CN107292002A - 一种数字岩心重构的方法及装置 - Google Patents
一种数字岩心重构的方法及装置 Download PDFInfo
- Publication number
- CN107292002A CN107292002A CN201710418297.7A CN201710418297A CN107292002A CN 107292002 A CN107292002 A CN 107292002A CN 201710418297 A CN201710418297 A CN 201710418297A CN 107292002 A CN107292002 A CN 107292002A
- Authority
- CN
- China
- Prior art keywords
- sub
- image
- training image
- structure feature
- rock core
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种数字岩心重构的方法及装置。所述方法包括:获取岩心训练图像,将所述岩心训练图像划分为多个子训练图像;基于预设数据模板,对所述多个子训练图像进行并行扫描操作,分别得到每一个子训练图像对应的子结构特征库;对所述子结构特征库进行第一整合处理,得到岩心结构特征库;将与所述岩心训练图像相关联的待重构区域划分为多个子区域,基于所述预设数据模板和所述岩心结构特征库,采用并行处理的方法分别确定所述多个子区域中每一个子区域的岩心图像;对所述多个子区域中每一个子区域的岩心图像进行第二整合处理,得到所述待重构区域的岩心图像。可以提高数字岩心重构的效率。
Description
技术领域
本申请涉及岩石物理数值模拟技术领域,特别涉及一种数字岩心重构的方法及装置。
背景技术
数字岩心的重构方法主要包括物理实验方法和数值重构方法两类。物理实验方法的主要过程是利用扫描电子显微镜、聚焦离子束显微镜等高精度实验设备获取岩心不同位置处的二维图像,采用三维重建算法对这些二维图像进行整合处理,得到三维数字岩心。一般在采用物理实验方法建立数字岩心的过程中,研究人员需要花费较长的时间进行二维切片的制备和扫描,所使用的实验设备比较昂贵。由此,物理实验方法的实际应用程度较低。数值重构方法主要过程是根据少量岩心薄片的二维图像中的统计信息来重构三维数字岩心。如此,相比物理实验方法,数值重构方法具有较为简单和经济的特点,以及较为重要的实际应用价值。
近几年来,作为数值重构方法的代表性方法之一的多点地质统计模拟方法逐渐成为研究的热点。该多点地质统计模拟方法的主要过程是:首先,获取岩心训练图像,通过预先设定的数据模板对岩心训练图像进行扫描操作,得到岩心训练图像中与数据模板对应的每一种结构特征的条件概率统计信息;其中,每一种结构特征表示与数据模板对应的各个像素点位置处的属性值的一种组合模式;一种属性值可以对应岩心训练图像的像素点的一种颜色状态;例如,属性值0对应像素点的白色状态,属性值1对应像素点的黑色状态;然后,根据这些结构特征的条件概率统计信息,可以建立用于存储所述条件概率统计信息的结构特征库;最后,从结构特征库中获取待重构区域中以某一模拟点为中心点对应的某一种结构特征的条件概率统计信息;同时,根据该结构特征的条件概率统计信息,重构该模拟点的属性值。重复上述步骤,得到待重构区域中每个模拟点的属性值,从而确定整个待重构区域的岩心图像。
发明人发现现有技术中至少存在如下问题:在利用多点地质统计模拟方法进行数字岩心重构的过程中,建立结构特征库的运算量,以及基于结构特征库对待重构区域进行数字岩心重构的运算量均较大,可能影响数字岩心重构的效率。
发明内容
本申请实施例的目的是提供一种数字岩心重构的方法及装置,以提高数字岩心重构的效率。
为解决上述技术问题,本申请实施例提供一种数字岩心重构的方法及装置是这样实现的:
一种数字岩心重构的方法,包括:
获取岩心训练图像,将所述岩心训练图像划分为多个子训练图像;
基于预设数据模板,对所述多个子训练图像进行并行扫描操作,分别得到每一个子训练图像对应的子结构特征库;
对所述子结构特征库进行第一整合处理,得到岩心结构特征库;所述岩心结构特征库包括:所述岩心训练图像中与所述预设数据模板对应的每一种结构特征的条件概率统计信息;
将与所述岩心训练图像相关联的待重构区域划分为多个子区域,基于所述预设数据模板和所述岩心结构特征库,采用并行处理的方法分别确定所述多个子区域中每一个子区域的岩心图像;
对所述多个子区域中每一个子区域的岩心图像进行第二整合处理,得到所述待重构区域的岩心图像。
优选方案中,所述基于预设数据模板,对所述多个子训练图像进行并行扫描操作,分别得到每一个子训练图像对应的子结构特征库,包括:
基于MapReduce并行处理框架,利用所述预设数据模板对所述多个子训练图像进行并行扫描操作,分别得到每一个子训练图像对应的子结构特征库。
优选方案中,所述基于MapReduce并行处理框架,利用所述预设数据模板对所述多个子训练图像进行并行扫描操作,分别得到每一个子训练图像对应的子结构特征库,包括:
