CN116415107A - 岩心采取率数字化统计方法、系统、介质、设备及终端 - Google Patents
岩心采取率数字化统计方法、系统、介质、设备及终端 Download PDFInfo
- Publication number
- CN116415107A CN116415107A CN202310245762.7A CN202310245762A CN116415107A CN 116415107 A CN116415107 A CN 116415107A CN 202310245762 A CN202310245762 A CN 202310245762A CN 116415107 A CN116415107 A CN 116415107A
- Authority
- CN
- China
- Prior art keywords
- core
- rock
- calculating
- sampling rate
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005070 sampling Methods 0.000 title claims abstract description 36
- 239000011435 rock Substances 0.000 claims abstract description 64
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 238000007619 statistical method Methods 0.000 claims abstract description 19
- 238000005553 drilling Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000003709 image segmentation Methods 0.000 claims abstract description 5
- 238000013441 quality evaluation Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003702 image correction Methods 0.000 claims description 3
- 238000013215 result calculation Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于地质勘探技术领域，公开了一种岩心采取率数字化统计方法、系统、介质、设备及终端，通过深度学习图像分割法和基于大量样本的深度学习机器训练，计算机根据岩心照片识别岩心特征；通过数学算法将图像划分成若干区域，根据边界将各块岩心轮廓进行提取，计算岩心的长度、宽度和等轮廓角点坐标；根据坐标关系换算出每块岩心的实际柱状长度，统计钻探取出的完整岩石和破碎岩石总长度值，除以回次进尺乘以100％所得出的比值，得到回次的采取率，并输出识别后的岩心模型、统计报表、岩心钻探质量评价指标和岩石质量指标。本发明通过图像识别+深度学习可以去除人工计算中的人为因素干扰，准确率更高，提高了工作效率，且省去人工成本。
Description
技术领域
本发明属于地质勘探技术领域，尤其涉及一种岩心采取率数字化统计方法、系统、介质、设备及终端。
背景技术
目前，岩心采取率能反映地层岩性破碎程度，也是衡量钻探质量的重要指标，是评价岩石工程性质的一个重要参数，在国内外各行岩体工程中被广泛应用。目前现场测量岩心采取率的方法仍采用钢卷尺或皮尺进行逐回次量测，测量精度往往受测量工具和人的主观因素影响，测量精度不高，人工读数易出错，不能真实反映岩质质量，现场量测工作量大，机械重复，效率低下，现场人工测量耗时耗力。因此，亟需设计一种新的岩心采取率数字化统计方法。
通过上述分析，现有技术存在的问题及缺陷为：
(1)目前现场测量岩心采取率的方法，测量精度往往受测量工具和人的主观因素影响，测量精度不高，人工读数易出错，不能真实反映岩质质量。
(2)现场量测工作量大，机械重复，效率低下。
(3)现场人工测量耗时耗力。
发明内容
针对现有技术存在的问题，本发明提供了一种岩心采取率数字化统计方法、系统、介质、设备及终端，尤其涉及一种基于图像识别和深度学习技术的岩心采取率数字化统计方法、系统、介质、设备及终端。
本发明是这样实现的，一种岩心采取率数字化统计方法，岩心采取率数字化统计方法包括：
