Breakout-picker: Deep Learning による超音波画像ログからの井戸穴ブローアウト特徴解析における誤陽性の削減

arXiv:2604.16011v1 告知タイプ：新規 概要：ブローアウトとは、井戸壁に生じる応力誘発破片剥離現象であり、超音波画像ログ上では対称な方位を有するペア領域、低振幅、および井戸径の増大を示す特徴を有して識別される。正確なブローアウトの特徴解析は、現地応力解析に不可欠である。近年、時間的かつ労力的に負担の多いブローアウトピッキングのプロセスを自動化するために、ディープラーニングが導入された。しかし、既存のアプローチは非ブローアウト特徴の分類誤りに苦しみ、誤陽性の高い傾向にある。この問題を解決するため、本研究では Breakout-picker と称するディープラーニングフレームワークを開発し、超音波画像ログからの自動化ブローアウト特徴解析における誤陽性削減に特化したアプローチを提案する。Breakout-picker は、誤陽性削減を 2 つの戦略に依存する。まず、訓練プロセスにおいて非ブローアウト特徴（自然割れ、キーシート、ロギングアーティファクトなど）のネガティブサンプルを統合する。これらのネガティブサンプルは、ブローアウトと同様に低振幅または局所的な井戸径拡大といった類似の特性を有しており、これにより Breakout-picker は真のブローアウトと類似する非ブローアウト特徴をより良好に区別できるようになる。第二に、Breakout-picker で識別された候補ブローアウトは、方位対称基準を用いてさらに検証され、ブローアウト方位の近似的な対称性を示さない検出は除外される。Breakout-picker の性能は、異なる地域由来の 3 組の超音波画像ログデータセットを用いて評価され、結果は Breakout-picker が他の自動手法よりも高い精度と大幅に低い誤陽率を示すことを示している。誤陽の削減により、Breakout-picker は超音波画像ログからの自動化ブローアウト特徴解析の信頼性を高め、その結果、井戸穴ブローアウトに基づく現地応力解析に寄与する。

arXiv:2604.16011v1 Announce Type: new Abstract: Borehole breakouts are stress-induced spalling on the borehole wall, which are identifiable in acoustic image logs as paired zones with near-symmetry azimuths, low acoustic amplitudes, and increased borehole radius. Accurate breakout characterization is crucial for in-situ stress analysis. In recent years, deep learning has been introduced to automate the time-consuming and labor-intensive breakout picking process. However, existing approaches often suffer from misclassification of non-breakout features, leading to high false positive rates. To address this limitation, this study develops a deep learning framework, termed Breakout-picker, with a specific focus on reducing false positives in automatic breakout characterization. Breakout-picker reduces false positives through two strategies. First, the training of Breakout-picker incorporates negative samples of non-breakout features, including natural fractures, keyseats, and logging artifacts. They share similar characteristics with breakouts, such as low acoustic amplitude or locally enlarged borehole radius. These negative training samples enables Breakout-picker to better discriminate true breakouts and similar non-breakout features. Second, candidate breakouts identified by Breakout-picker are further validated by azimuthal symmetry criteria, whereby detections that do not exhibit the near-symmetry characteristics of breakout azimuth are excluded. The performance of Breakout-picker is evaluated using three acoustic image log datasets from different regions. The results demonstrate that Breakout-picker outperforms other automatic methods with higher accuracy and substantially lower false positive rates. By reducing false positives, Breakout-picker enhances the reliability of automatic breakout characterization from acoustic image logs, which in turn benefits in-situ stress analysis based on borehole breakouts.