将利用所述预设数据模板对一个子训练图像进行扫描操作并得到该子训练图像对应的子结构特征库,作为一个第一Map任务;
基于MapReduce并行处理框架,对多个第一Map任务进行第一并行处理,分别得到所述多个子训练图像对应的多个子结构特征库。
优选方案中,所述利用所述预设数据模板对一个子训练图像进行扫描操作并得到该子训练图像对应的子结构特征库,包括:
利用所述预设数据模板对一个子训练图像进行扫描操作,得到该子训练图像中与所述预设数据模板对应的至少一种结构特征;
对所述至少一种结构特征中的一种结构特征出现的次数进行统计处理,得到该结构特征的条件概率统计信息;
将所述至少一种结构特征中每一种结构特征的条件概率统计信息存储于该子训练图像对应的子结构特征库。
优选方案中,所述对所述至少一种结构特征中的一种结构特征出现的次数进行统计处理,得到该结构特征的条件概率统计信息,包括:
对所述至少一种结构特征中的一种结构特征出现的次数进行统计处理,将所述统计处理的结果作为该结构特征的条件概率统计信息;
或者,
对所述至少一种结构特征中的一种结构特征出现的次数进行统计处理,得到该结构特征对应的中心像素点位置处的属性值为第一属性值的第一概率;将所述第一概率作为该结构特征的条件概率统计信息。
优选方案中,所述对所述子结构特征库进行第一整合处理,得到岩心结构特征库,包括:
基于MapReduce并行处理框架,对所述每一个子训练图像对应的子结构特征库进行第一整合处理并得到岩心结构特征库,完成一个第一Reduce任务。
优选方案中,所述基于所述预设数据模板和所述岩心结构特征库,采用并行处理的方法分别确定所述多个子区域中每一个子区域的岩心图像,包括:
将确定所述多个子区域中一个子区域的岩心图像作为一个第二Map任务;
基于MapReduce并行处理框架,对多个第二Map任务进行第二并行处理,分别确定所述多个子区域中每一个子区域的岩心图像。
优选方案中,在得到每一个子训练图像对应的子结构特征库以后,所述第一Map任务还包括:
采用深度神经网络的方法对一子结构特征库进行本质特征提取处理,得到一子本质结构特征库;该子本质结构特征库包括:至少一种本质结构特征;一种本质结构特征与该子结构特征库中至少一种结构特征相关联。
优选方案中,当所述方法包括本质特征提取处理的步骤时,所述第一Reduce任务包括:
对每一个子本质结构特征库进行整合处理并得到本质结构特征库;
将所述本质结构特征库作为所述岩心结构特征库。
优选方案中,当所述方法包括得到本质结构特征库的步骤时,
在执行所述第二Map任务之前,还包括:采用k-means聚类方法对所述本质结构特征库中的本质结构特征进行分类处理,得到至少一个类集合;一个类集合包括:所述本质结构特征库中至少一种本质结构特征;计算每一个类集合的平均结构特征。
优选方案中,当所述方法包括本质特征提取处理的步骤,以及得到本质结构特征库的步骤时,所述第二Map任务还包括:
根据所述预设数据模板,确定与所述多个子区域的一个子区域中第一待模拟点位置处对应的第一结构特征;
计算所述至少一个类集合的平均结构特征中一个类集合的平均结构特征与所述第一结构特征的相似度;
当该相似度小于预设相似度阈值时,将该类集合的平均结构特征对应的中心像素点位置处的属性值作为所述第一待模拟点位置处的属性值。
优选方案中,所述对所述多个子区域中每一个子区域的岩心图像进行第二整合处理,得到所述待重构区域的岩心图像,包括:
基于MapReduce并行处理框架,对所述多个子区域中每一个子区域的岩心图像进行第二整合处理,得到所述待重构区域的岩心图像,完成一个第二Reduce任务。
一种数字岩心重构的装置,所述装置包括:训练图像划分模块、子结构特征库确定模块、岩心结构特征库确定模块、子区域图像确定模块和待重构区域图像确定模块;其中,
所述训练图像划分模块,用于获取岩心训练图像,将所述岩心训练图像划分为多个子训练图像;
所述子结构特征库确定模块,用于基于预设数据模板,对所述多个子训练图像进行并行扫描操作,分别得到每一个子训练图像对应的子结构特征库;
所述岩心结构特征库确定模块,用于对所述子结构特征库进行第一整合处理,得到岩心结构特征库;所述岩心结构特征库包括:所述岩心训练图像中与所述预设数据模板对应的每一种结构特征的条件概率统计信息;
所述子区域图像确定模块,用于将与所述岩心训练图像相关联的待重构区域划分为多个子区域,基于所述预设数据模板和所述岩心结构特征库,采用并行处理的方法分别确定所述多个子区域中每一个子区域的岩心图像;
所述待重构区域图像确定模块,用于对所述多个子区域中每一个子区域的岩心图像进行第二整合处理,得到所述待重构区域的岩心图像。
本申请实施例提供了一种数字岩心重构的方法及装置,可以将所述岩心训练图像划分为多个子训练图像;基于预设数据模板,可以对所述多个子训练图像进行并行扫描操作,可以分别得到每一个子训练图像对应的子结构特征库;对所述每一个子训练图像对应的子结构特征库进行第一整合处理,可以得到岩心结构特征库;可以将与所述岩心训练图像相关联的待重构区域划分为多个子区域,基于所述预设数据模板和所述岩心结构特征库,可以采用并行处理的方法分别确定所述多个子区域中每一个子区域的岩心图像;可以对所述多个子区域中每一个子区域的岩心图像进行第二整合处理,可以得到所述待重构区域的岩心图像。由于通过并行处理和整合处理的方式,来建立结构特征库,以及基于结构特征库对待重构区域进行数字岩心重构,可以有效降低运算量,从而可以提高数字岩心重构的效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一种数字岩心重构的方法实施例的流程图;