通过深度学习图像分割法和基于大量样本的深度学习机器训练，计算机根据岩心照片识别岩心特征；通过数学算法将图像划分成若干区域，根据边界将各块岩心轮廓进行提取，计算岩心的长度、宽度和等轮廓角点坐标；根据坐标关系换算出每块岩心的实际柱状长度，统计钻探取出的完整岩石和破碎岩石总长度值，除以回次进尺乘以100％所得出的比值，得到回次的采取率，并输出识别后的岩心模型、统计报表、岩心钻探质量评价指标和岩石质量指标。
进一步，所述岩心特征包括碎块状、片状、半柱状、饼状、柱状、灰度、色彩、纹理以及几何形状。
进一步，所述岩心采取率数字化统计方法包括以下步骤：
步骤一，进行计算前的准备工作；
步骤二，进行岩心识别计算过程；
步骤三，计算采取率结果。
进一步，所述步骤一中计算前的准备工作包括：
(1)采集典型岩心照片，岩心箱照片和岩心牌照片，建立岩心样本库；
(2)结合深度学习算法进行样本训练以及深度学习；
(3)根据图像自动识别岩心箱轮廓、岩心轮廓和岩心牌。
进一步，所述步骤二中岩心识别计算过程包括：
(1)将岩心放入标准岩心箱，在钻孔的地质分层处用岩心牌记录关键信息并放回在岩心处；
(2)采用手机终端垂直正射照、校正，以获得标准的整箱岩心照片，并通过图像校正、信息填补补充岩心信息；
(3)分别进行岩心箱轮廓识别、岩心外轮廓提取与识别、岩心牌轮廓识别。
进一步，所述步骤三中采取率结果的计算包括：
(1)获取岩心轮廓；
(2)计算岩心特征和尺寸；
(3)统计计算岩心采取率。
本发明的另一目的在于提供一种应用所述岩心采取率数字化统计方法的岩心采取率数字化统计系统，岩心采取率数字化统计系统包括：
计算前处理模块，用于建立岩心样本库，进行样本训练以及深度学习，根据图像自动识别岩心箱轮廓、岩心轮廓和岩心牌，完成计算前的准备工作；
岩心识别计算模块，用于将岩心放入标准岩心箱，插入记录钻进回次信息的岩心牌；采用手机终端垂直正射照、校正，以获得标准的整箱岩心照片，并分别进行岩心箱轮廓识别、岩心外轮廓提取与识别、岩心牌轮廓识别；
采取率结果计算模块，用于通过获取岩心轮廓，计算岩心特征和尺寸，最后统计计算岩心采取率。
本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述岩心采取率数字化统计方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述岩心采取率数字化统计方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述岩心采取率数字化统计系统。
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
随着计算机图像识别技术、人工智能、深度学习技术的发展，为岩心采取率智能识别、测量、统计创造了条件。本发明提供的岩心采取率数字化统计方法，通过深度学习图像分割法，加上基于大量样本的深度学习机器训练，使得计算机能够准确的根据岩心照片的识别岩心的如碎块状、片状、半柱状、饼状、柱状、灰度、色彩、纹理、几何形状等特征，从而通过一定的数学算法把图像划分成若干个区域，根据边界提取将各块岩心轮廓提取出来，从而计算岩心的长度、宽度、等轮廓角点坐标，并根据坐标关系换算出每块岩心的实际柱状长度，统计出钻探取出的完整岩石+破碎岩石总长度值，除以回次进尺乘以100％所得出的比值，为回次的采取率。同时，本发明该可以高效的输出识别后的岩心模型、统计报表、岩心钻探质量评价指标和岩石质量指标。另外，在日冕水电站XZK5钻孔岩心(13/22)编录过程中，提高本发明的方法采取岩心照片，能在5分钟内通过软件识别该箱岩心2个回次的采取率分别为76％和65％。
本发明的优点为：1)准确率更高，通过图像识别+深度学习可以去除人工计算中的人为因素干扰，准确率更高；2)提高效率，传统方法需要有人拉皮尺和人工计算非常耗费时间，而本发明只需要通过岩心照片采集后上传计算机进行实时处理就可以快速计算出岩心的采取率来，工作效率大大提高；工作时间(以200米进尺钻孔为例)由原来的2个小时缩减到20分钟；3)省去人工成本，以往传统办法需要2～3人协同工作，采用本发明只需要1个人即可。
本发明的技术方案转化后的预期收益和商业价值为：可以大幅度减小野外岩心编录过程中岩心采取率获取的人力成本，缩短工期，提高效率和准确率。本发明可以大幅度推广应用，变成商品，有很大的商业价值。
本发明的技术方案填补了国内外业内技术空白：填补了国内外关于岩心采取率自动获取的数字化方法这一空白。
本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：在业界一直期望能够通过数字化方式提高在野外岩心编录、岩心采取率获得的工作效率，节省人力成本。本技术发明结合图像识别和深度学习技术，解决了这一难题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的岩心采取率数字化统计方法流程图；
