EP4073694A1 - Procede de categorisation d'une roche a partir d'au moins une image - Google Patents

Procede de categorisation d'une roche a partir d'au moins une image

Info

Publication number
EP4073694A1
EP4073694A1 EP20816185.1A EP20816185A EP4073694A1 EP 4073694 A1 EP4073694 A1 EP 4073694A1 EP 20816185 A EP20816185 A EP 20816185A EP 4073694 A1 EP4073694 A1 EP 4073694A1
Authority
EP
European Patent Office
Prior art keywords
rock
image
categorizing
categorized
descriptor
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
Application number
EP20816185.1A
Other languages
German (de)
English (en)
Inventor
Antoine BOUZIAT
Jean-Claude Lecomte
Renaud Divies
Sylvain DESROZIERS
Arnaud CAYROL
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
IFP Energies Nouvelles IFPEN
Original Assignee
IFP Energies Nouvelles IFPEN
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by IFP Energies Nouvelles IFPEN filed Critical IFP Energies Nouvelles IFPEN
Publication of EP4073694A1 publication Critical patent/EP4073694A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Definitions

  • the present invention relates to the field of categorization of rocks, in particular the determination of the lithological facies of rocks.
  • the object of the present invention is to automatically and precisely categorize a rock.
  • the present invention relates to a method for categorizing a rock, in which at least one image of the rock to be categorized is acquired, and a decision tree is used which categorizes the rocks according to several descriptors, and a decision tree is used.
  • automatic learning method from a base of rock images. Machine learning is applied for each descriptor considered in order to precisely determine descriptors of the rock to be categorized, which allows precise categorization of the rock by means of the decision tree.
  • the invention relates to a method for categorizing a rock using a rock image database.
  • a decision tree is constructed which categorizes the rocks according to a plurality of descriptors characterizing said rocks; b) Each image of said base of rock images is associated with a plurality of said descriptors characterizing said rock; c) At least one image of said rock to be categorized is acquired; d) at least one descriptor is determined for said at least one acquired image of said rock to be analyzed by means of automatic learning from said base of rock images, automatic learning being applied to each descriptor considered; and e) said rock to be categorized is categorized, by means of said at least one determined descriptor and by means of said constructed decision tree.
  • said decision tree is a decision tree of naturalistic description of said rocks.
  • said at least one image of said rock to be categorized is acquired by photography, by microscopy or by a scanner.
  • said image of said rock to be categorized by photography is acquired by means of a smart phone.
  • said decision tree categorizes the lithological facies of said rock.
  • At least one descriptor characterizing said rock is chosen from the origin of said rock, the chemistry of said rock, the presence of foliation, the presence of olivine, the presence of bedding, the presence of mica.
  • said machine learning uses a neural network, preferably a convolutional neural network.
  • the method comprises a step of pre-processing said at least one image acquired prior to the step of determining at least one descriptor of said at least one acquired image.
  • the method comprises a step of integrating into said rock image base said at least one acquired image and said at least one associated determined descriptor.
  • the invention relates to a method of exploiting a soil or a subsoil, in which the following steps are implemented: a) At least one rock of said soil or of said subsoil is categorized in means of the method of categorizing a rock according to one of the preceding characteristics; and b) said soil or said subsoil is exploited as a function of said categorization of said at least one rock.
  • said exploitation of the ground or of the subsoil relates to the construction of a structure on said ground or in the subsoil, the storage of gas in the subsoil, or the exploitation of raw materials of said soil or said subsoil, preferably said raw materials being the rock itself, or a material or a fluid contained in said soil or in said subsoil.
  • FIG. 1 illustrates the steps of the method according to one embodiment of the invention.
  • FIG. 2 illustrates the steps of the method according to a second embodiment of the invention.
  • Figure 3 illustrates the steps of the method according to a third embodiment of the invention.
  • Figure 4 illustrates a decision tree according to one embodiment of the invention.
  • FIG. 5 illustrates a decision tree for an exemplary embodiment of the invention for the categorization of the lithological facies of a rock.
  • the present invention relates to a method of categorizing a rock.
  • the categorization of a rock is called the determination of a target characteristic of a rock. It can be the identification of a rock, for example it can be in particular the lithological facies of the rock. It can also be ranges of petrophysical properties, such as particle size and porosity, or ranges of geological ages and formation conditions, mechanical history of rock, etc.
  • the method according to the invention uses a database of images of rocks, it is a database of images of different rocks.
  • the method according to the invention implements the following steps:
  • the method according to the invention can be implemented by means of a computer system, in particular a computer, a smart phone ("smartphone"), etc.
  • Steps 1) and 2) can be performed in this order or simultaneously.
  • Steps 1) and 2) can be performed beforehand and can be performed offline.
  • Steps 3) to 6) can be performed online. These steps are detailed in the remainder of the description.
  • FIG. 1 illustrates, schematically and in a nonlimiting manner, the steps of the method according to one embodiment of the invention.
  • ARB which categorizes the rocks according to descriptors (characteristics), and a plurality of descriptors (among those used in the decision tree) are associated with each image of the BIR rock image database.
  • APP machine learning is carried out from the rock image database.
  • the method may further include a step of preprocessing the image.
  • the method according to the invention implements the following steps:
  • the method according to the invention can be implemented by means of a computer system, in particular a computer, a smart phone ("smartphone"), etc.
  • Steps 1) and 2) can be performed in this order or simultaneously.
  • Steps 1) and 2) can be performed beforehand and can be performed offline.