图2是本申请实施例中子训练图像的示意图;
图3是本申请实施例中数据模板的示意图;
图4是本申请实施例中结构特征的示意图;
图5是本申请实施例中确定待重构区域中某一待模拟点位置处对应的结构特征的示意图;
图6是本申请实施例中砂岩体的岩心训练图像;
图7是本申请实施例中相比现有技术的方法,采用本发明的方法进行数字岩心重构的加速比示意图;
图8是本申请数字岩心重构的装置实施例的组成结构图。
具体实施方式
本申请实施例提供一种数字岩心重构的方法及装置。
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
图1是本申请一种数字岩心重构的方法实施例的流程图。如图1所示,所述数字岩心重构的方法,包括以下步骤。
步骤S101:获取岩心训练图像,将所述岩心训练图像划分为多个子训练图像。
可以获取所述岩心训练图像。所述岩心训练图像可以是二维图像,也可以是三维图像。
可以将所述岩心训练图像划分为多个子训练图像。所述多个子训练图像的像素大小可以相同。例如,可以将所述岩心训练图像平均划分为K个子训练图像。其中,K的取值可以根据所述岩心训练图像的像素大小进行调整。例如,当岩心训练图像的像素为n*m时,K的取值可以为:小于n/3且小于m/3。
例如,图2是本申请实施例中子训练图像的示意图。可以预先设定图2的灰色方块对应的像素点位置处的属性值为1,白色方块对应的像素点位置处的属性值为0。如图2所示,所述子训练图像可以是由一系列属性值为0或1的像素点构成的图像。
步骤S102:基于预设数据模板,对所述多个子训练图像进行并行扫描操作,分别得到每一个子训练图像对应的子结构特征库。
所述预设数据模板可以包括:至少一种数据模板。具体可以是如图3所示的一种3×3的数据模板,这种数据模板由中心点位置u,以及除中心点位置u以外的8个像素点位置1、2、3、4、5、6、7、8构成的。不仅如此,还可以根据所述子训练图像的像素大小对所述预设数据模板进行调整。
在一种实施方式中,可以基于MapReduce并行处理框架,利用所述预设数据模板对所述多个子训练图像进行并行扫描操作,可以分别得到每一个子训练图像对应的子结构特征库。具体地,可以将利用所述预设数据模板对一个子训练图像进行扫描操作并得到该子训练图像对应的子结构特征库,作为一个第一Map任务。这样,基于MapReduce并行处理框架,可以多个第一Map任务进行第一并行处理,可以分别得到所述多个子训练图像对应的多个子结构特征库。
进一步地,所述利用所述预设数据模板对一个子训练图像进行扫描操作并得到该子训练图像对应的子结构特征库。具体可以包括,利用所述预设数据模板对一个子训练图像进行扫描操作,可以得到该子训练图像中与所述预设数据模板对应的至少一种结构特征。一种结构特征可以表示与所述预设数据模板对应的各个像素点位置处的属性值的一种组合模式。可以对所述至少一种结构特征中的一种结构特征出现的次数进行统计处理,得到该结构特征的条件概率统计信息。可以将所述至少一种结构特征中每一种结构特征的条件概率统计信息存储于该子训练图像对应的子结构特征库。
在一种实施方式中,所述对所述至少一种结构特征中的一种结构特征出现的次数进行统计处理,得到该结构特征的条件概率统计信息。具体可以包括,对所述至少一种结构特征中的一种结构特征出现的次数进行统计处理,可以将所述统计处理的结果作为该结构特征的条件概率统计信息。或者,对所述至少一种结构特征中的一种结构特征出现的次数进行统计处理,可以得到该结构特征对应的中心像素点位置处的属性值为第一属性值的第一概率。可以将所述第一概率作为该结构特征的条件概率统计信息。
例如,利用如图3所示的预设数据模板对如图2所示的子训练图像进行扫描操作后,可以得到多种结构特征。图4中(a)、(b)、(c)和(d)分别为根据图2的子训练图像得到的四种结构特征的示意图。可以对这四种结构特征出现的次数进行统计处理,可以得到图(4)中(a)结构特征出现的次数为1,图4中(b)结构特征出现的次数为4次,图4中(c)结构特征出现的次数为2次,以及图4中(d)结构特征出现的次数为3次。从而可以得到每一种结构特征的条件概率统计信息。同时,对于图4中(b)结构特征,其对应的中心像素点位置处的属性值为0的次数为3,相应的概率为75百分比,属性值为1的次数为1,相应的概率为25百分比。
在另一种实施方式中,在得到每一个子训练图像对应的子结构特征库以后,所述第一Map任务还可以包括:可以采用深度神经网络(Deep Neural Network,DNN)的方法对一子结构特征库进行本质特征提取处理,可以得到一子本质结构特征库。该子本质结构特征库可以包括:至少一种本质结构特征。一种本质结构特征可以与该子结构特征库中至少一种结构特征相关联。