图2是本发明实施例提供的岩心采取率数字化统计方法原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种岩心采取率数字化统计方法、系统、介质、设备及终端，下面结合附图对本发明作详细的描述。
为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
术语解释：岩心采取率(core monitor rate)是：在地质勘探过程中，使用N型(75mm)二重管金刚石钻头钻进成孔；其中，某一孔段采出的岩心长度与该孔段实际进尺的百分比，在一个回次内的岩心采取率称回次岩心采取率；在某一岩层内的岩心采取率称分层岩心采取率。
如图1所示，本发明实施例提供的岩心采取率数字化统计方法包括以下步骤：
S101，通过深度学习图像分割法和基于大量样本的深度学习机器训练，计算机根据岩心照片识别岩心特征；
S102，通过数学算法将图像划分成若干区域，根据边界将各块岩心轮廓进行提取，计算岩心的长度、宽度和等轮廓角点坐标；
S103，根据坐标关系换算出每块岩心的实际柱状长度，统计钻探的完整岩石和破碎岩石总长度值，除以回次进尺乘以100％所得比值，得到回次采取率；
S104，输出识别后的岩心模型、统计报表、岩心钻探质量评价指标和岩石质量指标。
本发明实施例提供的岩心特征包括碎块状、片状、半柱状、饼状、柱状、灰度、色彩、纹理以及几何形状。
作为优选实施例，如图2所示，本发明实施例提供的岩心采取率数字化统计方法具体包括以下步骤：
步骤S1，进行计算前的准备工作；
步骤S2，进行岩心识别计算过程；
步骤S3，计算采取率结果。
本发明实施例提供的步骤S1中的计算前的准备工作包括：在进行某项目过程中，采集典型岩心照片，岩心箱照片和岩心牌照片，建立岩心样本库；进行样本训练及深度学习；根据图像自动识别岩心箱轮廓、岩心轮廓和岩心牌。
本发明实施例提供的步骤S2中的岩心识别计算过程包括：
(1)将岩心放入标准岩心箱，在钻孔的地质分层处用岩心牌记录关键信息并放回在岩心处；
(2)通过手机终端垂直方向照相，获取岩心照片，并通过图像校正、信息填补补充岩心信息；
(3)采用算法模型分别进行岩心箱轮廓识别、岩心外轮廓提取与识别、岩心牌轮廓识别。
本发明实施例提供的步骤S3中的采取率结果计算包括：
获取岩心轮廓；计算岩心特征和尺寸；通过模型算法自动统计计算岩心采取率。
本发明实施例提供的岩心采取率数字化统计系统包括：
计算前处理模块，用于建立岩心样本库，进行样本训练以及深度学习，根据图像自动识别岩心箱轮廓、岩心轮廓和岩心牌，完成计算前的准备工作；
岩心识别计算模块，用于将岩心放入标准岩心箱，插入记录钻进回次信息的岩心牌；采用手机终端垂直正射照、校正，以获得标准的整箱岩心照片，并分别进行岩心箱轮廓识别、岩心外轮廓提取与识别、岩心牌轮廓识别；
采取率结果计算模块，用于通过获取岩心轮廓，计算岩心特征和尺寸，最后统计计算岩心采取率。
为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
在日冕水电站XZK5钻孔岩心(13/22)编录过程中，提高本发明采取岩心照片，能在5分钟内通过软件识别该箱岩心2个回次的采取率分别为76％和65％。
本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
在引江补汉输水隧洞LAK69号钻孔岩心编录过程中，传统的人工编录方法需要2个小时才能编录完成，其中岩心采取率需要人工测量、统计、回家后统计分析，这一部分约42分钟。但是采用本发明方法，在现场采集完照片通过软件自动分析计算，岩心采取率获得只需要8分钟，且准确率比人工方法更高。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种岩心采取率数字化统计方法，其特征在于，所述岩心采取率数字化统计方法包括：
通过深度学习图像分割法和基于大量样本的深度学习机器训练，计算机根据岩心照片识别岩心特征；通过数学算法将图像划分成若干区域，根据边界将各块岩心轮廓进行提取，计算岩心的长度、宽度和等轮廓角点坐标；根据坐标关系换算出每块岩心的实际柱状长度，统计钻探取出的完整岩石和破碎岩石总长度值，除以回次进尺乘以100％所得出的比值，得到回次的采取率，并输出识别后的岩心模型、统计报表、岩心钻探质量评价指标和岩石质量指标。
2.如权利要求1所述岩心采取率数字化统计方法，其特征在于，所述岩心特征包括碎块状、片状、半柱状、饼状、柱状、灰度、色彩、纹理以及几何形状。
3.如权利要求1所述岩心采取率数字化统计方法，其特征在于，所述岩心采取率数字化统计方法包括以下步骤：
步骤一，进行计算前的准备工作；
