Цель проекта #

Целью проекта является создание автоматизированной системы, с помощью которой можно обрабатывать керны и получать полную характеристику. Для этого были поставлены и реализованы следующие задачи: расписать план реализации проекта поэтапно, выбрать программное обеспечение для автоматического анализа, библиотеку искусственного отбора изображений, создать готовый программный код, проделанную работу представить в виде полноценно работающего веб-сайта без ошибок.
Автор научной работы: Д.С. Лазорин
Научный руководитель: Д. И. Правиков, руководитель НОЦ НИАТ (Кандидат технических наук, руководитель Научно-образовательного центра новых информационно-аналитических технологий РГУ нефти и газа (НИУ) имени И.М. Губкина, ведущий российский специалист в области компьютерной безопасности, автор основополагающих трудов в области программных методов защиты информации
Начало кода представлено на странице сайта www.gazpromcase.ru/page-starter.

Материалы и методы #

Работа с огромными слоями информации, анализ и их классификация — главная возможность умного алгоритма, который мы хотим разработать. Нейронные сети отличным способом подходят для оценки керна и для разделения горных пород по типам. Они могут использоваться для распознавания изображений, в том числе кернов. Мы использовали изображения кернов в качестве входных данных, полученные с финального этапа конкурса «Родные города» 2021 года от компании ПАО «Газпром Нефть».

Для кого? #

Целевой аудиторией в данном проекте выступает непосредственно заказчик – «Газпром Нефть», интеллектуальный турнир «Родные города». Компанией было дано задание по реализации кейса для обработки и отбора изображений кернов. Данный проект упрощает работу компании: автоматизирует процесс, не задействуя сотрудников для анализа самих кернов. Объём рынка: российский.

Научно-технологическая новизна #

На территории РФ нет подобных новшеств для анализа кернов, всё выполняется вручную людьми, что замедляет процессы компании. Аналоги находятся в зарубежных странах, но они являются интеллектуальной собственностью и находятся в закрытом доступе. Наш проект позволяет всем сотрудникам компании работать в режиме реального времени на нашей системе (платформе): загружать керны в систему и получать готовый результат. Работа может использоваться также в учебных целях: различными университетами, как пример лабораторной работы с следующим заданием: решить подобный реалистичный заказ от нефтегазовой компании.

Результаты #

Создан веб-сайт www.gazpromcase.ru с системой, построенной на нейронных связях, способной автоматически анализировать и классифицировать сегменты керна по разным типам горных пород. Система распознавания изображений будет построена на алгоритме, не требующем обработки в реальном времени — JavaScript Image Processing Library. Сайт работает следующим образом: пользователь проходит авторизацию на сайте, загружает фото в базу данных, происходит обработка, затем выдается результат.

Выводы #

Сайт на данный момент является прототипом будущей платформый для потенциальных сотрудников. Будет реализована административная панель для загрузки изображений кернов в базу данных, а также возможность получения итоговых отчётов с классификацией пород. Базы данных изображений будут подразделяться на частные и открытые. Частные изображения кернов принадлежат компаниям. Открытые изображения взяты с кейса от Образовательного Центра «Сириус» и компании «Газпром Нефть». Сайт будет развиваться, его заполняемость будет увеличиваться.

Примерный вариант реализации #
сначала фотография загружается в базу данных, обрабатывается столько времени, сколько необходимо и выдаёт результат
отдельный программный код забирает получившуюся картинку и загружает её на сайт

На данный момент на сайте загружены фотографии уже проанализированных системой кёрнов. Она каждый раз выдаёт то или иное изображение керн только по одной классификации: тёмные пигменты на фото (это является признаком углеводородов).

Данный проект запущен в тестовом режиме, допускаются неточности.

Сайт находится в открытом доступе.

Конструкция сайта#

Сайт построен на HTML/JS. #