  • Steps 3) to 6) can be performed online. These steps are detailed in the remainder of the description.
  • FIG. 2 illustrates, schematically and in a nonlimiting manner, the steps of the method according to this embodiment of the invention.
  • an ARB decision tree is constructed which categorizes the rocks according to descriptors (characteristics), and a plurality of descriptors (among those used in the BIR rock image base) are associated with each image. decision).
  • APP machine learning is carried out from the rock image database.
  • the method may further include a step of updating the image base with the acquired image.
  • the method according to the invention implements the following steps:
  • the method according to the invention can be implemented by means of a computer system, in particular a computer, a smart phone ("smartphone"), etc.
  • Steps 1) and 2) can be performed in this order, or simultaneously.
  • Steps 1) and 2) can be performed beforehand and can be performed offline.
  • Steps 3) to 7) can be performed online. These steps are detailed in the remainder of the description.
  • FIG. 3 illustrates, schematically and in a nonlimiting manner, the steps of the method according to this embodiment of the invention.
  • an ARB decision tree is constructed which categorizes the rocks according to descriptors (characteristics), and a plurality of descriptors (among those used in the BIR rock image base) are associated with each image. decision).
  • APP machine learning is carried out from the rock image database.
  • On line Onl we acquire an image of the rock to be categorized IMA, then by means of APP machine learning, we determine by inference (INF) a plurality of descriptors desc (only three are shown) of the rock to be categorized, and these descriptors desc are applied to the decision tree ARB to determine DET the categorization because of the rock to be categorized. Finally, the new image acquired and the associated descriptors are added in the automatic learning APP, this step is illustrated by the arrows relating to the descriptors desc which are directed to the automatic learning step.
  • the embodiments described above can be combined to combine the effects.
  • the method can then comprise a step of pre-processing the image and a step of updating the base of rock images.
  • a decision tree is constructed which categorizes the rocks according to several descriptors (called auxiliary characteristics, and which are different from the target characteristic) which categorize the rock.
  • a decision tree is a tool representing a set of choices in the graphical form of a tree. The various possible decisions are located at the ends of the branches (the “leaves” of the tree), and are reached according to decisions taken at each stage.
  • each step corresponds to a value of a descriptor
  • each end of a branch corresponds to a categorization of the rock.
  • Figure 4 illustrates, schematically and in a non-limiting manner, a decision tree that can be used for the method according to the invention.
  • the descriptors are denoted desd, desc2, desc3 and desc4 and are delimited by the vertical dotted lines
  • the values of the descriptors are indicated by letters from a to m
  • the categorizations of the rock are denoted from cari to car8 .
  • the first decision corresponds to the descriptor desd which can take the values a or b.
  • the second descriptor desc2 can take the values c or d, while when the first descriptor desd is equal to b, the second descriptor desc 2 is equal to e or f, and so on.
  • the categorization of the rock is determined. For example, if the first descriptor desd is equal to a, the second descriptor desc2 is equal to c and the third descriptor desc3 is equal to g, then the associated categorization is the cari categorization.
  • the decision tree can be constructed from a naturalistic description of the rocks.
  • descriptors and categorizations can be chosen to match the families of rocks.
  • This embodiment makes it possible to adopt a naturalistic categorization of rocks
  • the categorizations can be in particular: dunite, gabbro, orthogneiss, granite, basalt, mica schist, schist, etc.
  • at least one naturalistic descriptor of the rocks can be determined.
  • the naturalistic descriptor of the rocks can in particular be chosen from:
  • olivine the presence of olivine: it can be present or absent
  • the presence of bedding it can be present or absent, or
  • descriptors make it possible to distinguish between the most frequently encountered rocks. Indeed, these descriptors make it possible to take into account the texture, the origin, the structure (bedding, sheet), the color linked to the chemistry of the rock, the presence of specific minerals (olivine, mica).
  • FIG. 5 illustrates, schematically and in a non-limiting manner, a decision tree for this embodiment.
  • the first descriptor concerns the origin, which can be plutonic (a), effusive (b) or sedimentary (c).
  • the second descriptor concerns chemistry, which can be basic (d, f) or acid (e, g).
  • the second descriptor is foliation which may be present (h) or absent (i).
  • the third descriptor is olivine, which can be present (j) or absent (k).
  • the rock is a dunite, and if it is absent (k) the rock is a Gabbro.
  • the third descriptor is bedding, which can be present (I) or absent (m).
  • bedding is present (I) then the rock is an orthogneiss, and if it is absent (m) the rock is a granite.
  • the rock is a basalt.
  • the origin is effusive (b) and the chemistry acidic (g)
  • the rock is of a different type N / C.
  • the third descriptor is the presence of mica, which can be present (n) or absent (o).
  • mica can be present (n) then the rock is a mica schist, and if it is absent (o) the rock is a shale.
  • the rock is sedimentary (a) and the foliation absent (i), the rock is of another type N / C.
  • the number of categorizations depends on the desired precision in the classification of rocks. According to one aspect of the invention, for the embodiment for which the method categorizes the lithological facies of the rock for a wide audience, the number of categorizations may be between 5 and 30, preferably between 8 and 20. According to one. another aspect of the invention, for the embodiment for which the method categorizes the lithological facies of the rock for a specialist audience, the number of categorizations may be between 5 and 300, or even more.
  • a plurality of rock descriptors are associated with each image of the rock image database.
  • the descriptors are those used to build the decision tree. We thus form a learning base for each descriptor considered.
  • descriptors can be implemented by image processing, which can analyze in particular the colors, shapes, dimensions of the rocks of the rock image base, or any other information contained in the image.