步骤二，进行岩心识别计算过程；
步骤三，计算采取率结果。
4.如权利要求3所述岩心采取率数字化统计方法，其特征在于，所述步骤一中计算前的准备工作包括：
(1)采集典型岩心照片，岩心箱照片和岩心牌照片，建立岩心样本库；
(2)结合深度学习算法进行样本训练以及深度学习；
(3)根据照片自动识别岩心箱轮廓、岩心轮廓和岩心牌。
5.如权利要求3所述岩心采取率数字化统计方法，其特征在于，所述步骤二中岩心识别计算过程包括：
(1)将岩心放入标准岩心箱，在钻孔的地质分层处用岩心牌记录关键信息并放回在岩心处；
(2)采用手机终端垂直正射照、校正，以获得标准的整箱岩心照片，并通过图像校正、信息填补补充岩心信息；
(3)分别进行岩心箱轮廓识别、岩心外轮廓提取与识别、岩心牌轮廓识别。
6.如权利要求3所述岩心采取率数字化统计方法，其特征在于，所述步骤三中采取率结果的计算包括：
(1)获取岩心轮廓；
(2)计算岩心特征和尺寸；
(3)统计计算岩心采取率。
7.一种应用如权利要求1～6任意一项所述岩心采取率数字化统计方法的岩心采取率数字化统计系统，其特征在于，所述岩心采取率数字化统计系统包括：
计算前处理模块，用于建立岩心样本库，进行样本训练以及深度学习，根据图像自动识别岩心箱轮廓、岩心轮廓和岩心牌，完成计算前的准备工作；
岩心识别计算模块，用于将岩心放入标准岩心箱，插入记录钻进回次信息的岩心牌；采用手机终端垂直正射照、校正，以获得标准的整箱岩心照片，并分别进行岩心箱轮廓识别、岩心外轮廓提取与识别、岩心牌轮廓识别；
采取率结果计算模块，用于通过获取岩心轮廓，计算岩心特征和尺寸，最后统计计算岩心采取率。
8.一种计算机设备，其特征在于，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～6任意一项所述岩心采取率数字化统计方法的步骤。
9.一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～6任意一项所述岩心采取率数字化统计方法的步骤。
10.一种信息数据处理终端，其特征在于，信息数据处理终端用于实现如权利要求7所述岩心采取率数字化统计系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310245762.7A CN116415107A (zh) | 2023-03-14 | 2023-03-14 | 岩心采取率数字化统计方法、系统、介质、设备及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310245762.7A CN116415107A (zh) | 2023-03-14 | 2023-03-14 | 岩心采取率数字化统计方法、系统、介质、设备及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116415107A true CN116415107A (zh) | 2023-07-11 |
Family
ID=87058935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310245762.7A Pending CN116415107A (zh) | 2023-03-14 | 2023-03-14 | 岩心采取率数字化统计方法、系统、介质、设备及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116415107A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170286802A1 (en) * | 2016-04-01 | 2017-10-05 | Saudi Arabian Oil Company | Automated core description |
| CN112241711A (zh) * | 2020-10-22 | 2021-01-19 | 东北大学 | 一种从钻孔岩芯照片中识别rqd的智能方法 |
| CN113344050A (zh) * | 2021-05-28 | 2021-09-03 | 中国石油天然气股份有限公司 | 一种基于深度学习的岩性智能化识别方法及系统 |
| CN114662915A (zh) * | 2022-03-24 | 2022-06-24 | 中冶成都勘察研究总院有限公司 | 一种快速获取岩心采取率及rqd值的方法 |
| CN115393605A (zh) * | 2022-08-10 | 2022-11-25 | 长江三峡勘测研究院有限公司（武汉） | 基于图像识别技术的岩芯rqd数字化统计方法、设备及终端 |
-
2023
- 2023-03-14 CN CN202310245762.7A patent/CN116415107A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170286802A1 (en) * | 2016-04-01 | 2017-10-05 | Saudi Arabian Oil Company | Automated core description |
| CN112241711A (zh) * | 2020-10-22 | 2021-01-19 | 东北大学 | 一种从钻孔岩芯照片中识别rqd的智能方法 |
| CN113344050A (zh) * | 2021-05-28 | 2021-09-03 | 中国石油天然气股份有限公司 | 一种基于深度学习的岩性智能化识别方法及系统 |
| CN114662915A (zh) * | 2022-03-24 | 2022-06-24 | 中冶成都勘察研究总院有限公司 | 一种快速获取岩心采取率及rqd值的方法 |
| CN115393605A (zh) * | 2022-08-10 | 2022-11-25 | 长江三峡勘测研究院有限公司（武汉） | 基于图像识别技术的岩芯rqd数字化统计方法、设备及终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104533400B (zh) | 一种重构测井曲线的方法 | |
| Woldt et al. | GROUND WATER MONITORING NETWORK DESIGN USING MULTIPLE CRITERIA DECISION MAKING ANT) GEOSTATISTICS 1 | |
| CN104834806A (zh) | 结构面粗糙度系数尺寸效应取样代表性评价方法 | |
| CN112381938B (zh) | 一种基于非开挖随钻参数机器学习的地层识别方法 | |
| CN115730684A (zh) | 一种基于lstm-cnn模型的空气质量检测系统 | |
| CN201549002U (zh) | 一种地质钻探信息电子编录装置 | |
| CN115393605A (zh) | 基于图像识别技术的岩芯rqd数字化统计方法、设备及终端 | |
| CN114066084B (zh) | 一种基于机器学习的相渗曲线预测方法及系统 | |
| CN114117654A (zh) | 一种基于机器学习的水平井射孔优化设计方法及装置 | |
| CN111784761B (zh) | 矿产资源集合体积估算方法 | |
| CN114186879A (zh) | 地质参数对资源量计算误差影响的评估方法及设备 | |
| CN116415107A (zh) | 岩心采取率数字化统计方法、系统、介质、设备及终端 | |
| Katashov et al. | Digital platform as a tool for efficient reservoir management | |
| CN115146677A (zh) | 基于tbm刀盘振动信号的地质判断方法、装置及终端 | |
| CN112285773B (zh) | 一种隐伏断层二元结构定量表征方法 | |
| CN110702632B (zh) | 一种深部岩矿高光谱信息三维建模方法 | |
| CN117805938B (zh) | 一种基于深度学习的围岩地质力学参数智能预测方法 | |
| Wang et al. | Remote Monitoring of Well Production Performance Based on Machine Learning | |
| CN117934870A (zh) | 一种基于纹理辅助的岩芯自动识别方法及系统 | |
| CN110647554B (zh) | 基于含空间位置信息极点等密图的结构面间距的计算方法 | |
| CN113989453B (zh) | 一种高陡危地形岩体rqd的获取方法、系统及装置 | |
| CN112014876B (zh) | 基于拟三维叠后多属性反演的储层预测方法及装置 | |
| CN116468303A (zh) | 工程地质监测系统及多期航拍测绘的三维地质建模方法 | |
| CN117132784A (zh) | 一种基于图像识别的钻孔岩芯数字化编录方法 | |
| CN117412322A (zh) | 一种区域asf预测方法、系统、介质、设备及终端 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |