Les formations rocheuses de grès se caractérisent par la complexité de leur formation et la diversité des types, il est important de développer une méthode précise de classification et de détermination de la formation de grès à Lu Feng dans le bassin du fleuve des Perles. Pour une classification précise de la formation, les paramètres d'influence de la formation et la technologie de traitement des images sont utilisés, et la teneur de chaque composant dans les lames de coulée caractérise les différences de la force d'influence de la formation de grès telles que la compactage, la cimentation et l'érosion, et ensuite la formation de grès est classée en classes I, II, III en fonction de la force d'influence de la formation. Ensuite, un modèle de réseau neuronal à perceptrons multi-couches est construit sur la base des données de courbe de diagraphie de la gamma naturelle, du retard acoustique, des neutrons compensés, de la densité compensée et de la résistivité, et les données de courbe de diagraphie sont prises comme caractéristiques pour classer le grès I, II, III en classes, et les variables sont modifiées et les paramètres du modèle sont améliorés, et enfin la division et la reconnaissance du grès sont réalisées. En comparant avec des lames de coulée de grès réelles, la précision du modèle de reconnaissance en douceur a atteint 82,11%, et le modèle a été appliqué à la reconnaissance de la grès de forage LF13-9-1, le nombre total d'échantillons était de 23 et la précision de reconnaissance du grès était de 82,61%, ce qui montre que le modèle a un bon effet de reconnaissance. La méthode établie de classification et de reconnaissance de la formation de grès basée sur la technologie de traitement des images et le modèle de réseau neuronal à perceptrons multi-couches peut fournir des informations détaillées pour la reconnaissance de la formation de grès.

Bassin de la rivière des Perles; groupe Wen Chang; Formation de grès; Traitement des images; Apprentissage automatique; Diagraphie