  • the descriptors can also include the geolocation of the image. This geolocation can be linked to the image, in particular if it comes from a photograph taken by a smart phone ("smartphone"). Indeed, this descriptor makes it possible to bring together rocks having close geographical areas.
  • association of images with descriptors can be implemented by a user.
  • the number of rock images in the rock image database can depend on the number of descriptors considered in the decision tree. A large number of rock images improves the accuracy of rock categorization. However, a high number of rock images requires a large memory, and may require a significant process execution time.
  • the base of rock images can include at least one image by categorization of rocks. According to one embodiment, the rock image base can include around one hundred rock images, preferably the number of rock images can be several hundred rock images, preferably the number of rock images. number of rock images can be several thousand rock images, or even several tens of thousands of rock images.
  • a microscopic or macroscopic image can be acquired. This could be an image of a thin blade of a rock, an image of a rock sample, or an image of an outcrop (eg cliff). Thus, it is possible to determine the categorization of the rock regardless of the information available.
  • the image of the rock to be categorized can be acquired by photography, by microscopy, by a scanner, or by any similar means. These means allow a simple acquisition requiring only conventional equipment.
  • the image of the rock can be acquired by photography using a smart phone ("smartphone").
  • smart phone smart phone
  • the pre-processing of the acquired image can consist of a selection of a zone of interest on the acquired image.
  • this pre-processing can make it possible to remove the background of the image, which does not correspond to the rock to be categorized.
  • the pre-processing may consist of a modification of the image, in particular its contrast, its luminosity, an enlargement, etc.
  • the pre-processing may be a pre-processing linked to the method of acquiring the image, for example polarized light, infrared wavelength, etc.
  • At least one descriptor of the acquired image of the rock to be categorized is determined by means of machine learning from said base of rock images and descriptors associated with step 2), and by application to the image acquired in step 3) (and possibly pre-processed in step 4). Machine learning is then applied for each descriptor considered, and a plurality of descriptors of the acquired image is then obtained.
  • This step makes it possible, for each descriptor considered, to bring the acquired image closer to the images of rocks from the rock image database, and thus to classify the acquired image among families of images having the same properties.
  • several characteristics (several descriptors) of the rock to be categorized are independently determined, which makes it possible to precisely determine the categorization of the rock.
  • this step can use image processing (colors, shapes, dimensions %) to perform machine learning.
  • machine learning uses a neural network, preferably a convolutional neural network.
  • the convolutional neural network is particularly suitable for image processing.
  • machine learning can be of any type, in particular a non-convolutional neural network, a random forest method, a support vector machine method (standing for “Support Vector Machine” or SVM), a of Gaussian processes.
  • the rock to be categorized is categorized, by applying the decision tree constructed in step 1) with the descriptors determined in step 5).
  • the decision tree constructed in step 1) we know the decisions of the decision tree, and we can therefore know the end of the branch of the decision tree which corresponds to the rock to be categorized. This branch then indicates the categorization of the rock.
  • the rock to be categorized is an orthogneiss, which corresponds to the categorization performed by a geologist.
  • the categorization of the rock can be displayed on a computer medium, for example a computer or a smart phone.
  • this step is optional for the process.
  • This step concerns updating the rock image database with the acquired images.
  • the learning bases of each descriptor can be increased with each implementation of the method, which promotes the reliability and robustness of the method.
  • the base of rock images can be updated, when the categorization of the rock has been validated by another method (a method according to the prior art, or by a geologist ).
  • the invention relates to a method of exploiting the ground or the subsoil.
  • the following steps are implemented: a) At least one rock from the ground and / or from the subsoil is categorized, by means of the method for categorizing a rock according to any one of the variants or combinations of variants described above; and b) The soil and / or the subsoil is exploited according to the categorization of the rock in the previous step.
  • the operation may concern in particular the field of construction of buildings or works of art, or the field of the exploitation of raw materials, or the field of gas storage, the field of risk determination, etc.
  • the constitution of rock outcrops and / or the subsoil is determined by categorizing the rock, and construction is carried out by adapting in particular the foundations, the structure of the construction according to the categorization of the rock.
  • the rock to be categorized can be taken from the ground or from the subsoil in a slightly buried manner.
  • the constitution of rock outcrops and / or subsoil is determined by categorizing the rock, and we carries out the exploitation of raw materials (the raw materials can be the rock itself, a material, for example a metal, or a fluid, for example hydrocarbons, present in the subsoil), by making it possible in particular to determine the suitable areas (i.e. drilling areas, areas to be dug for mines or quarries, etc. for the purpose of recovering raw materials), determine the methods and tools to be used (e.g. assisted recovery of hydrocarbons, drilling tools, the nature of explosive devices for mines or quarries, etc.).
  • the rock to be categorized can be taken from deep in the subsoil, can result from drill cuttings, or can come from a brush, etc.
  • the constitution of the subsoil is determined by categorizing the rock, and gas storage is carried out in the subsoil in an appropriate area, that is, that is to say in an underground zone capable of storing the gas without leakage.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Processing (AREA)

