Mar, 2024

通过迁移学习从钻井岩芯图像中直接预测矿物含量

PDF
TL;DR利用机器学习，特别是卷积神经网络 (CNN)，从钻井岩心图像分析中评估岩性和矿物含量的潜力，并提供了全面的方法论，展示了 96.7% 的岩心分割分类准确率，并验证了该方法在矿物含量评估上与实验室检测结果相当。
deep subsurface explorationmachine learningconvolutional neural networksdrill core imagesgeological exploration
发现论文，激发创造
  • 利用 X 射线微观断层扫描仪进行地质样本的孔隙度和渗透率预测的 AI 技术

    利用自监督预训练非常小的 CNN-transformer 模型来预测地层岩石的物理性质，具有高准确度且时间有效，可避免使用极小数据集的过度拟合。

    May, 2022

  • 基于钻探数据的岩体分类的机器学习方法比较研究

    通过自动将 MWD 数据转换为可操作的岩石工程指标，本研究利用大规模且地质多样化的数据集，探索传统机器学习和基于图像的深度学习方法，在真实的隧道工程环境中实现准确的岩体质量分类，提供决策支持及降低人工干预。

    Mar, 2024

  • 基于深度学习的地质模型放大方法 —— 理论指导的卷积神经网络

    本论文通过使用深度学习的卷积神经网络方法，提高了地质模型上扩展方法的效率，实现了更快速的细尺度到粗尺度的转换。

    Dec, 2021

  • 利用语义分割方法进行遗址激光雷达数据中埋藏考古结构识别的迁移学习

    应用深度学习于考古学的遥感数据时，一个显著的障碍是适用于训练模型的数据集有限。本文通过比较两个 LiDAR 数据集上两种语义分割深度神经网络的多种迁移学习配置的性能，结论表明考古学中基于迁移学习的方法可以提高性能，但尚未观察到系统性的改进，为未来工作提供了基线。

    Jul, 2023

  • 卷积神经网络多源迁移学习在肺部图像分析中的应用

    应用迁移学习技术，通过纹理数据库来改进深度卷积神经网络的训练方法，并将不同卷积神经网络中的知识结合，进而实现肺组织病变的分类，该方法的成功应用表明了在医学图像分析领域中，训练神经网络的方法同样重要于设计它的架构。

    Dec, 2016

  • 页岩气生产的领域适应与物理约束迁移学习

    通过域适应和物理约束，提出了一种将传统数据和深度学习模型结合的新型转移学习方法，用于有效预测页岩气产量，并且在中国西南地区进行的实验验证了该方法的有效性。

    Dec, 2023

  • 基于视觉 Transformer 的熔池深度轮廓预测的深度学习方法

    用机器学习框架将高速彩色成像下的热像与熔池横截面轮廓进行相关联，以模拟超声成像所观察到的熔池亚表面形态，并通过与实验熔池观察结果进行比较评估性能。

    Apr, 2024

  • 土壤采样点最佳选择的深度学习框架

    通过利用深度学习在图像处理方面的最新进展，本研究提出了一种基于自注意力机制的编码 - 解码架构模型，用于自动选择土壤采样点，并在土壤采样数据集上实现了优于传统卷积神经网络方法的令人印象深刻的结果。

    Sep, 2023

  • 基于深度学习的混凝土岩石学分析自动化图像分割

    本文研究了使用卷积神经网络 (CNN) 在没有使用颜色处理的情况下进行混凝土分割的可行性，并证明其优于基于颜色的分割方法并具有与人工专家相当的准确度，从而缩短了分割时间。

    May, 2020

  • 数字岩石物理中岩石图像分割的增强：生成式人工智能与先进神经网络的融合

    在数字岩石物理学中，使用扫描电子显微镜和计算机断层扫描技术分析岩石的细微结构对估计孔隙度和孔隙连通性等性质至关重要。我们的研究采用了先进的生成型人工智能模型 —— 扩散模型，克服传统分割方法的局限性并通过生成大量的数据集来改善岩石显微结构分割的准确性和稳定性。利用 Transformer 结构的 TransU-Net 在分割图像方面表现出更高的准确性和 IoU 指标，超过了 U-Net 和 Attention-U-Net，推进了数字岩石物理学的发展，为地球科学和工程学的突破铺平了道路。

    Nov, 2023