步骤S103:对所述每一个子训练图像对应的子结构特征库进行第一整合处理,得到岩心结构特征库。
所述岩心结构特征库可以包括:所述岩心训练图像中与所述预设数据模板对应的每一种结构特征的条件概率统计信息。
可以基于MapReduce并行处理框架,对所述每一个子训练图像对应的子结构特征库进行第一整合处理并得到岩心结构特征库,可以完成一个第一Reduce任务。
在一种实施方式中,当步骤S102包括本质特征提取处理的步骤时,所述第一Reduce任务可以包括:可以对每一个子本质结构特征库进行整合处理并得到本质结构特征库;可以将所述本质结构特征库作为所述岩心结构特征库。
步骤S104:将与所述岩心训练图像相关联的待重构区域划分为多个子区域,基于所述预设数据模板和所述岩心结构特征库,采用并行处理的方法分别确定所述多个子区域中每一个子区域的岩心图像。
可以将所述待重构区域平均划分为多个子区域。还可以对所划分的子区域进行编号。
可以将确定所述多个子区域中一个子区域的岩心图像作为一个第二Map任务。这样,基于MapReduce并行处理框架,对多个第二Map任务进行第二并行处理,可以分别确定所述多个子区域中每一个子区域的岩心图像。
所述处理一个第二Map任务的过程具体可以包括,根据所述预设数据模板,可以确定与所述多个子区域的一个子区域中第一待模拟点位置处对应的第一结构特征,从所岩心结构特征库中获取所述第一结构特征的条件概率统计信息。所述第一待模拟点可以为该子区域中任一待模拟点。基于所述第一结构特征的条件概率统计信息,可以确定所述第一待模拟点位置处的属性值。根据所述第一待模拟点位置处的属性值,可以确定该子区域的岩心图像。
例如,图5是本申请实施例中确定待重构区域中某一待模拟点位置处对应的结构特征的示意图。根据所述预设数据模板,可以确定图5中虚线框内的待模拟点位置处对应的结构特征图4中(b)结构特征。然后可以从所述岩心结构特征库中获取该结构特征的条件概率统计信息。
在一种实施方式中,当步骤S102包括本质特征提取处理的步骤,以及步骤S103包括得到本质结构特征库的步骤时,在执行所述第二Map任务之前,步骤S104还可以包括:可以采用k-means聚类方法对所述本质结构特征库中的本质结构特征进行分类处理,可以得到至少一个类集合。一个类集合可以包括:所述本质结构特征库中至少一种本质结构特征。还可以计算每一个类集合的平均结构特征。具体地,对于一个类集合,可以将与其包括的至少一种本质结构特征分别对应的结构特征的平均值作为该类集合的平均结构特征。进一步地,将多个结构特征的平均值作为一个类集合的平均结构特征可以是将多个结构特征中对应像素点位置处属性值的平均值作为一个集合的平均结构特征中对应像素点位置处的属性值,以及将多个结构特征分别对应中心像素点的属性值的平均值作为一个集合的平均结构特征对应的中心像素点位置处的属性值。
在另一种实施方式中,当步骤S103包括得到本质结构特征库的步骤时,所述第二Map任务还可以包括:根据所述预设数据模板,可以确定与所述多个子区域的一个子区域中第一待模拟点位置处对应的第一结构特征;可以计算所述至少一个类集合的平均结构特征中一个类集合的平均结构特征与所述第一结构特征的相似度;当该相似度小于预设相似度阈值时,可以将该类集合的平均结构特征对应的中心像素点位置处的属性值作为所述第一待模拟点位置处的属性值。所述预设相似度阈值的取值范围可以为5~10百分比。
所述待重构区域对应的岩心的岩性特征可以与所述岩心训练图像对应的岩心的岩性特征之间的相似度达到80~100百分比。如此,可以将所述岩心训练图像中结构特征的条件概率统计信息作为较为有效的参考。以便,可以利用所述条件概率统计信息重构所述待重构区域的岩心图像。
步骤S105:对所述多个子区域中每一个子区域的岩心图像进行第二整合处理,得到所述待重构区域的岩心图像。
可以基于MapReduce并行处理框架,对所述多个子区域中每一个子区域的岩心图像进行第二整合处理,得到所述待重构区域的岩心图像,可以完成一个第二Reduce任务。
进一步地,所述第二整合处理的具体过程可以是:将所述多个子区域中每一个子区域的岩心图像按照所述编号的顺序进行拼接处理。
例如,图6是本申请实施例中砂岩体的岩心训练图像。图6中(a)和(b)分别为砂岩体岩心的外表面的图像和内部孔隙结构的图像。图6中灰色表示砂岩体岩心的孔隙,黑色表示砂岩体岩心的骨架。图7是相比现有技术的方法,基于如图6所示的砂岩体岩心训练图像,采用本发明的方法对10个相同的待重构岩心区域进行数字岩心重构的加速比示意图。其中,待重构岩心区域的大小可以为200×200×200体素的区域。图4中横坐标为处理器个数,纵坐标为加速比。所述加速比为在单个处理器下采用现有技术方法进行数字岩心重构所需的时间与在n个处理器下采用本申请的方法进行数字岩心重构所需的时间的比值。其中,n的取值可以为1、2、3、4、5。如图7所示,在单个处理器下采用现有技术方法对10个相同的待重构岩心区域进行数字岩心重构所需的时间,明显多于在n个处理器下采用本申请的方法对10个相同的待重构岩心区域进行数字岩心重构所需的时间。