Abstract

La présente invention concerne un procédé de catégorisation d'une roche, dans lequel on acquiert au moins une image (IMA) de la roche à catégoriser, et on utilise un arbre de décision (ARB) qui catégorise les roches en fonction de plusieurs descripteurs, et une méthode d'apprentissage automatique (APP) à partir d'une base d'images de roches (BIR). L'apprentissage automatique est appliqué pour chaque descripteur considéré.

Description

PROCEDE DE CATEGORISATION D’UNE ROCHE A PARTIR D’AU MOINS UNE IMAGE
Domaine technique
La présente invention concerne le domaine de la catégorisation des roches, notamment la détermination du faciès lithologique des roches.
Dans de nombreux domaines, il est important de bien catégoriser les roches. Par exemple, dans le domaine de la construction de bâtiments ou d’ouvrages d’art, il est important de connaître la constitution du sol et/ou du sous-sol, notamment pour adapter les fondations et la structure de la construction au sol et/ou dans le sous-sol. Dans le domaine d’exploitation de matières premières : par exemple pour les carrières, les mines, la récupération des hydrocarbures, etc., la constitution du sol et/ou du sous-sol est un élément indispensable, afin notamment de déterminer les zones adéquates, de déterminer les outils à utiliser, etc. Il existe d’autres domaines pour lesquels la catégorisation des roches est important.
Pour catégoriser les roches, on utilise généralement des échantillons de roches prélevées, des déblais de forage (« cutting de forage »), des lames minces, etc. et on fait appel à l’expertise d’un géologue. Par conséquent, cette catégorisation est source d’erreur et peut être imprécise. Il existe également un besoin d’automatiser la catégorisation des roches.
Technique antérieure Afin de permettre cette automatisation, plusieurs méthodes de catégorisation des roches ont été développées. Elles sont décrites notamment dans les documents suivants :
Zhang, Y.; Li, M.; Han, S. (2018) Automatic identification and classification in lithology based on deep learning in rock images. Acta Petrol. Sin., 34, 333-342.
Wang, C., Li, Y., Fan, G., Chen, F., & Wang, W. (2018). Quick Récognition of Rock Images for Mobile Applications. Journal of Engineering Science & Technology Review, 11 (4).
Ran, X., Xue, L., Zhang, Y., Liu, Z., Sang, X., & He, J. (2019). Rock Classification from Field Image Patches Analyzed Using a Deep Convolutional Neural Network. Mathematics, 7(8), 755. Zhang, Y., Wang, G., Li, M., & Han, S. (2018). Automated Classification Analysis of Geological Structures Based on Images Data and Deep Learning Model. Applied Sciences, 8(12), 24
Ces documents concernent en particulier la détermination d’un faciès lithologique d’un échantillon de roche par une méthode de classification supervisée directe, à partir d’une image (par exemple une photographie). Ces méthodes utilisent la détermination directe du faciès lithologique à partir de l’image prise dans sa globalité et sans analyse intermédiaire. Toutefois, cette détermination directe peut générer des erreurs, car elle utilise directement l’image de l’échantillon de roche, sans prendre en compte des caractéristiques naturalistes de la roche.
Résumé de l’invention
La présente invention a pour but de catégoriser de manière automatique et de manière précise une roche. Dans ce but, la présente invention concerne un procédé de catégorisation d’une roche, dans lequel on acquiert au moins une image de la roche à catégoriser, et on utilise un arbre de décision qui catégorise les roches en fonction de plusieurs descripteurs, et une méthode d’apprentissage automatique à partir d’une base d’images de roches. L’apprentissage automatique est appliqué pour chaque descripteur considéré de manière à déterminer précisément des descripteurs de la roche à catégoriser, ce qui permet une catégorisation précise de la roche au moyen de l’arbre de décision.
L’invention concerne un procédé de catégorisation d’une roche au moyen d’une base d’images de roches. Pour ce procédé, on met en oeuvre les étapes suivantes : a) On construit un arbre de décision qui catégorise les roches en fonction d’une pluralité de descripteurs caractérisant lesdites roches ; b) On associe à chaque image de ladite base d’images de roches une pluralité desdits descripteurs caractérisant ladite roche ; c) On acquiert au moins une image de ladite roche à catégoriser ; d) On détermine au moins un descripteur pour ladite au moins une image acquise de ladite roche à analyser au moyen d’un apprentissage automatique à partir de ladite base d’images de roches, un apprentissage automatique étant appliqué à chaque descripteur considéré ; et e) On catégorise ladite roche à catégoriser, au moyen dudit au moins un descripteur déterminé et au moyen dudit arbre de décision construit. Selon un mode de réalisation, ledit arbre de décision est un arbre de décision de description naturaliste desdites roches.
Conformément à une mise en oeuvre, on acquiert ladite au moins une image de ladite roche à catégoriser par photographie, par microscopie ou par un scanner.
Avantageusement, on acquiert ladite image de ladite roche à catégoriser par photographie au moyen d’un téléphone intelligent.
Selon un aspect, ledit arbre de décision catégorise le faciès lithologique de ladite roche.
De préférence, au moins un descripteur caractérisant ladite roche est choisi parmi l’origine de ladite roche, la chimie de ladite roche, la présence de foliation, la présence d’olivine, la présence de litage, la présence de mica.
De manière avantageuse, ledit apprentissage automatique utilise un réseau de neurones, de préférence un réseau de neurones convolutifs.
Selon une caractéristique, le procédé comporte une étape de pré-traitement de ladite au moins une image acquise en préalable de l’étape de détermination d’au moins un descripteur de ladite au moins une image acquise.
Conformément à un mode de réalisation, le procédé comporte une étape d’intégration dans ladite base d’images de roches de ladite au moins une image acquise et dudit au moins un descripteur déterminé associé.
En outre, l’invention concerne un procédé d’exploitation d’un sol ou d’un sous-sol, dans lequel on met en oeuvre les étapes suivantes : a) On catégorise au moins une roche dudit sol ou dudit sous-sol au moyen du procédé de catégorisation d’une roche selon l’une des caractéristiques précédentes ; et b) On exploite ledit sol ou ledit sous-sol en fonction de ladite catégorisation de ladite au moins une roche.
Selon un mode de réalisation, ladite exploitation du sol ou du sous-sol concerne la construction d’un ouvrage sur ledit sol ou dans le sous-sol, le stockage de gaz dans le sous- sol, ou l’exploitation de matières premières dudit sol ou dudit sous-sol, de préférence lesdites matières premières étant la roche elle-même, ou un matériau ou un fluide contenu dans ledit sol ou dans ledit sous-sol.
D'autres caractéristiques et avantages du procédé selon l'invention, apparaîtront à la lecture de la description ci-après d'exemples non limitatifs de réalisations, en se référant aux figures annexées et décrites ci-après.
Liste des figures
La figure 1 illustre les étapes du procédé selon un mode de réalisation de l’invention. La figure 2 illustre les étapes du procédé selon un deuxième mode de réalisation de l’invention.
La figure 3 illustre les étapes du procédé selon un troisième mode de réalisation de l’invention.
La figure 4 illustre un arbre de décision selon un mode de réalisation de l’invention.
La figure 5 illustre un arbre de décision pour un exemple de réalisation de l’invention pour la catégorisation du faciès lithologique d’une roche.
Description des modes de réalisation
