Идентификация границ слабоструктурированных трехмерных объектов на основе методов дискретной оптимизации : на примере геофизических исследований скважин

• Автор: Верхотурова, Олеся Михайловна
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2009
• Место защиты: Уфа
• Количество страниц: 170 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ

ГЛАВА 1. Обзор и анализ существующих моделей, методов и систем.

1.1. Описание проблемы.

1.2. Описание проблемы в привязке к конкретной области.

1.3. Основные определения и понятия

1.4. Обзор и анализ существующих моделей, методов и систем.

1.5. Цель и задами исследования

Выводы но первой главе.

ГЛАВА 2. Математическая модель задачи и методы ее решения

2.1. Постановка и математическая модель задачи.

2.2. Формирование набора данных для нахождения границ интервалов
2.3. Сопоставление опорных и исследуемых узлов.
2.4. Нахождение границ интервалов в исследуемых узлах
Выводы по второй главе.
Г ЛАВА 3. Алгоритмическое и программное обеспечение системы идентификации границ продуктивных пластов на скважинах месторождения .
3.1. Алгоритмическое обеспечение
3.2. Программное обеспечение
Выводы по третьей главе
ГЛАВА 4. Вычислительные эксперименты
4.1. Проверка результатов на разных типах данных
4.2. Применение билинейной интерполяции для решения рассматриваемой задачи
4.3. Сравнение методов дискретной оптимизации полного перебора и генетического алгоритма
4.4. Выбор параметров генетического алгоритма.
4.5. Проверка эффективности предлагаемых методов и алгоритмов адекватности применяемого критерия
4.6. Интеральная оптимизация полученных результатов по всему месторождению с помощью генетического алгоритма.
4.7. Сравнение различных методов нахождения границ пластов.
4.8. Предлагаемая методика по применению методов нахождения границ пластов
4.9. Показатели эффективности
Выводы по четвертой главе
ЗАКЛЮЧЕНИЕ.
СПИСОК ЛИТЕРАТУРЫ


По теме диссертации опубликованы работ, в том числе 9 статей (2 из них в рецензируемых журналах из списка ВАК) и 4 доклада в трудах научно-технических конференций, получено 1 свидетельство об официальной регистрации программы для ЭВМ. Структура работы. Диссертация состоит из введения, четырех глав, заключения и списка литератур],ь Объем основной части диссертации составляет 0 с. ГЛАВА 1. Все вокруг нас состоит из объектов. Люди воспринимают изображения, выделяют объекты и ориентируются в пространстве окружающей среды. Способность обрабатывать изображения свойственна только живым существам. Однако с появлением автоматических технических средств появилась возможность привлечь к решению задачи выделения объектов (идентификации их границ) вычислительные машины. Люди выделяют объекты чисто визуально, ориентируясь на качественные характеристики. Для обработки изображений с использованием вычислительных машин необходимо представить процесс выделения объектов (идентификации их границ) математическими методами. Следует отметить, что задача выделения объектов является одной из составных частей задачи распознавания образов []. Часто для того, чтобы распознать объект нужно его сначала выделить относительно фона или посторонних элементов. В свою очередь, распознавание образов теснейшим образом связано с областью машинного зрения и обработки изображений, поэтому часто трудно однозначно отнести возникающие задачи и применяемые методы решения к одной из этих областей. В'настоящее время термин «распознавание» относится в равной мере как к процессам восприятия и познания, свойственным живым организмам, так и к «механическим» аналогам этих процессов, исследование и синтез которых составляют предмет распознавания, как раздела информатики []. Целыо создания автоматизированных вычислительных систем распознавания является автоматизация процессов восприятия и познания, связанных с поиском, выделением, идентификацией, классификацией и описанием образов на основе анализа реальных данных. Рисунок 1 - Представление процесса выделения объектов в методологии ГОЕРО Задача выделения объектов встречается в различных областях человеческой деятельности, в том числе в космических исследованиях, в нефтяной промышленности, в медицине и т. Рисунок 2 - Классификация выделяемых объектов Окружающие людей объекты имеют пространственную структуру, но на изображениях они отображаются на плоскости. Класс 1: тоновые и многоцветные изображения (телевизионные изображения). Изображения этого класса являются наиболее точным представлением реального мира. Класс 2: бинарные и выполненные в нескольких цветах (печатный текст). Класс 3: непрерывные кривые или прямые (контура областей, сигналы и ірафики). Класс 4: точки и многоугольники - множества изолированных точек, отстоящих друг от друга далеко. Отличие этого класса от предыдущего определяется формой представления. Изображения этого класса чаще всего используются в машинной графике. Выделение по яркости. Выделение 0 форме. Наиболее простым и часто используемым методом выделения объектов является выделение по яркостным характеристикам. При использовании этого метода производится выбор всех точек изображения, попадающих в определенный интервал яркости по гистоірамме яркости для данного изображения. Выделение объектов по цвету осуществляется с использованием цветовых моделей, является более сложным, чем простое выделение по яркости, однако позволяет добиться лучших результатов в тех случаях, когда объекты с одинаковыми яркостным и характеристиками отличаются по цвету. В современных анализаторах изображений выделение объектов изображения по цвету реализуется с использованием метода обучения, при котором пользователь системы указывает участки изображения, которые необходимо выделять. Обученная таким образом система будет автоматически выделять объекты, соответствующие по цвету указанным участкам. Выделение по текстурным особенностям наиболее близко, по сути, тем механизмам дискриминации объектов, которые использует человеческий мозг при их распознавании.