所述数字岩心重构的方法实施例,可以将所述岩心训练图像划分为多个子训练图像;基于预设数据模板,可以对所述多个子训练图像进行并行扫描操作,可以分别得到每一个子训练图像对应的子结构特征库;对所述每一个子训练图像对应的子结构特征库进行第一整合处理,可以得到岩心结构特征库;可以将与所述岩心训练图像相关联的待重构区域划分为多个子区域,基于所述预设数据模板和所述岩心结构特征库,可以采用并行处理的方法分别确定所述多个子区域中每一个子区域的岩心图像;可以对所述多个子区域中每一个子区域的岩心图像进行第二整合处理,可以得到所述待重构区域的岩心图像。由于通过并行处理和整合处理的方式,来建立结构特征库,以及基于结构特征库对待重构区域进行数字岩心重构,可以有效降低运算量,从而可以提高数字岩心重构的效率。
图8是本申请数字岩心重构的装置实施例的组成结构图。如图8所示,所述数字岩心重构的装置可以包括:训练图像划分模块100、子结构特征库确定模块200、岩心结构特征库确定模块300、子区域图像确定模块400和待重构区域图像确定模块500。
所述训练图像划分模块100,可以用于获取岩心训练图像,将所述岩心训练图像划分为多个子训练图像。
所述子结构特征库确定模块200,可以用于基于预设数据模板,对所述多个子训练图像进行并行扫描操作,可以分别得到每一个子训练图像对应的子结构特征库。
所述岩心结构特征库确定模块300,可以用于对所述子结构特征库进行第一整合处理,得到岩心结构特征库;所述岩心结构特征库可以包括:所述岩心训练图像中与所述预设数据模板对应的每一种结构特征的条件概率统计信息。
所述子区域图像确定模块400,可以用于将与所述岩心训练图像相关联的待重构区域划分为多个子区域,基于所述预设数据模板和所述岩心结构特征库,可以采用并行处理的方法分别确定所述多个子区域中每一个子区域的岩心图像。
所述待重构区域图像确定模块500,可以用于对所述多个子区域中每一个子区域的岩心图像进行第二整合处理,得到所述待重构区域的岩心图像。
所述数字岩心重构的装置实施例与数字岩心重构的方法实施例相对应,可以实现本申请的方法实施例,并取得方法实施例的技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片2。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog2。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。该计算机软件产品可以包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。该计算机软件产品可以存储在内存中,内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括短暂电脑可读媒体(transitory media),如调制的数据信号和载波。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然通过实施例描绘了本申请,本领域普通技术人员知道,本申请有许多变形和变化而不脱离本申请的精神,希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。
Claims (13)
1.一种数字岩心重构的方法,其特征在于,包括:
获取岩心训练图像,将所述岩心训练图像划分为多个子训练图像;
基于预设数据模板,对所述多个子训练图像进行并行扫描操作,分别得到每一个子训练图像对应的子结构特征库;
对所述子结构特征库进行第一整合处理,得到岩心结构特征库;所述岩心结构特征库包括:所述岩心训练图像中与所述预设数据模板对应的每一种结构特征的条件概率统计信息;
将与所述岩心训练图像相关联的待重构区域划分为多个子区域,基于所述预设数据模板和所述岩心结构特征库,采用并行处理的方法分别确定所述多个子区域中每一个子区域的岩心图像;
对所述多个子区域中每一个子区域的岩心图像进行第二整合处理,得到所述待重构区域的岩心图像。
2.根据权利要求1所述的一种数字岩心重构的方法,其特征在于,所述基于预设数据模板,对所述多个子训练图像进行并行扫描操作,分别得到每一个子训练图像对应的子结构特征库,包括:
基于MapReduce并行处理框架,利用所述预设数据模板对所述多个子训练图像进行并行扫描操作,分别得到每一个子训练图像对应的子结构特征库。
3.根据权利要求2所述的一种数字岩心重构的方法,其特征在于,所述基于MapReduce并行处理框架,利用所述预设数据模板对所述多个子训练图像进行并行扫描操作,分别得到每一个子训练图像对应的子结构特征库,包括:
将利用所述预设数据模板对一个子训练图像进行扫描操作并得到该子训练图像对应的子结构特征库,作为一个第一Map任务;
基于MapReduce并行处理框架,对多个第一Map任务进行第一并行处理,分别得到所述多个子训练图像对应的多个子结构特征库。
4.根据权利要求3所述的一种数字岩心重构的方法,其特征在于,所述利用所述预设数据模板对一个子训练图像进行扫描操作并得到该子训练图像对应的子结构特征库,包括:
利用所述预设数据模板对一个子训练图像进行扫描操作,得到该子训练图像中与所述预设数据模板对应的至少一种结构特征;
对所述至少一种结构特征中的一种结构特征出现的次数进行统计处理,得到该结构特征的条件概率统计信息;
将所述至少一种结构特征中每一种结构特征的条件概率统计信息存储于该子训练图像对应的子结构特征库。
5.根据权利要求4所述的一种数字岩心重构的方法,其特征在于,所述对所述至少一种结构特征中的一种结构特征出现的次数进行统计处理,得到该结构特征的条件概率统计信息,包括:
对所述至少一种结构特征中的一种结构特征出现的次数进行统计处理,将所述统计处理的结果作为该结构特征的条件概率统计信息;
或者,
对所述至少一种结构特征中的一种结构特征出现的次数进行统计处理,得到该结构特征对应的中心像素点位置处的属性值为第一属性值的第一概率;将所述第一概率作为该结构特征的条件概率统计信息。
6.根据权利要求3所述的一种数字岩心重构的方法,其特征在于,所述对所述子结构特征库进行第一整合处理,得到岩心结构特征库,包括:
基于MapReduce并行处理框架,对所述每一个子训练图像对应的子结构特征库进行第一整合处理并得到岩心结构特征库,完成一个第一Reduce任务。
7.根据权利要求6所述的一种数字岩心重构的方法,其特征在于,所述基于所述预设数据模板和所述岩心结构特征库,采用并行处理的方法分别确定所述多个子区域中每一个子区域的岩心图像,包括:
将确定所述多个子区域中一个子区域的岩心图像作为一个第二Map任务;
基于MapReduce并行处理框架,对多个第二Map任务进行第二并行处理,分别确定所述多个子区域中每一个子区域的岩心图像。
8.根据权利要求7所述的一种数字岩心重构的方法,其特征在于,在得到每一个子训练图像对应的子结构特征库以后,所述第一Map任务还包括:
采用深度神经网络的方法对一子结构特征库进行本质特征提取处理,得到一子本质结构特征库;该子本质结构特征库包括:至少一种本质结构特征;一种本质结构特征与该子结构特征库中至少一种结构特征相关联。
9.根据权利要求8所述的一种数字岩心重构的方法,其特征在于,当所述方法包括本质特征提取处理的步骤时,所述第一Reduce任务包括:
对每一个子本质结构特征库进行整合处理并得到本质结构特征库;
将所述本质结构特征库作为所述岩心结构特征库。
10.根据权利要求9所述的一种数字岩心重构的方法,其特征在于,当所述方法包括得到本质结构特征库的步骤时,
在执行所述第二Map任务之前,还包括:采用k-means聚类方法对所述本质结构特征库中的本质结构特征进行分类处理,得到至少一个类集合;一个类集合包括:所述本质结构特征库中至少一种本质结构特征;计算每一个类集合的平均结构特征。
11.根据权利要求10所述的一种数字岩心重构的方法,其特征在于,当所述方法包括本质特征提取处理的步骤,以及得到本质结构特征库的步骤时,所述第二Map任务还包括:
根据所述预设数据模板,确定与所述多个子区域的一个子区域中第一待模拟点位置处对应的第一结构特征;
计算所述至少一个类集合的平均结构特征中一个类集合的平均结构特征与所述第一结构特征的相似度;
当该相似度小于预设相似度阈值时,将该类集合的平均结构特征对应的中心像素点位置处的属性值作为所述第一待模拟点位置处的属性值。
12.根据权利要求1所述的一种数字岩心重构的方法,其特征在于,所述对所述多个子区域中每一个子区域的岩心图像进行第二整合处理,得到所述待重构区域的岩心图像,包括:
基于MapReduce并行处理框架,对所述多个子区域中每一个子区域的岩心图像进行第二整合处理,得到所述待重构区域的岩心图像,完成一个第二Reduce任务。
13.一种数字岩心重构的装置,其特征在于,所述装置包括:训练图像划分模块、子结构特征库确定模块、岩心结构特征库确定模块、子区域图像确定模块和待重构区域图像确定模块;其中,
所述训练图像划分模块,用于获取岩心训练图像,将所述岩心训练图像划分为多个子训练图像;
所述子结构特征库确定模块,用于基于预设数据模板,对所述多个子训练图像进行并行扫描操作,分别得到每一个子训练图像对应的子结构特征库;
所述岩心结构特征库确定模块,用于对所述子结构特征库进行第一整合处理,得到岩心结构特征库;所述岩心结构特征库包括:所述岩心训练图像中与所述预设数据模板对应的每一种结构特征的条件概率统计信息;
所述子区域图像确定模块,用于将与所述岩心训练图像相关联的待重构区域划分为多个子区域,基于所述预设数据模板和所述岩心结构特征库,采用并行处理的方法分别确定所述多个子区域中每一个子区域的岩心图像;
所述待重构区域图像确定模块,用于对所述多个子区域中每一个子区域的岩心图像进行第二整合处理,得到所述待重构区域的岩心图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710418297.7A CN107292002B (zh) | 2017-06-06 | 2017-06-06 | 一种数字岩心重构的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710418297.7A CN107292002B (zh) | 2017-06-06 | 2017-06-06 | 一种数字岩心重构的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107292002A true CN107292002A (zh) | 2017-10-24 |
CN107292002B CN107292002B (zh) | 2021-01-01 |
Family
ID=60094275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710418297.7A Active CN107292002B (zh) | 2017-06-06 | 2017-06-06 | 一种数字岩心重构的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292002B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908913A (zh) * | 2017-12-22 | 2018-04-13 | 中国海洋大学 | 基于并行计算机的地球动力数模算法 |
CN111709423A (zh) * | 2020-06-26 | 2020-09-25 | 东北石油大学 | 岩性特征库匹配的pdc钻头条件下岩屑岩性识别方法 |
CN111882658A (zh) * | 2020-07-02 | 2020-11-03 | 电子科技大学 | 一种针对核电厂房内核设施的自动重构方法 |
CN112037124A (zh) * | 2019-06-04 | 2020-12-04 | 中国石油化工股份有限公司 | 基于图像纹理合成的特征可调控的数字岩心重构方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070014435A1 (en) * | 2005-07-13 | 2007-01-18 | Schlumberger Technology Corporation | Computer-based generation and validation of training images for multipoint geostatistical analysis |
CN102713683A (zh) * | 2010-02-26 | 2012-10-03 | 雪佛龙美国公司 | 用于利用多点统计模拟来对储层特性走向建模的方法和系统 |
-
2017
- 2017-06-06 CN CN201710418297.7A patent/CN107292002B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070014435A1 (en) * | 2005-07-13 | 2007-01-18 | Schlumberger Technology Corporation | Computer-based generation and validation of training images for multipoint geostatistical analysis |
CN102713683A (zh) * | 2010-02-26 | 2012-10-03 | 雪佛龙美国公司 | 用于利用多点统计模拟来对储层特性走向建模的方法和系统 |
Non-Patent Citations (1)
Title |
---|
冀乾宇: "《基于分布式计算的多点地质统计方法研究》", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908913A (zh) * | 2017-12-22 | 2018-04-13 | 中国海洋大学 | 基于并行计算机的地球动力数模算法 |
CN107908913B (zh) * | 2017-12-22 | 2020-12-11 | 中国海洋大学 | 基于并行计算机的地球动力数模方法 |
CN112037124A (zh) * | 2019-06-04 | 2020-12-04 | 中国石油化工股份有限公司 | 基于图像纹理合成的特征可调控的数字岩心重构方法 |
CN111709423A (zh) * | 2020-06-26 | 2020-09-25 | 东北石油大学 | 岩性特征库匹配的pdc钻头条件下岩屑岩性识别方法 |
CN111709423B (zh) * | 2020-06-26 | 2022-03-15 | 东北石油大学 | 岩性特征库匹配的pdc钻头条件下岩屑岩性识别方法 |
CN111882658A (zh) * | 2020-07-02 | 2020-11-03 | 电子科技大学 | 一种针对核电厂房内核设施的自动重构方法 |
CN111882658B (zh) * | 2020-07-02 | 2022-08-09 | 电子科技大学 | 一种针对核电厂房内核设施的自动重构方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107292002B (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102019101873A1 (de) | Abfragespezifische Verhaltensmodifizierung von Baumtraversierung | |