La présente invention concerne un procédé de catégorisation d’une roche. On appelle la catégorisation d’une roche, la détermination d’une caractéristique cible d’une roche. Il peut s’agir de l’identification d’une roche, par exemple il peut s’agir notamment du faciès lithologique de la roche. Il peut s’agir également de gammes de propriétés pétrophysiques, telles que la granulométrie et la porosité, ou de gammes d’âges géologiques et de conditions de formations, de l’histoire mécanique de la roche, etc. Le procédé selon l’invention utilise une base d’images de roches, il s’agit d’une base de données d’images de différentes roches.
Le procédé selon l’invention met en oeuvre les étapes suivantes :
1. Construction d’un arbre de décision
2. Association de descripteurs à la base d’images de roches
3. Acquisition d’une image de roche
5. Détermination de descripteurs
6. Catégorisation de la roche
Le procédé selon l’invention peut être mis en oeuvre au moyen d’un système informatique, notamment un ordinateur, un téléphone intelligent (« smartphone »), etc. Les étapes 1) et 2) peuvent être exécutées dans cet ordre ou simultanément. Les étapes 1) et 2) peuvent être réalisées au préalable et peuvent être réalisées hors ligne. Les étapes 3) à 6) peuvent être réalisées en ligne. Ces étapes sont détaillées dans la suite de la description.
La figure 1 illustre, schématiquement et de manière non limitative, les étapes du procédé selon un mode de réalisation de l’invention. Au préalable, on construit un arbre de décision ARB qui catégorise les roches en fonction de descripteurs (caractéristiques), et on associe à chaque image de la base d’images de roches BIR une pluralité de descripteurs (parmi ceux utilisés dans l’arbre de décision). On réalise un apprentissage automatique APP à partir de la base d’images de roches. En ligne Onl, on acquiert une image de la roche à catégoriser IMA, puis au moyen de l’apprentissage automatique APP, on détermine par inférence (INF) une pluralité de descripteurs desc (seuls trois sont représentés) de la roche à catégoriser, et on applique ces descripteurs desc à l’arbre de décision ARB pour déterminer DET la catégorisation car de la roche à catégoriser.
Selon un mode de réalisation, le procédé peut comporter en outre une étape de pré traitement de l’image. Dans ce cas, le procédé selon l’invention met en oeuvre les étapes suivantes :
1. Construction d’un arbre de décision
2. Association de descripteurs à la base d’images de roches
3. Acquisition d’une image de roche
4. Pré-traitement de l’image
5. Détermination de descripteurs
6. Catégorisation de la roche
Le procédé selon l’invention peut être mis en oeuvre au moyen d’un système informatique, notamment un ordinateur, un téléphone intelligent (« smartphone »), etc. Les étapes 1) et 2) peuvent être exécutées dans cet ordre ou simultanément. Les étapes 1) et 2) peuvent être réalisées au préalable et peuvent être réalisées hors ligne. Les étapes 3) à 6) peuvent être réalisées en ligne. Ces étapes sont détaillées dans la suite de la description.
La figure 2 illustre, schématiquement et de manière non limitative, les étapes du procédé selon ce mode de réalisation de l’invention. Au préalable, on construit un arbre de décision ARB qui catégorise les roches en fonction de descripteurs (caractéristiques), et on associe à chaque image de la base d’images de roches BIR une pluralité de descripteurs (parmi ceux utilisés dans l’arbre de décision). On réalise un apprentissage automatique APP à partir de la base d’images de roches. En ligne Onl, on acquiert une image de la roche à catégoriser IMA, puis, on réalise un pré-traitement PRT de l’image acquise, puis au moyen de l’apprentissage automatique APP, on détermine par inférence (INF) une pluralité de descripteurs desc (seuls trois sont représentés) de la roche à catégoriser, et on applique ces descripteurs desc à l’arbre de décision ARB pour déterminer DET la catégorisation car de la roche à catégoriser.
Conformément à une mise en oeuvre de l’invention, le procédé peut comporter en outre une étape de mise à jour de la base d’images avec l’image acquise. Dans ce cas, le procédé selon l’invention met en oeuvre les étapes suivantes :
1. Construction d’un arbre de décision
2. Association de descripteurs à la base d’images de roches
3. Acquisition d’une image de roche
5. Détermination de descripteurs
6. Catégorisation de la roche
7. Mise à jour de la base d’images
Le procédé selon l’invention peut être mis en oeuvre au moyen d’un système informatique, notamment un ordinateur, un téléphone intelligent (« smartphone »), etc. Les étapes 1) et 2) peuvent être exécutées dans cet ordre, ou simultanément. Les étapes 1) et 2) peuvent être réalisées au préalable et peuvent être réalisées hors ligne. Les étapes 3) à 7) peuvent être réalisées en ligne. Ces étapes sont détaillées dans la suite de la description.
La figure 3 illustre, schématiquement et de manière non limitative, les étapes du procédé selon ce mode de réalisation de l’invention. Au préalable, on construit un arbre de décision ARB qui catégorise les roches en fonction de descripteurs (caractéristiques), et on associe à chaque image de la base d’images de roches BIR une pluralité de descripteurs (parmi ceux utilisés dans l’arbre de décision). On réalise un apprentissage automatique APP à partir de la base d’images de roches. En ligne Onl, on acquiert une image de la roche à catégoriser IMA, puis au moyen de l’apprentissage automatique APP, on détermine par inférence (INF) une pluralité de descripteurs desc (seuls trois sont représentés) de la roche à catégoriser, et on applique ces descripteurs desc à l’arbre de décision ARB pour déterminer DET la catégorisation car de la roche à catégoriser. Enfin, la nouvelle image acquise et les descripteurs associés sont ajoutés dans l’apprentissage automatique APP, cette étape est illustrée par les flèches relatives aux descripteurs desc qui sont dirigées vers l’étape d’apprentissage automatique. Les modes de réalisations décrits ci-dessus peuvent être combinés pour en combiner les effets. Le procédé peut alors comprendre une étape de pré-traitement de l’image et une étape de mise à jour de la base d’images de roches.
1. Construction d’un arbre de décision
Lors de cette étape, on construit un arbre de décision qui catégorise les roches en fonction de plusieurs descripteurs (dites caractéristiques auxiliaires, et qui sont différentes de la caractéristique cible) qui catégorisent la roche. Un arbre de décision est un outil représentant un ensemble de choix sous la forme graphique d'un arbre. Les différentes décisions possibles sont situées aux extrémités des branches (les « feuilles » de l'arbre), et sont atteintes en fonction de décisions prises à chaque étape. En l’espèce, chaque étape correspond à une valeur d’un descripteur, et chaque extrémité de branche correspond à une catégorisation de la roche. Ainsi, il est possible de déterminer précisément la catégorisation d’une roche au moyen de plusieurs descripteurs. En effet, lorsqu’on connaît les descripteurs, on obtient l’ensemble des étapes permettant d’aboutir à l’extrémité d’une unique branche de l’arbre de décisions. Il est possible que pour arriver à une extrémité d’une branche de l’arbre de décision, tous les descripteurs ne soient pas utilisés.
La figure 4 illustre, schématiquement et de manière non limitative, un arbre de décision pouvant être utilisé pour le procédé selon l’invention. Sur cette figure, les descripteurs sont notés desd , desc2, desc3 et desc4 et sont délimités par les traits verticaux pointillés, les valeurs des descripteurs sont indiquées par des lettres de a à m, et les catégorisations de la roche sont notées de cari à car8. Pour cet exemple, la première décision correspond au descripteur desd qui peut prendre les valeurs a ou b. Lorsque le premier descripteur desd vaut a, le deuxième descripteur desc2 peut prendre les valeurs c ou d, alors que lorsque le premier descripteur desd vaut b, le deuxième descripteur desc 2 vaut e ou f, et ainsi de suite. En combinant trois niveaux de descripteurs, on détermine la catégorisation de la roche. Par exemple, si le premier descripteur desd vaut a, le deuxième descripteur desc2 vaut c et le troisième descripteur desc3 vaut g, alors la catégorisation associée est la catégorisation cari .
Selon un mode de réalisation de l’invention, l’arbre de décision peut être construit à partir une description naturaliste des roches. En d’autres termes, les descripteurs et les catégorisations peuvent être choisis pour correspondre aux familles des roches. Ce mode de réalisation permet d’adopter une catégorisation naturaliste des roches Par exemple, pour le mode de réalisation pour lequel la catégorisation correspond au faciès lithologique de la roche, les catégorisations peuvent être notamment : dunite, gabbro, orthogneiss, granité, basalte, micaschiste, schiste, etc. Pour ce mode de réalisation, on peut déterminer au moins un descripteur naturaliste des roches. En particulier, le descripteur naturaliste des roches peut être notamment choisi parmi :
- l’origine de la roche : elle peut être notamment plutonique, effusive ou sédimentaire,
- la chimie de la roche : elle peut être notamment acide ou basique,
- la présence de foliation : elle peut être présente ou absente,
- la présence d’olivine : elle peut être présente ou absente,
- la présence de litage : elle peut être présente ou absente, ou
- la présence de mica : elle peut être présente ou absente.
Ces descripteurs (non limitatifs) permettent de bien discriminer les roches les plus fréquemment rencontrées. En effet, ces descripteurs permettent de prendre en compte la texture, l’origine, la structure (litage, feuillet), la couleur liée à la chimie de la roche, la présence de minéraux spécifiques (olivine, mica).
La figure 5 illustre, schématiquement et de manière non limitative, un arbre de décision pour ce mode de réalisation. Sur cette figure, la symbolique est identique à la symbolique utilisée pour la figure 4. Le premier descripteur concerne l’origine, qui peut être plutonique (a), effusive (b) ou sédimentaire (c). Lorsque l’origine est plutonique (a) ou effusive (b), le deuxième descripteur concerne la chimie, qui peut être basique (d, f) ou acide (e, g). Lorsque que l’origine est sédimentaire (c), le deuxième descripteur est la foliation qui peut être présente (h) ou absente (i). Lorsque l’origine est plutonique (a) et la chimie basique (d), le troisième descripteur est l’olivine, qui peut être présente (j) ou absente (k). Dans ce cas, si l’olivine est présente (j) alors la roche est une dunite, et si elle est absente (k) la roche est une Gabbro. Lorsque l’origine est plutonique (a) et la chimie acide (e), le troisième descripteur est le litage, qui peut être présent (I) ou absent (m). Dans ce cas, si le litage est présent (I) alors la roche est une orthogneiss, et si il est absent (m) la roche est un granité. Lorsque l’origine est effusive (b) et la chimie basique (f), la roche est un basalte. Lorsque l’origine est effusive (b) et la chimie acide (g), la roche est d’un type autre N/C. Lorsque l’origine est sédimentaire (c) et la foliation présente (d), le troisième descripteur est la présence de mica, qui peut être présent (n) ou absent (o). Dans ce cas, si le mica est présent (n) alors la roche est un micaschiste, et si il est absent (o) la roche est un schiste. Lorsque la roche est sédimentaire (a) et la foliation absente (i), la roche est d’un type autre N/C.
Au sein de l’arbre de décision, le nombre d’étapes et de valeurs à chaque branche n’est pas limité aux exemples des figures 4 et 5.
Le nombre de catégorisations (nombre d’extrémités de branches de l’arbre de décision) dépend de la précision souhaitée dans la classification des roches. Selon un aspect de l’invention, pour le mode de réalisation pour lequel le procédé catégorise le faciès lithologique de la roche pour un public large, le nombre de catégorisations peut être compris entre 5 et 30, de préférence entre 8 et 20. Selon un autre aspect de l’invention, pour le mode de réalisation pour lequel le procédé catégorise le faciès lithologique de la roche pour un public spécialisé, le nombre de catégorisations peut être compris entre 5 et 300, voire plus.
2. Association de descripteurs à la base d’images de roches
Lors de cette étape, on associe à chaque image de la base d’images de roches une pluralité de descripteurs des roches. Les descripteurs sont ceux utilisés pour construire l’arbre de décision. On forme ainsi une base d’apprentissage par descripteur considéré.
Cette association de descripteurs peut être mise en oeuvre par traitement d’images, qui peut analyser notamment les couleurs, formes, dimensions des roches de la base d’images de roches, ou tout autre information contenue dans l’image. Selon une caractéristique de l’invention, les descripteurs peuvent comprendre également la géolocalisation de l’image. Cette géolocalisation peut être liée à l’image, notamment si celle-ci est issue d’une photographie prise par un téléphone intelligent (« smartphone »). En effet, ce descripteur permet de rapprocher des roches ayant des zones géographiques proches.
Alternativement, l’association des images aux descripteurs peut être mise en oeuvre par un utilisateur.
Le nombre d’images de roches de la base d’images de roches peut dépendre du nombre de descripteurs considérés dans l’arbre de décision. Un grand nombre d’images de roches permet d’améliorer la précision de la catégorisation de la roche. Toutefois, un nombre élevé d’images de roches nécessite une mémoire importante, et peut nécessiter un temps d’exécution du procédé important. La base d’images de roches peut comporter au moins une image par catégorisation de roches. Selon un mode de réalisation, la base d’image de roches peut comporter une centaine d’images de roches, de préférence le nombre d’images de roches peut être de plusieurs centaines d’images de roches, de manière préférée, le nombre d’images de roches peut être de plusieurs milliers d’images de roches, voire plusieurs dizaines de milliers d’images de roches.
3. Acquisition d’une image de roche Lors de cette étape, on acquiert au moins une image de la roche à catégoriser. De préférence, il peut s’agir d’une image numérique.
Conformément à une mise en oeuvre de l’invention, on peut acquérir une image microscopique ou macroscopique. Il peut s’agir d’une image d’une lame mince d’une roche, d’une image d’un échantillon de roche, ou une image d’un affleurement (par exemple falaise). Ainsi, il est possible de déterminer la catégorisation de la roche quelle que soit l’information disponible.
Selon un mode de réalisation de l’invention, on peut acquérir l’image de la roche à catégoriser par photographie, par microscopie, par un scanner, ou par tout moyen analogue. Ces moyens permettent une acquisition simple ne nécessitant que du matériel classique. Selon un exemple de réalisation, on peut acquérir l’image de la roche par photographie au moyen d’un téléphone intelligent (« smartphone »). Ainsi, l’acquisition de l’image de roche ne nécessite pas de matériel conséquent, et peut être réalisé partout, sans prérequis technique.
Afin d’améliorer la précision de la catégorisation de la roche, on peut acquérir plusieurs images de la roche.
4. Pré-traitement de l’image
Il s’agit d’une étape optionnelle du procédé. Lors de cette étape, on réalise un pré-traitement de l’image acquise à l’étape 3) avant l’étape de détermination des descripteurs de l’image acquise. Cette étape permet notamment d’améliorer la précision de la détermination de descripteurs.
Selon un mode de réalisation de l’invention, le pré-traitement de l’image acquise peut consister en une sélection d’une zone d’intérêt sur l’image acquise. Par exemple, ce pré traitement peut permettre de retirer le fond de l’image, qui ne correspond pas à la roche à catégoriser. En variante, le pré-traitement peut consister en une modification de l’image, notamment son contraste, sa luminosité, un agrandissement, etc.
Selon une mise en oeuvre de l’invention, le pré-traitement peut être un pré-traitement lié à la méthode d’acquisition de l’image, par exemple lumière polarisée, longueur d’onde infrarouge, etc.
5. Détermination de descripteurs
Lors de cette étape, on détermine au moins un descripteur de l’image acquise de la roche à catégoriser au moyen d’un apprentissage automatique (de l’anglais « machine learning ») à partir de ladite base d’images de roches et des descripteurs associés à l’étape 2), et par application à l’image acquise à l’étape 3) (et éventuellement pré-traitée à l’étape 4). On applique alors un apprentissage automatique par descripteur considéré, on obtient alors une pluralité de descripteurs de l’image acquise.
Cette étape permet, pour chaque descripteur considéré, de rapprocher l’image acquise des images de roches de la base d’images de roches, et ainsi de classer l’image acquise parmi des familles d’images ayant les mêmes propriétés. De cette manière, on détermine de manière indépendante plusieurs caractéristiques (plusieurs descripteurs) de la roche à catégoriser, ce qui permet de déterminer précisément la catégorisation de la roche.
Conformément à une mise en oeuvre, cette étape peut utiliser un traitement d’image (couleurs, formes, dimensions...) pour réaliser l’apprentissage automatique.
Selon un mode de réalisation de l’invention, l’apprentissage automatique utilise un réseau de neurones, de préférence un réseau de neurones convolutifs. Le réseau de neurones convolutifs est particulièrement adapté au traitement de l’image.
Alternativement, l’apprentissage automatique peut être de tout type, notamment un réseau de neurones non convolutifs, une méthode de forêt aléatoire, une méthode de machine à vecteurs de support (de l’anglais « Support Vecteur Machine » ou SVM), une méthode de processus gaussiens.
6. Catégorisation de la roche
Lors de cette étape, on catégorise la roche à catégoriser, en appliquant l’arbre de décision construit à l’étape 1) avec les descripteurs déterminés à l’étape 5). En d’autres termes, connaissant les descripteurs, on connaît les décisions de l’arbre de décision, et on peut donc connaître l’extrémité de la branche de l’arbre de décision qui correspond à la roche à catégoriser. Cette branche indique alors la catégorisation de la roche.
Pour une image d’une roche à catégoriser, on applique l’arbre de décision de l’exemple correspondant au mode de réalisation de la figure 5, et les descripteurs suivants déterminés à l’étape 5:
- origine : plutonique,
- chimie : acide,
- litage : présence.
Par conséquent, d’après l’arbre de décisions, la roche à catégoriser est une orthogneiss, ce qui correspond à la catégorisation réalisée par un géologue.
On note, que pour ce type de roche, une méthode selon l’art antérieur utilisant la même base d’images de roches, et le même prédicteur (réseau de neurones convolutifs), et telle que décrite dans le préambule de la description, a catégorisé cette roche comme un granité. Par conséquent, le procédé selon l’invention permet de catégoriser une roche de manière plus précise que les méthodes de l’art antérieur.
Selon un mode de réalisation de l’invention, la catégorisation de la roche peut être affichée sur un moyen informatique, par exemple un ordinateur ou un téléphone intelligent.
7. Mise à jour de la base d’images
On rappelle que cette étape est optionnelle pour le procédé. Cette étape concerne la mise à jour de la base d’images de roches avec les images acquises. Ainsi, les bases d’apprentissage de chaque descripteur peuvent être augmentées à chaque mise en oeuvre du procédé ce qui favorise la fiabilité et la robustesse du procédé.
Conformément à une mise en oeuvre de l’invention, on peut mettre à jour la base d’images de roches, lorsque la catégorisation de la roche a été validée par une autre méthode (une méthode selon l’art antérieur, ou par un géologue).
En outre, l’invention concerne un procédé d’exploitation du sol ou du sous-sol. Pour ce procédé, on met en oeuvre les étapes suivantes : a) On catégorise au moins une roche du sol et/ou du sous-sol, au moyen du procédé de catégorisation d’une roche selon l’une quelconque des variantes ou des combinaisons de variantes décrites précédemment ; et b) On exploite le sol et/ou le sous-sol en fonction de la catégorisation de la roche à l’étape précédente.
L’exploitation peut concerner notamment le domaine de la construction de bâtiments ou d’ouvrages d’art, ou le domaine de l’exploitation de matières premières, ou le domaine du stockage de gaz, le domaine de la détermination des risques, etc.
Dans le domaine de la construction, on détermine la constitution des affleurements rocheux et/ou du sous-sol par la catégorisation de la roche, et on réalise la construction en adaptant notamment les fondations, la structure de la construction en fonction de la catégorisation de la roche. Pour ces applications, la roche à catégoriser peut être prélevée sur le sol ou dans le sous-sol de manière peu enfouie.
Dans le domaine d’exploitation de matières premières (par exemple pour les carrières, les mines, la récupération des hydrocarbures, etc), on détermine la constitution des affleurements rocheux et/ou du sous-sol par la catégorisation de la roche, et on réalise l’exploitation de matières premières (les matières premières peuvent être la roche elle- même, un matériau, par exemple un métal, ou un fluide, par exemple des hydrocarbures, présents dans le sous-sol), en permettant notamment de déterminer les zones adéquates (c’est-à-dire les zones de forage, les zones à creuser pour les mines ou les carrières, etc. dans le but de récupérer des matières premières), de déterminer les méthodes et les outils à utiliser (par exemple la récupération assistée des hydrocarbures, les outils de forage, la nature des engins explosifs pour les mines ou les carrières, etc.). Pour ces applications, la roche à catégoriser peut être prélevée en profondeur dans le sous-sol, peut résulter d’un débris de forage, ou peut provenir d’un effleurement, etc.
Dans le domaine du stockage de gaz, par exemple du C02, on détermine la constitution du sous-sol par la catégorisation de la roche, et on réalise le stockage de gaz dans le sous-sol dans une zone adéquate, c’est-à-dire dans une zone souterraine apte à stocker le gaz sans fuite.
Dans le domaine de la détermination des risques, on détermine la constitution d’un affleurement rocheux (falaise) par la catégorisation de la roche, et on réalise une opération de consolidation s’il existe un risque d’affaissement ou d’éboulement de l’affleurement rocheux. Ainsi, ce procédé permet de mettre en oeuvre l’exploitation du sol et/ou du sous-sol, de manière simple et rapide, sans faire appel à un géologue expert. Le procédé permet également de traiter plus rapidement de très importantes quantités de roches.
Une autre application possible du procédé de l’invention, et l’information du public de la catégorisation des roches (« géo-tourisme »).
Comme il va de soi, l’invention ne se limite pas aux seules formes de réalisation décrites ci- dessus à titre d’exemple, elle embrasse au contraire toutes les variantes de réalisation.

Claims

Revendications
1. Procédé de catégorisation d’une roche au moyen d’une base d’images de roches (BIR), caractérisé en ce qu’on met en oeuvre les étapes suivantes : a) On construit un arbre de décision (ARB) qui catégorise les roches en fonction d’une pluralité de descripteurs caractérisant lesdites roches ; b) On associe à chaque image de ladite base d’images de roches (BIR) une pluralité desdits descripteurs caractérisant ladite roche ; c) On acquiert au moins une image (IMA) de ladite roche à catégoriser ; d) On détermine (INF) au moins un descripteur (desc) pour ladite au moins une image acquise (IMA) de ladite roche à analyser au moyen d’un apprentissage automatique (APP) à partir de ladite base d’images de roches (BIR), un apprentissage automatique étant appliqué à chaque descripteur considéré ; et e) On catégorise ladite roche à catégoriser, au moyen dudit au moins un descripteur déterminé (desc) et au moyen dudit arbre de décision construit (ARB).
2. Procédé de catégorisation d’une roche selon la revendication 1 , dans lequel ledit arbre de décision (ABR) est un arbre de décision de description naturaliste desdites roches.
3. Procédé de catégorisation d’une roche selon l’une des revendications précédentes, dans lequel on acquiert ladite au moins une image (IMA) de ladite roche à catégoriser par photographie, par microscopie ou par un scanner.
4. Procédé de catégorisation d’une roche selon la revendication 3, dans lequel on acquiert ladite image (IMA) de ladite roche à catégoriser par photographie au moyen d’un téléphone intelligent.
5. Procédé de catégorisation d’une roche selon l’une des revendications précédentes, dans lequel ledit arbre de décision (ARB) catégorise le faciès lithologique de ladite roche.
6. Procédé de catégorisation d’une roche selon la revendication 5, dans lequel au moins un descripteur caractérisant ladite roche est choisi parmi l’origine de ladite roche, la chimie de ladite roche, la présence de foliation, la présence d’olivine, la présence de litage, la présence de mica.
7. Procédé de catégorisation d’une roche selon l’une des revendications précédentes, dans lequel ledit apprentissage automatique (APP) utilise un réseau de neurones, de préférence un réseau de neurones convolutifs.
8. Procédé de catégorisation d’une roche selon l’une des revendications précédentes, dans lequel le procédé comporte une étape de pré-traitement (PRT) de ladite au moins une image acquise (IMA) en préalable de l’étape de détermination d’au moins un descripteur de ladite au moins une image acquise.
9. Procédé de catégorisation d’une roche selon l’une des revendications précédentes, dans lequel le procédé comporte une étape d’intégration dans ladite base d’images de roches (BIR) de ladite au moins une image acquise (IMA) et dudit au moins un descripteur déterminé associé (desc).
10. Procédé d’exploitation d’un sol ou d’un sous-sol, dans lequel on met en oeuvre les étapes suivantes : a) On catégorise au moins une roche dudit sol ou dudit sous-sol au moyen du procédé de catégorisation d’une roche selon l’une des revendications précédentes ; et b) On exploite ledit sol ou ledit sous-sol en fonction de ladite catégorisation de ladite au moins une roche.
11. Procédé d’exploitation d’un sol ou d’un sous-sol selon la revendication 10, dans lequel ladite exploitation du sol ou du sous-sol concerne la construction d’un ouvrage sur ledit sol ou dans le sous-sol, le stockage de gaz dans le sous-sol, ou l’exploitation de matières premières dudit sol ou dudit sous-sol, de préférence lesdites matières premières étant la roche elle-même, ou un matériau ou un fluide contenu dans ledit sol ou dans ledit sous- sol.
EP20816185.1A 2019-12-12 2020-12-03 Procede de categorisation d'une roche a partir d'au moins une image Pending EP4073694A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1914253A FR3104773B1 (fr) 2019-12-12 2019-12-12 Procédé de catégorisation d’une roche à partir d’au moins une image
PCT/EP2020/084389 WO2021115903A1 (fr) 2019-12-12 2020-12-03 Procede de categorisation d'une roche a partir d'au moins une image

Publications (1)

Publication Number Publication Date
EP4073694A1 true EP4073694A1 (fr) 2022-10-19

Family

ID=69743498

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20816185.1A Pending EP4073694A1 (fr) 2019-12-12 2020-12-03 Procede de categorisation d'une roche a partir d'au moins une image

Country Status (5)

Country Link
US (1) US12339931B2 (fr)
EP (1) EP4073694A1 (fr)
CA (1) CA3157064A1 (fr)
FR (1) FR3104773B1 (fr)
WO (1) WO2021115903A1 (fr)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2760105C1 (ru) * 2021-03-12 2021-11-22 Публичное акционерное общество «Газпром нефть» Система, машиночитаемый носитель и способ анализа керна по изображениям
CN116258876B (zh) * 2023-02-06 2026-04-28 中国石油大学(北京) 岩石薄片图像的描述文本的确定方法、存储介质及处理器

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3077619B1 (fr) * 2013-12-05 2018-10-24 Services Petroliers Schlumberger Construction de modèle de noyau numérique
US10753918B2 (en) * 2014-12-15 2020-08-25 Saudi Arabian Oil Company Physical reservoir rock interpretation in a 3D petrophysical modeling environment
US20170286802A1 (en) * 2016-04-01 2017-10-05 Saudi Arabian Oil Company Automated core description
JP7187099B2 (ja) * 2017-09-15 2022-12-12 サウジ アラビアン オイル カンパニー ニューラルネットワークを用いて炭化水素貯留層の石油物理特性を推測すること

Also Published As

Publication number Publication date
US12339931B2 (en) 2025-06-24
FR3104773A1 (fr) 2021-06-18
WO2021115903A1 (fr) 2021-06-17
US20230008058A1 (en) 2023-01-12
CA3157064A1 (fr) 2021-06-17
FR3104773B1 (fr) 2021-12-10

Similar Documents

Publication Publication Date Title
EP4143567B1 (fr) Procede de detection d'au moins un constituant geologique d'un echantillon de roche
EP2846176B1 (fr) Procédé d'exploitation d'un gisement souterrain comprénant au moins un affleurement géologique au moyen d'une photogrammétrie
EP1503258A1 (fr) Methode pour optimiser la production d'un gisement petrolier en presence d'incertitudes
EP4073694A1 (fr) Procede de categorisation d'une roche a partir d'au moins une image
CA2558336A1 (fr) Methode pour mettre a jour un modele geologique de reservoir a l'aide de donnees dynamiques
FR3060152A1 (fr) Classement automatique de rapports de forage avec un traitement pousse du langage naturel
EP3647533A1 (fr) Optimisation du forage d'un tunnelier en fonction d'interactions terrain/machine
FR3058456A1 (fr) Classification de fluides de fond de puits automatisee en utilisant des donnees de composante de spectroscopie principale
FR3066224A1 (fr) Procede et systeme pour forer un puits de forage et identifier une defaillance du trepan de forage par deconvolution des donnees de capteur
WO2011030013A2 (fr) Procédé de modélisation déterministe des écoulements en milieu poreux
FR3081078A1 (fr) Procédé de génération de cartes de probabilité prédictives d’éléments de réseaux d’hydrocarbures
EP4208818A1 (fr) Procede de detection et de comptage d'au moins un constituant geologique d'un echantillon de roche
FR3036425A1 (fr)
CA3185043A1 (fr) Methode pour determiner une interpretation en electrofacies de mesures realisees dans un puits
EP3224653B1 (fr) Méthode et dispositif de traitement de données de puits
WO2021123209A1 (fr) Procédé de segmentation d'une image d'entrée représentant un document comportant des informations structurées
FR3054059A1 (fr) Determination d'un age numerique pour des evenements geologiques au sein d'un schema
FR3031605A1 (fr) Filtrage et analyse de donnees par arbres multi-niveaux a variables composites
WO2016132068A1 (fr) Procédé de détermination de la bathymétrie à partir d'images satellitaires optiques quasi synchrones
FR3146008A1 (fr) Procede de caracterisation d’un defaut d’une canalisation
FR3140647A1 (fr) Procédé pour prédire une diagraphie pendant le forage d’un puits
FR3119038A1 (fr) Contrôle visuel d’un élément se déplaçant sur une ligne de production
FR3060794A1 (fr) Procede de determination de l'etat d'un systeme, procede de determination d'une methode de projection optimale et dispositif mettant en œuvre lesdits procedes
Sharma et al. Empirical Seabed Image Classification Using Labeled Machine Learning Techniques
FR3052483A1 (fr) Aide a la conduite d'un tunnelier par correlation entre mesures effectuees sur le tunnelier et donnees issues de sondages depuis la surface

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20220712

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20240626