, embora os métodos comumente usados permitam a classificação de tipos específicos de rocha (por exemplo, areia, xisto, arenito, etc.), os métodos presentes permitem que outras diferenciações sejam feitas dentro de cada tipo de rocha.

Os dados recolhidos a partir dos métodos descritos acima podem ser armazenados, por exemplo, no armazenamento de dados 214 mostrado na FIG. 10, para referência futura.

Em pelo menos um exemplo, um banco de dados pode ser criado retendo dados de formação geológica para certas áreas.

Em pelo menos um exemplo, o banco de dados pode ser pesquisável de modo que os dados relativos a localizações geológicas específicas ou texturas de rocha específicas possam ser localizados.

Além disso, em pelo menos um exemplo, o armazenamento de dados 214 também pode incluir outras propriedades das formações geológicas, tais como aquelas determinadas usando perfis de poço e outros métodos analíticos.

Esses dados podem permitir que a mecânica geológica e outras propriedades de formação sejam avaliadas e extraídas com maior confiança.

Com base nos métodos e sistemas divulgados neste documento, os operadores podem tomar decisões mais informadas sobre um local de poço e realizar operações de furo de poço.

Por exemplo, com mais conhecimento da imagem de formação e das propriedades associadas, as operações de furo de poço podem ser ajustadas incluindo, operações de perfuração incluindo taxas e direção de perfuração, operações de fraturamento, operações de estimulação, operações de produção, operações secundárias, operações de desvio, operações de localização de reservatório de hidrocarboneto, e semelhantes.

Especificamente, a FIG. 10 ilustra um exemplo de sistema analítico de amostra de formação geológica 200 (doravante "sistema 200") que pode ser implementado para coletar varreduras de amostras de formação geológica de um ou mais locais dentro de um furo de poço, analisar a textura de rocha das amostras de formação geológica para extrair representação semântica de texturas e gerar uma curva que representa a textura da rocha para cada local dentro do furo de poço.

Por exemplo, o sistema 200 pode ser usado para fornecer uma avaliação geral das formações de rocha adjacentes ao furo de poço.

Como será descrito adicionalmente abaixo, o sistema 200 pode incluir ferramentas de avaliação de amostra de formação geológica computadorizada que podem implementar tecnologias de aprendizagem de máquina e processamento de imagem para coletar varreduras, analisar texturas de rocha e gerar uma curva que representa as formações.

Em pelo menos alguns exemplos, o sistema 200 pode incluir um mecanismo de coleta de imagens 202. O mecanismo de coleta de imagem 202 pode receber e armazenar imagens de uma ou mais fontes, como uma entrada do usuário 216, para cortar e designar a localização / área dentro do poço, textura de rocha ou qualquer outro buffer selecionado pelo usuário.

Um mecanismo de análise de imagem 204 pode aplicar visão computacional (por exemplo, processamento de imagem, segmentação, reconhecimento, etc.) e tecnologia de aprendizagem de máquina 208 para identificar propriedades de rocha específicas visíveis nas imagens coletadas pelo mecanismo de coleta de imagem 202. Exemplos não limitativos de propriedades de rocha podem incluir, mas não estão limitados a, tipos de rocha, texturas de rocha, renderizações tridimensionais e / ou quaisquer propriedades de rocha que podem afetar o processo de extração de hidrocarbonetos.

Em alguns casos, o mecanismo de análise de imagem 204 pode implementar rede(s) neural(is) 210 para identificar propriedades de rocha dentro das imagens.

A(s) rede(s) neural(is) 210 pode(m) permitir que o mecanismo de análise de imagem 204 reconheça objetos em imagens, conforme descrito adicionalmente com referência à FIG. 4. O sistema 200 também pode incluir um mecanismo de curva 206 operável para realizar uma ou mais análises matemáticas nos dados recebidos do mecanismo de análise de imagem 204 e gerar uma curva que representa a textura das várias formações de rocha ao longo do comprimento do poço.

Um mecanismo de apresentação 212 também pode ser incluído e pode usar os dados do mecanismo de curva 206, bem como quaisquer outros dados coletados ou gerados pelo sistema 200, para exibir a classificação de rocha em um ou mais locais em todo o furo de poço como uma representação de gráfico ou tridimensional.

Por exemplo, o mecanismo de apresentação 212 pode gerar uma interface ou visualização gráfica de tais dados para exibição em um ou mais dispositivos de exibição (por exemplo, dispositivo de exibição local no sistema 200 e / ou dispositivo de exibição remoto em um sistema diferente). O mecanismo de apresentação 212 pode configurar e / ou formatar os dados gerados para renderização / apresentação com base nas preferências do usuário, preferências do sistema, recursos do sistema, tipo de dados sendo apresentados, várias opções de formatação disponíveis, etc.

Por exemplo, o mecanismo de apresentação 212 pode formatar os dados em forma tabular, geográfica ou de mapa com base na localização dentro do furo de poço, como um gráfico ou gráfico, em forma textual e / ou qualquer outra forma gráfica ou animada.

O armazenamento de dados 214 pode ser usado para armazenar imagens de entrada pelos usuários 216, bem como imagens analisadas pelo mecanismo de análise de imagem 204, texturas de rocha identificadas, dados de curva gerados pelo mecanismo de curva 206, dados de apresentação gerados pelo mecanismo de apresentação 210, dados , logs e / ou estatísticas obtidas da Internet 218 e semelhantes.

Em pelo menos um exemplo, o armazenamento de dados 214 pode ser usado para armazenar todas as informações geradas pelo sistema analítico de formação geológica de modo que um banco de dados pesquisável seja criado para referência futura.

O sistema 200 pode ser parte de, ou implementado por, um ou mais dispositivos de computação, como, por exemplo e sem limitação, um ou mais servidores, laptops, tablets, etc.

Em alguns exemplos, o sistema 200 pode ser implementado por um ou mais ambientes de virtualização ou execução, como uma ou mais máquinas virtuais, contêineres de software, funções sem servidor, etc., que podem ser hospedados ou implementados por um ou mais dispositivos de computação.

Além disso, em alguns casos, o sistema 200 e / ou componentes do sistema 200 podem ser implementados por um ou mais nós ou serviços fornecidos por um ambiente de rede, como, por exemplo, uma nuvem, um datacenter, etc.

A FIG. 11 ilustra um exemplo de fluxo para processar dados de imagem para identificar propriedades de formação rochosa e gerar curvas de textura. Neste exemplo, o mecanismo de coleta de imagem 202 pode receber uma imagem 300, como uma varredura ou renderização de uma amostra de formação geológica. Conforme descrito acima, a localização da amostra pode ser registrada de modo que a varredura possa ser correlacionada a uma localização conhecida dentro do furo de poço. O mecanismo de coleta de imagem 202 pode obter a imagem 300 de uma ou mais fontes, como a Internet 218, armazenamento de dados 214, um usuário 216, um servidor remoto, um aplicativo, etc. Por exemplo, a imagem 300 pode ser carregada para o mecanismo de coleta de imagem 202 por um usuário 216. Como outro exemplo, o mecanismo de coleta de imagem 202 pode obter a imagem do armazenamento de dados 214, onde várias varreduras de amostra de formação geológica podem ser armazenadas. O mecanismo de coleta de imagem 202 pode dividir a imagem 300 em pequenos fragmentos para análise posterior. A imagem 300, cortada pelo mecanismo de coleta de imagem 202 e quaisquer outros dados necessários, incluindo, mas não se limitando a, os dados de localização, conforme descrito acima, podem ser fornecidos como entrada 302 para o mecanismo de análise de imagem

204. O mecanismo de análise de imagem 204 pode usar a entrada 302 para identificar classificações de rochas de seções de formação geológica na imagem 300. Por exemplo, o mecanismo de análise de imagem 204 pode usar rede(s) neural(s) 210 e tecnologia de visão computacional para reconhecer texturas na imagem 300. Por exemplo, o mecanismo de análise de imagem 204 pode analisar fragmentos (por exemplo, pixels e / ou regiões) na imagem 300 e reconhecer de forma inteligente recursos semânticos nos fragmentos com base em padrões e / ou atributos identificados. O mecanismo de análise de imagem 204 pode gerar saída 304 que pode incluir texturas de formação de rocha reconhecidas a partir da imagem 300. O mecanismo de curva 206 pode receber a saída 304 do mecanismo de análise de imagem 204 e usar as texturas de formação de rocha reconhecidas na saída 304 para gerar uma curva de textura 308. A curva 208 pode identificar texturas presentes na formação de rocha da amostra de formação geológica para gerar curvas. As curvas podem incluir valores contínuos que representam as texturas da formação de rocha. Em alguns exemplos, as curvas podem ser renderizadas / apresentadas em uma tela pelo mecanismo de apresentação 212.

Os métodos descritos acima podem ser implementados usando hardware eletrônico, como mostrado e descrito nas FIGS. 12 e 13. Se tais elementos são implementados como hardware ou software depende da aplicação particular e das restrições de design impostas ao sistema geral. Especificamente, a FIG. 12 ilustra um exemplo de arquitetura de sistema de computação de barramento de sistema 1000, em que os componentes do sistema estão em comunicação elétrica uns com os outros usando um barramento 1010. O sistema 1000 pode incluir uma unidade de processamento (CPU ou processador) 1020 e um barramento de sistema 1010 que acopla vários componentes do sistema, incluindo a memória do sistema 1030, como memória somente leitura (ROM) 1040 e memória de acesso aleatório (RAM) 1050, para o processador 1020. O sistema 1000 pode incluir um cache de memória de alta velocidade conectado diretamente com, em estreita proximidade com ou integrado como parte do processador 1020. O sistema 1000 pode copiar dados da memória 1030 e / ou do dispositivo de armazenamento 1060 para o cache 1022 para acesso rápido pelo processador

1020. Dessa forma, o cache 1022 pode proporcionar um aumento de performance que evita que o processador 1020 se atrase enquanto espera os dados. Esses e outros módulos podem controlar ou ser configurados para controlar o processador 1020 para executar várias ações. Outro sistema de memória 1030 pode estar disponível para uso também. A memória 1030 pode incluir vários tipos diferentes de memória com diferentes características de desempenho. Pode-se perceber que a divulgação pode operar em um dispositivo de computação 1000 com mais de um processador 1020 ou em um conjunto ou grupo de dispositivos de computação ligados em rede para proporcionar maior capacidade de processamento. O processador 1020 pode incluir qualquer processador de uso geral e um módulo de hardware ou módulo de software, como primeiro módulo 1062, segundo módulo 1064 e terceiro módulo 1066 armazenado no dispositivo de armazenamento 1060, configurado para controlar o processador 1020, bem como um processador para fins especiais onde as instruções do software são incorporadas ao projeto real do processador. O processador 1020 pode ser essencialmente um sistema de computação completamente independente, contendo múltiplos núcleos ou processadores, um barramento, controlador de memória, cache, etc. Um processador de múltiplos núcleos pode ser simétrico ou assimétrico.

O barramento de sistema 1010 pode ser qualquer um dos vários tipos de estruturas de barramento, incluindo um barramento de memória ou controlador de memória, um barramento de periférico e um barramento local usando qualquer de uma das várias arquiteturas de barramento.

Uma entrada/saída básica (BIOS) armazenada na ROM 1040 ou semelhante, pode fornecer a rotina básica que ajuda a transferir informações entre elementos dentro do dispositivo de computação 1000, tal como durante a inicialização.

O dispositivo de computação 1000 inclui ainda dispositivos de armazenamento 1060 ou mídia de armazenamento legível por computador, como uma unidade de disco rígido, uma unidade de disco magnético, uma unidade de disco ótico, unidade de fita, unidade de estado sólido, unidade RAM, dispositivos de armazenamento removíveis, um arranjo redundante de discos de baixo custo (RAID), dispositivo de armazenamento híbrido ou semelhantes.

O dispositivo de armazenamento 1060 pode incluir módulos de software 1062, 1064, 1066 para controlar o processador 1020. O sistema 1000 pode incluir outros módulos de hardware ou software.

O dispositivo de armazenamento 1030 é conectado ao barramento de sistema 1010 por uma interface de unidade.

As unidades e os dispositivos de armazenamento associados lidos por computador fornecem armazenamento não volátil de instruções lidas por computador, estruturas de dados, módulos de programas e outros dados para o dispositivo de computação 1000. Em um aspecto, um módulo de hardware que executa uma função específica inclui os componentes de software reduzidos em um dispositivo de armazenamento lido por computador tangível em conjunto com os componentes de hardware necessários, tal como o processador 1020, barramento 1010 e assim por diante, para realizar uma função particular.

Em alternativa, o sistema pode usar um processador e um dispositivo de armazenamento lido por computador para armazenar instruções que, quando executadas pelo processador, fazem com que o processador execute operações, um método ou outras ações específicas.

Os componentes básicos e as variações apropriadas podem ser modificados dependendo do tipo de dispositivo, tal como se o dispositivo 1000 for um dispositivo de computação portátil pequeno, um computador de mesa ou um servidor de computador.

Quando o processador 1020 executa instruções para realizar “operações”, o processador 1020 pode realizar as operações diretamente e/ou facilitar, dirigir ou cooperar com outro dispositivo ou componente para executar as operações.

Para permitir a interação do usuário com o dispositivo de computação 1000, um dispositivo de entrada 1090 pode representar qualquer número de mecanismos de entrada, como um microfone para fala, uma tela sensível ao toque para gesto ou entrada gráfica, teclado, mouse, entrada de movimento, fala e assim por diante.

Um dispositivo de saída 1070 também pode ser um ou mais de vários mecanismos de saída conhecidos pelos versados na técnica.

Em alguns casos, os sistemas multimodais podem permitir que um usuário forneça vários tipos de entrada para se comunicar com o dispositivo de computação 1020. A interface de comunicações 1080 geralmente pode governar e gerenciar a entrada do usuário e a saída do sistema.

Não há restrição para operar em qualquer disposição de hardware em particular e, portanto, as características básicas descritas aqui podem ser facilmente substituídas por disposições de hardware ou de firmware melhorado como são desenvolvidos.

O dispositivo de armazenamento 1060 é uma memória não volátil e pode ser um disco rígido ou outros tipos de meio lido por computador que podem armazenar dados acessíveis por um computador, como cassetes magnéticos, cartões de memória flash, dispositivos de memória de estado sólido, discos versáteis digitais (DVDs), cartuchos, RAMs 1050, ROM 1040, um cabo contendo um fluxo de dados e híbridos dos mesmos.

As operações lógicas para realizar a divulgação aqui incluem: (1) uma sequência de etapas, operações ou procedimentos implementados no computador que rodam em um circuito programável com um computador de uso geral, (2) uma sequência de etapas, operações ou procedimentos implementados por computador que rodam em um circuito programável de uso específico; e/ou (3) módulos de máquinas interligadas ou motores de programa dentro dos circuitos programáveis.

O sistema 1000 mostrado na FIG. 10 pode praticar todos ou parte dos métodos citados, pode ser uma parte dos sistemas citados e/ou pode operar de acordo com as instruções no dispositivo de armazenamento legível por computador citado.

Uma ou mais partes do dispositivo de computação de exemplo 1000, até e incluindo todo o dispositivo de computação 1000, podem ser virtualizadas.

Por exemplo, um processador virtual pode ser um objeto de software que é executado de acordo com um conjunto de instruções específico, mesmo quando um processador físico do mesmo tipo que o processador virtual não está disponível.

Uma camada de virtualização ou um “host” virtual pode habilitar componentes virtualizados de um ou mais dispositivos de computação ou tipos de dispositivos diferentes, convertendo as operações virtualizadas para operações reais.

Em última análise, no entanto, o hardware virtualizado de todo tipo de implementado ou executado por algum hardware físico subjacente.

Assim, uma camada de computação de virtualização pode operar sobre uma camada de computação física.

A camada de computação de virtualização pode incluir uma ou mais de uma máquina virtual, uma rede de sobreposição, um hipervisor, comutação virtual e qualquer outro aplicativo de virtualização.

O processador 1020 pode incluir todos os tipos de processadores aqui divulgados, incluindo um processador virtual.

No entanto, quando se refere a um processador virtual, o processador 1020 inclui os componentes de software associados à execução do processador virtual em uma camada de virtualização e ao hardware subjacente necessário para executar a camada de virtualização.

O sistema 1000 pode incluir um processador físico ou virtual 1020 que recebe instruções armazenadas em um dispositivo de armazenamento lido por computador, o que faz com que o processador 1020 execute determinadas operações.

Quando se refere a um processador virtual 1020, o sistema também inclui o hardware físico subjacente que executa o processador virtual 1020. A FIG. 13 ilustra um sistema de computador de exemplo 1150 tendo uma arquitetura de chipset que pode ser usada na execução do método descrito e gerando e exibindo uma interface gráfica de usuário (GUI). O sistema de computador 1150 pode incluir hardware, software e firmware de computador que podem ser utilizados para implementar a tecnologia divulgada.

O sistema 1150 pode incluir um processador 1155, representativo de qualquer número de recursos fisicamente e/ou logicamente distintos capazes de executar software, firmware e hardware configurados para executar computações identificadas.

O processador 1155 pode comunicar com um chipset 1160 que pode controlar a entrada e a saída do processador 1155. O chipset 1160 pode produzir informação para o dispositivo de saída 1165, tal como um visor, e pode ler e escrever informação no dispositivo de armazenamento 1170, o qual pode incluir meios magnéticos e meios de estado sólido.

O chipset 1160 também pode ler dados e gravar dados na RAM 1175. Uma ponte 1180 para interface com uma variedade de componentes de interface de usuário 1185 pode incluir um teclado, um microfone, circuitos de detecção e processamento de toque, um dispositivo apontador, como um mouse, e assim por diante.

Em geral, as entradas para o sistema 1150 podem vir de uma variedade de fontes, geradas por máquina e/ou geradas por humanos.

O chipset 1160 também pode interagir com uma ou mais interfaces de comunicação 1190 que podem ter diferentes interfaces físicas.

Tais interfaces de comunicação podem incluir interfaces para redes locais com e sem fio, para redes sem fio de banda larga, bem como redes de área pessoal.

Algumas aplicações dos métodos para gerar, exibir e usar a GUI divulgada aqui pode incluir o recebimento de conjuntos de dados ordenados através da interface física ou ser gerado pela própria máquina pelo processador 1155 analisando os dados armazenados no armazenamento 1170 ou RAM 1175. Além disso, a máquina pode receber entradas de um usuário via componentes de interface de usuário 1185 e executar funções apropriadas, tais como funções de navegação, interpretando essas entradas usando o processador 1155. Pode ser apreciado que os sistemas 1000 e 1100 podem ter mais de um processador 1020,1155 ou ser parte de um grupo ou agrupamento de dispositivos de computação em rede juntos para fornecer capacidade de processamento.

Por exemplo, o processador 1020, 1155 pode incluir múltiplos processadores, tais como um sistema com múltiplos processadores separados fisicamente em diferentes tomadas ou um sistema com múltiplos núcleos de processadores em um único chip físico.

Do mesmo modo, o processador 1020 pode incluir múltiplos processadores distribuídos localizados em múltiplos dispositivos de computação separados, mas trabalhando em conjunto, tal como através de uma rede de comunicações.

Múltiplos processadores ou núcleos de processadores podem compartilhar recursos, como a memória 1030 ou o cache 1022, ou podem operar usando recursos independentes.

O processador 1020 pode incluir uma ou mais de uma máquina de estado, um circuito integrado específico de aplicação (ASIC) ou um arranjo de portas programável (PGA), incluindo um campo PGA.

Os métodos de acordo com a descrição mencionada anteriormente podem ser implementados utilizando instruções executáveis por computador que são armazenadas ou, de outro modo, disponíveis a partir de meios lidos por computador.

Tais instruções podem compreender instruções e dados que causam, ou de outro modo configuram, um computador de utilização geral, computador para fins especiais ou dispositivo de processamento para fins especiais para executar uma determinada função ou grupo de funções.

Porções de recursos do computador usados podem ser acessíveis em uma rede.

As instruções executáveis do computador podem ser binárias, instruções de formato intermediário, como linguagem de conjunto, firmware ou código de fonte.

Os meios legíveis por computador que podem ser usados para armazenar instruções, informações usadas e/ou informações criadas durante os métodos de acordo com a descrição acima mencionada incluem discos magnéticos ou ópticos, memória flash, dispositivos USB fornecidos com memória não volátil, dispositivos de armazenamento em rede e assim por diante.

Para clareza de explicação, em alguns casos, a presente tecnologia pode ser apresentada como incluindo blocos funcionais individuais, incluindo blocos funcionais compreendendo dispositivos, componentes de dispositivos, etapas ou rotinas, em um método incorporado em software ou combinações de hardware e software.

As funções que esses blocos representam podem ser fornecidas através do uso de hardware compartilhado ou dedicado incluindo, mas não limitado a, hardware capaz de executar software e hardware, como um processador 1020, que é feito para funcionar como um equivalente ao software de execução em um processador de propósito geral.

Por exemplo, as funções de um ou mais processadores representados na FIG. 10 podem ser fornecidas por um único processador compartilhado ou múltiplos processadores. (o uso do termo "processador" não deve ser interpretado para se referir exclusivamente ao hardware capaz de executar software.) Modalidades ilustrativas podem incluir hardware de microprocessador e/ou processador de sinal digital (DSP), ROM 1040 para armazenar software que executa as operações descritas a seguir e RAM 1050 para armazenar os resultados.

Também podem ser providas modalidades de hardware de integração em larga escala (VLSI), bem como circuitos VLSI personalizados em combinação com um circuito DSP de finalidade geral.

Os dispositivos de armazenamento lidos por computador, meios e memórias podem incluir um cabo ou sinal sem fio contendo uma corrente de bits e semelhantes.

No entanto, quando mencionado, meios de armazenamento não transitórios legíveis por computador excluem expressamente meios como energia, sinais transportadores, ondas eletromagnéticas e sinais per se.

Outras modalidades da divulgação podem ser praticadas em ambientes de computação em rede com muitos tipos de configurações de sistemas informáticos, incluindo computadores pessoais, dispositivos portáteis, sistemas com múltiplos processadores, eletrônicos de consumo programável com microprocessador, PCs de rede, minicomputadores, computadores mainframe e semelhantes.

As modalidades também podem ser praticadas em ambientes de computação distribuída, onde as tarefas são executadas por dispositivos de processamento local e remoto que são ligados (por links conectados, links sem fio ou por uma combinação dos mesmos) através de uma rede de comunicações.

Em um ambiente de computação distribuída, os módulos do programa podem estar localizados em dispositivos de armazenamento de memória locais e remotos.

Inúmeros exemplos são fornecidos neste documento para melhorar a compreensão da presente divulgação.

Um conjunto específico de declarações é fornecido como a seguir.

Declaração 1: Um método para analisar propriedades de formação geológica, compreendendo: receber uma imagem de uma amostra de formação; particionar a imagem em uma pluralidade de fragmentos; detectar, por meio de um processador de extração semântica, texturas capturadas na pluralidade de fragmentos; associar as texturas a uma localização da imagem da amostra de formação; reduzir uma dimensão de representação das texturas para obter um ou mais vetores, o um ou mais vetores sendo baseados nas texturas; e fornecer uma pluralidade de curvas com base em um ou mais vetores.

Declaração 2: O método da Declaração 1, compreendendo ainda imagear a amostra de formação.

Declaração 3: O método das Declarações 1 ou 2, compreendendo ainda extrair a amostra de formação de um furo de poço.

Declaração 4: O método de qualquer uma das Declarações anteriores 1-3, em que a amostra de formação é extraída por uma ferramenta de coleta de amostra de núcleo acoplada a um transporte, uma ferramenta de amostragem durante a perfuração ou pela formação de fragmentos e cascalhos por perfuração e circulação de fragmentos e cascalhos para uma superfície.

Declaração 5: O método de qualquer uma das Declarações 1-4 anteriores, em que o processador de extração semântica é uma rede neural.

Declaração 6: O método de qualquer uma das Declarações 1-5 anteriores, em que a rede neural compreende uma rede neural convolucional.

Declaração 7: O método de qualquer uma das Declarações anteriores 1-6, compreendendo ainda fornecer a pluralidade de curvas adjacentes à imagem da amostra de formação.

Declaração 8: O método de qualquer uma das Declarações anteriores 1 a 7, compreendendo dividir a imagem da amostra de formação em segmentos de textura.

Declaração 9: O método de qualquer uma das Declarações 1-8 anteriores, em que cada fragmento da pluralidade de fragmentos compreende um ou mais pixels associados à imagem.

Declaração 10: O método da Declaração 9, em que cada textura representa uma classificação do tipo de rocha de formação.

Declaração 11: O método de qualquer uma das Declarações 1-10 anteriores, compreendendo ainda determinar uma representação estatística da pluralidade de fragmentos em uma direção horizontal com base nas texturas.

Declaração 12: O método de qualquer uma das Declarações anteriores de 1 a 11, em que cada um dos um ou mais vetores compreende pelo menos dois componentes.

Declaração 13: O método de qualquer uma das Declarações anteriores 1-12, em que os pelo menos dois componentes compreendem uma representação de característica semântica e um ou mais parâmetros de localização associados, a representação de característica semântica compreendendo uma classificação de textura.

Declaração 14: Um sistema que compreende: um ou mais processadores; e pelo menos um meio legível por computador não transitório tendo nele instruções armazenadas que, quando executadas por um ou mais processadores, fazem o sistema: receber uma imagem de uma amostra de formação; particionar a imagem em uma pluralidade de fragmentos; detectar texturas capturadas na pluralidade de fragmentos; associar as texturas a uma localização da imagem da amostra de formação; reduzir uma dimensão de representação das texturas para obter um ou mais vetores, sendo o um ou mais vetores baseados nas texturas; e fornecer uma pluralidade de curvas com base em um ou mais vetores.

Declaração 15: O sistema de Declarações 14, em que as texturas são detectadas por meio de uma rede neural, a rede neural compreendendo uma rede neural convolucional.

Declaração 16: O sistema das Declarações 14 ou 15, o pelo menos um meio legível por computador não transitório tendo armazenado nele instruções que, quando executadas por um ou mais processadores, fazem com que o sistema renderize a pluralidade de curvas e a imagem da amostra de formação.

Declaração 17: O sistema de qualquer uma das Declarações anteriores 14-16, em que cada fragmento da pluralidade de fragmentos compreende um ou mais pixels associados à imagem e em que cada textura representa uma classificação do tipo de rocha de formação.

Declaração 18: O sistema de qualquer uma das Declarações anteriores 14-17, o pelo menos um meio legível por computador não transitório tendo nele armazenado instruções que, quando executadas por um ou mais processadores, fazem com que o sistema determine uma representação estatística da pluralidade de fragmentos em uma direção horizontal com base nas texturas.

Declaração 19: O sistema de qualquer uma das Declarações anteriores 14-18, em que cada um dos um ou mais vetores compreende pelo menos dois componentes, os pelo menos dois componentes compreendendo uma representação de recurso semântico e um ou mais parâmetros de localização associados, a representação de recurso semântico compreendendo uma classificação de textura associada a uma textura respectiva.

Declaração 20: Um meio legível por computador não transitório tendo nele instruções armazenadas que, quando executadas por um ou mais processadores, fazem o um ou mais processadores: receber uma imagem de uma amostra de formação; particionar a imagem em uma pluralidade de fragmentos; detectar texturas capturadas na pluralidade de fragmentos; associar as texturas a uma localização da imagem da amostra de formação; reduzir uma dimensão de representação das texturas para obter um ou mais vetores, sendo o um ou mais vetores baseados nas texturas; e fornecer uma pluralidade de curvas com base em um ou mais vetores.

Declaração 21: O meio legível por computador não transitório da Declaração 20, em que as texturas são detectadas por meio de uma rede neural convolucional, em que cada fragmento da pluralidade de fragmentos compreende um ou mais pixels associados à imagem, e em que cada textura representa uma classificação do tipo de rocha de formação.

Declaração 22: O meio legível por computador não transitório das Declarações 21 ou 22, armazenando instruções que, quando executadas por um ou mais processadores, fazem um ou mais processadores: determinar uma representação estatística da pluralidade de fragmentos em uma direção horizontal baseada nas texturas; e apresentar a pluralidade de curvas e a imagem da amostra de formação.

Declaração 23: O meio legível por computador não transitório de qualquer uma das Declarações anteriores 20-22, em que cada um dos um ou mais vetores compreende pelo menos dois componentes, os pelo menos dois componentes compreendendo uma representação de recurso semântico e um ou mais parâmetros de localização associados, a representação de recurso semântico compreendendo uma classificação de textura associada a uma textura respectiva.

Claims (23)

REIVINDICAÇÕES

1. Método para analisar propriedades de formação geológica, caracterizado pelo fato de compreender: receber uma imagem de uma amostra de formação; particionar a imagem em uma pluralidade de fragmentos; detectar, por meio de um processador de extração semântica, texturas capturadas na pluralidade de fragmentos; associar as texturas a uma localização da imagem da amostra de formação; reduzir uma dimensão de representação das texturas para obter um ou mais vetores, o um ou mais vetores sendo baseados nas texturas; e fornecer uma pluralidade de curvas com base em um ou mais vetores.

2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de compreender ainda imagear a amostra de formação.

3. Método, de acordo com a reivindicação 1, caracterizado pelo fato de compreender ainda extrair a amostra de formação de um furo de poço.

4. Método, de acordo com a reivindicação 1, caracterizado pelo fato de a amostra de formação ser extraída por uma ferramenta de coleta de amostra de núcleo acoplada a um transporte, uma ferramenta de amostragem durante a perfuração ou pela formação de fragmentos e cascalhos por perfuração e circulação de fragmentos e cascalhos para uma superfície.

5. Método, de acordo com a reivindicação 1, caracterizado pelo fato de o processador de extração semântica ser uma rede neural.

6. Método, de acordo com a reivindicação 1, caracterizado pelo fato de a rede neural compreender uma rede neural convolucional.

7. Método, de acordo com a reivindicação 1, caracterizado pelo fato de compreender ainda fornecer a pluralidade de curvas adjacentes à imagem da amostra de formação.

8. Método, de acordo com a reivindicação 1, caracterizado pelo fato de compreender ainda dividir a imagem da amostra de formação em segmentos de textura.

9. Método, de acordo com a reivindicação 1, caracterizado pelo fato de cada fragmento da pluralidade de fragmentos compreender um ou mais pixels associados à imagem.

10. Método, de acordo com a reivindicação 1, caracterizado pelo fato de cada textura representar uma classificação do tipo de rocha de formação.

11. Método, de acordo com a reivindicação 1, caracterizado pelo fato de compreender ainda determinar uma representação estatística da pluralidade de fragmentos em uma direção horizontal com base nas texturas.

12. Método, de acordo com a reivindicação 1, caracterizado pelo fato de cada um dos um ou mais vetores compreender pelo menos dois componentes.

13. Método, de acordo com a reivindicação 12, caracterizado pelo fato de os pelo menos dois componentes compreenderem uma representação de recurso semântico e um ou mais parâmetros de localização associados, a representação de recurso semântico compreendendo uma classificação de textura.

14. Sistema, caracterizado pelo fato de compreender: um ou mais processadores; e pelo menos um meio legível por computador não transitório tendo nele instruções armazenadas que, quando executadas por um ou mais processadores, fazem o sistema: receber uma imagem de uma amostra de formação; particionar a imagem em uma pluralidade de fragmentos; detectar texturas capturadas na pluralidade de fragmentos; associar as texturas a uma localização da imagem da amostra de formação; reduzir uma dimensão de representação das texturas para obter um ou mais vetores, o um ou mais vetores sendo baseados nas texturas; e fornecer uma pluralidade de curvas com base em um ou mais vetores.

15. Sistema, de acordo com a reivindicação 14, caracterizado pelo fato de as texturas serem detectadas por meio de uma rede neural, a rede neural compreendendo uma rede neural convolucional.

16. Sistema, de acordo com a reivindicação 14, caracterizado pelo fato de o pelo menos um meio legível por computador não transitório tendo armazenado nele instruções que, quando executadas por um ou mais processadores, fazer o sistema renderizar a pluralidade de curvas e a imagem da amostra de formação.

17. Sistema, de acordo com a reivindicação 14, caracterizado pelo fato de cada fragmento da pluralidade de fragmentos compreender um ou mais pixels associados à imagem e em que cada textura representa uma classificação do tipo de rocha de formação.

18. Sistema, de acordo com a reivindicação 14, caracterizado pelo fato de o pelo menos um meio legível por computador não transitório tendo nele armazenado instruções que, quando executadas por um ou mais processadores, fazer com que o sistema determine uma representação estatística da pluralidade de fragmentos em uma direção horizontal com base nas texturas.

19. Sistema, de acordo com a reivindicação 14, caracterizado pelo fato de cada um dos um ou mais vetores compreender pelo menos dois componentes, os pelo menos dois componentes compreendendo uma representação de recurso semântico e um ou mais parâmetros de localização associados, a representação de recurso semântico compreendendo uma classificação de textura associada a uma textura respectiva.

20. Meio legível por computador não transitório, tendo nele instruções armazenadas que, quando executadas por um ou mais processadores, fazem um ou mais processadores: receber uma imagem de uma amostra de formação; particionar a imagem em uma pluralidade de fragmentos; detectar texturas capturadas na pluralidade de fragmentos; associar as texturas a uma localização da imagem da amostra de formação; reduzir uma dimensão de representação das texturas para obter um ou mais vetores, o um ou mais vetores sendo baseados nas texturas; e fornecer uma pluralidade de curvas com base em um ou mais vetores.

21. Meio legível por computador não transitório, de acordo com a reivindicação 20, caracterizado pelo fato de as texturas serem detectadas por meio de uma rede neural convolucional, em que cada fragmento da pluralidade de fragmentos compreende um ou mais pixels associados à imagem, e em que cada textura representa uma classificação do tipo de rocha de formação.

22. Meio legível por computador não transitório, de acordo com a reivindicação 20, caracterizado pelo fato de armazena instruções que, quando executadas por um ou mais processadores, fazer um ou mais processadores:

determinar uma representação estatística da pluralidade de fragmentos em uma direção horizontal com base nas texturas; e apresentar a pluralidade de curvas e a imagem da amostra de formação.

23. Meio legível por computador não transitório, de acordo com a reivindicação 20, caracterizado pelo fato de cada um dos um ou mais vetores compreender pelo menos dois componentes, os pelo menos dois componentes compreendendo uma representação de recurso semântico e um ou mais parâmetros de localização associados, a representação de recurso semântico compreendendo uma classificação de textura associada a uma textura respectiva.