Amanatides et al. | A fast voxel traversal algorithm for ray tracing. | |
DE112020004702T5 (de) | Bildgenerierung unter verwendung eines oder mehrerer neuronaler netze | |
DE102021118059A1 (de) | VORRICHTUNG UND VERFAHREN ZUR EFFIZIENTEN GRAFIKVERARBEITUNG EINSCHLIEßLICH STRAHLVERFOLGUNG | |
DE102018126342A1 (de) | Transformieren von faltenden neuronalen netzen zum lernen von visuellen sequenzen | |
DE102019102821A1 (de) | Verfahren zur behandlung von ungeordneten opak- und alphastrahl/primitiv-schnittpunkten | |
CN110176054A (zh) | 用于训练神经网络模型的合成图像的生成 | |
DE102019103058A1 (de) | Verfahren für fortgesetzte begrenzungsvolumenhierarchietraversierung auf schnittpunkte ohne shader-intervention | |
DE102019103326A1 (de) | Robuste, effiziente multiprozessor-koprozessor-schnittstelle | |
DE102019103059A1 (de) | Hieb- und stichfester Strahl-Dreieck-Schnittpunkt | |
DE102021121187A1 (de) | EINRICHTUNG UND VERFAHREN ZUR EFFIZIENTEN GRAFIKVERARBEITUNG EINSCHLIEßLICH STRAHLVERFOLGUNG | |
US20200175654A1 (en) | Boundary-aware object removal and content fill | |
CN108491817A (zh) | 一种事件检测模型训练方法、装置以及事件检测方法 | |
DE102018113845A1 (de) | Systeme und Verfahren zum Trainieren von neuronalen Netzwerken mit dünnbesetzten Daten | |
CN111325664B (zh) | 风格迁移方法、装置、存储介质及电子设备 | |
CN107292002A (zh) | 一种数字岩心重构的方法及装置 | |
CN108334910A (zh) | 一种事件检测模型训练方法以及事件检测方法 | |
CN107240154A (zh) | 一种双孔隙三维数字岩心建模方法及装置 | |
DE102019132001A1 (de) | Vorrichtung und verfahren für einen hierarchischen beamtracer | |
DE102020132377A1 (de) | Vorrichtung und Verfahren zur Drosselung einer Raytracing-Pipeline | |
DE102019106996A1 (de) | Darstellen eines neuronalen netzwerks unter verwendung von pfaden innerhalb des netzwerks zum verbessern der leistung des neuronalen netzwerks | |
CN108267466A (zh) | 一种构建数字岩心的方法及装置 | |
DE112019001978T5 (de) | Verbesserung des realismus von szenen mit wasseroberflächen beim rendern | |
CN107423269A (zh) | 词向量处理方法及装置 | |
Mikuni et al. | CaloScore v2: single-shot calorimeter shower simulation with diffusion models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |