CN107657634B - 基于深度学习和支持向量机的页岩数字岩心三维重构方法 - Google Patents

Abstract

本发明涉及一种基于深度学习和支持向量机(SVM，Support Vector Machine)的页岩数字岩心三维重构方法，包括以下步骤：S1，利用三维数据模板扫描真实页岩岩心的体数据，获得页岩岩心的三维模式库；S2，采用深度信念网络(DBN，Deep Belief Networks)对三维模式库进行特征提取；S3，利用SVM对提取的特征进行分类，形成各个特征的类集合{Category_i，i＝1,2,3…}；S4，利用多点地质统计法重构数字岩心。与现有技术相比，本发明使用深度学习和支持向量机进行页岩数字岩心的重构，深度学习具有很强的提取训练图像本质特征的能力，而支持向量机可以对页岩的结构特征分类，再利用多点地质统计法可以有效重构页岩数字岩心。

Description

基于深度学习和支持向量机的页岩数字岩心三维重构方法

技术领域

本发明涉及一种数字岩心三维重构方法，尤其是涉及一种基于深度学习和支 持向量机的页岩数字岩心三维重构方法。

背景技术

随着常规气藏的不断衰竭，页岩气藏等非常规油气资源的开发生产日益受到重视。页岩气在储层中旳流动是一个复杂的多尺度流动过程，气体流动机理明显不同 于常规气藏。作为页岩气的储集和流动载体，页岩储层的岩石孔隙结构复杂，孔隙 尺寸从纳米到微米不等，同时还伴有天然发育的微裂缝，而且不同尺寸的孔隙、裂 缝中气体的赋存状态与运动特征不同。页岩内部孔隙、裂缝及孔隙中流体的耦合作 用直接影响着页岩的物理、力学性质，其中页岩孔隙—微裂缝结构特征直接影响着 页岩气藏的储能与内部流体的渗流行为。因此，准确、定量地表征页岩孔隙—微裂 缝结构特征对于页岩中微细观渗流机理的研究有着重要理论意义。

岩心常规实验方法借助实验手段来观测岩石表观性质的变化，来间接地反映岩石孔隙结构及其对物理、力学等宏观性质的影响。这种表观上的观测不能定量地解 析岩石内部孔隙的连通性，也无法对决定岩石的表观性质的内部机制进行研究。页 岩岩心受储层疏松度的影响，获取比较困难，可供实验研究的岩心数量有限。而且 由于实验设备获得的页岩岩样大多是微米或毫米尺度，如果要获得更大尺度和范围 内的孔隙结构，必须通过对其特征的三维重构才能实现。通过数值方法重构页岩的 三维微观结构模型，即数字岩心，能够再现页岩复杂的微观结构，克服了常规岩石 物理实验测量存在的问题，在此基础上可以开展微观尺度或者是更大尺度上的页岩 物理属性的分析。因此研究三维页岩数字岩心的重构方法对于以微细观渗流机理为 基础的提高页岩气采收率的研究具有重要的理论指导作用，对页岩储层物性解释具 有重要的应用价值。

数字岩心是研究岩石孔隙和微观渗流理论的基础平台，数字岩心建模方法可分为两大类：物理实验方法和数值重构方法。建立数字岩心的数值重构法通常以岩心 切片图像为基础，借助各种不同的统计方法或者机器学习方法来建立数字岩心。近 年来，机器学习算法迅猛发展。2006年，《Science》中的一篇文章提出了“深度学 习”的概念，掀起了新一轮机器学习的热潮。Hinton等人提出的深度信念网络(DBN， Deep Belief Networks)是“深度学习”的一种典型方法，使用连续层的二进制或真 值的变量来学习高层表示的分布，为提取复杂模式中的本质特征提供了有力的工具。 另外一种机器学习算法—“支持向量机”(SVM，Support Vector Machine)是一种通 用学习机器，是统计学习理论的一种实现方法。SVM将输入向量映射到一个高维 的特征空间，并在该特征空间中构造最优分类面。因此，SVM成为了为复杂模式 分类的强有力工具。

如上所述，由于页岩内部多种尺度的孔隙共存，包含微米级和纳米级的孔隙和 微裂缝，传统页岩数字岩心重构方法无法较好地描述页岩中复杂的孔隙-微裂缝结 构，使得重构的页岩岩心难以达到研究微观渗流机理的要求，为利用数值方法重构 数字岩心带来极大的挑战。因此基于深度学习的特征提取能力和支持向量机的分类 功能，需要实现一种任意尺度下的页岩数字岩心重构方法。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种实现一种任 意尺度下的基于深度学习和支持向量机的页岩数字岩心三维重构方法。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习和支持向量机的页岩数字岩心三维重构方法，包括以下步骤：

S1，利用三维数据模板扫描真实页岩岩心的体数据，获得页岩岩心的三维模 式库；

S2，采用深度信念网络DBN对三维模式库进行特征提取；

S3，利用SVM对提取的特征进行分类，形成各个特征的类集合{Category_i， i＝1,2,3…}；

S4，利用多点地质统计法重构数字岩心。

进一步的，所述的体数据为体素数据。

进一步的，所述的三维数据模板为用于捕获多个体素数据的立体网格，扫描时，三维数据模板在真实页岩岩心的体数据中以设定步长和方向平移，三维数据模板所 涵盖空间内的体素数据被记录为数据事件，所有的数据事件构成页岩岩心的三维模 式库。

进一步的，所述的三维数据模板为立方体网格。

进一步的，所述的设定步长为一个体素。

进一步的，所述的步骤S2中，提取的特征包括页岩孔隙的内部结构特征。

进一步的，所述的步骤S4具体包括：利用三维数据模板捕获重构区域的数据 事件，然后将其与各个Category_i对应的平均模式比较，如果某个Category_i的平均 模式与当前数据事件的相似度最大，则认为当前数据事件属于该Category_i的类型， 将该Category_i的平均模式作为该区域的重构结果，但是该区域的已知条件数据保 持不变。

进一步的，所述的类集合Category_i对应的平均模式为：属于该Category_i的所 有特征在数据模板各向量位置的平均值。

进一步的，所述的已知条件数据包括：在重构数字岩心前，三维数据模板区域 内已知的岩心状态数据，以及在重构过程中，已完成重构的体数据节点的岩心状态 数据，具体包括两种状态值：孔隙或骨架。

进一步的，某个类集合Category_i对应的平均模式与当前数据事件的相似度的 计算方法包括：求取数据事件在数据模板中各个向量位置的状态值与数据模板平均 模式中对应的状态值之间的距离，将距离加权求和，得到的距离总和越小，则相似 度最大。具体如下：

设数据模板为τ_D，它是由D个向量组成的几何形态，τ_D＝{h_α；α＝1,2,…,D}， 设数据模板中心位置为u，模板其他位置u_α＝u+h_α(α＝1,2,…,D)，令d(u_α)表示在u_α 的状态值。在利用SVM对模式特征分类后，获得第i个特征类的集合{Category_i， i＝1,2,3…}。每个类集合形成一个子空间Cell，对于每个Cell，定义一个与数据模 板相同形状的平均模式Prototype，Prototype是属于该Cell的所有特征(或图案) 的初值在各向量位置的均值。

Prototype的值prot^(l)(h_α)表示属于一个Cell中的所有特征(或图案)在各个h_α 位置的均值，定义为：

其中L是Cell总个数；c_l表示属于第l个Cell的特征总个数；

是属于第l个Cell中的第i个特征所对应数据模板的中心位置；T表示训练数据或训练图 像，即真实页岩体数据；

是训练数据或训练图像在

位置的状态值。 第l个特征类的平均模式表示为：

prot_l＝(prot^(l)(h₁),prot^(l)(h₂),…,prot^(l)(h_D))，l＝1,…,L

定义距离函数如下：

dis(d(u_α),prot_l)表示求取数据事件d(u_α)和prot_l中对应的已知节点间的距离。每种节 点会根据其类型而给定一个权值ω(t)，表示其在求取距离函数中的重要性。t＝1表 示重构前的已知条件数据；t＝2表示其他情况下的已知数据，ω(2)≤ω(1)。本发明 中ω(2)＝0.35，ω(1)＝0.65。可见重构前的已知条件数据在距离函数中的作用最大。 dis(d(u_α)，prot_l)可以用来表示某个Category_i的平均模式与当前数据事件的相似度， dis(d(u_α),prot_l)的值越大则相似性越小。

与现有技术相比，本发明具有以下优点：

(1)使用深度学习和支持向量机进行页岩数字岩心的重构，深度学习具有很 强的提取训练图像本质特征的能力，而支持向量机可以对页岩的结构特征分类，再 利用多点地质统计法可以有效重构页岩数字岩心。

(2)采用深度学习中的DBN提取特征.DBN即使在训练数据比较缺乏的情况 下也能发挥较好作用。

(3)传统的机器学习方法对于小样本处理能力不足，本发明采用支持向量机 SVM对提取的特征分类，SVM在解决小样本问题中有明显的优势。

附图说明

图1为深度学习结合支持向量机的多层分类模型；

图2为三维数据模板和三维数据事件示意图，其中图2(a)是一个3*3*3网格的 三维数据模板，图2(b)和图2(c)表示该数据模板捕获的数据事件；

图3为页岩的训练图像，其中3(a)为外表面，3(b)为孔隙结构；

图4为本实施例的页岩重构图像，其中4(a)为外表面，4(b)为孔隙结构；

图5为本发明方法流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范 围不限于下述的实施例。

实施例

如图5所示，一种基于深度学习和支持向量机的页岩数字岩心三维重构方法， 包括以下步骤：

S1，利用三维数据模板扫描真实页岩岩心的体数据，获得页岩岩心的三维模 式库；

S2，采用深度信念网络DBN对三维模式库进行特征提取；

S3，利用支持向量机(SVM，Support Vector Machine)对提取的特征进行分类， 形成各个特征的类集合{Category_i，i＝1,2,3…}；

S4，利用多点地质统计法重构数字岩心。

深度信念网络(DBN，Deep Belief Networks)克服了神经网络因随机初始化 权值参数导致的训练时间过长和容易陷入局部最优的缺点，是目前广泛使用的一种 深度学习方法。DBN是一种概率生成模型，由一系列限制性玻尔兹曼机组成。DBN 由于具有多隐含层的结构，每一个隐含层可以对上一层的输出进行非线性变换，可 以用更简洁的方式表达复杂的函数关系，因此具有优异的特征学习能力，从而有利 于获取页岩结构的本质特征。因此本发明利用限制性玻尔兹曼机构建用于分类的多 层模型，将深度学习中的DBN方法与支持向量机相结合，用DBN提取样本特征， 然后用SVM方法进行分类。

将DBN与SVM相结合，构建如图1用于分类的多层模型。图中的X₁～X_m表 示m维原始输入数据，h₁₁～h_1p表示p维的第一个隐含层，h₂₁～h_2q表示q维的第二 个隐含层，……，h_l1～h_lr表示r维的第l个隐含层。一共有l个隐含层，h_l＝(h_l1,h_l2,…, h_lr)。深度学习的结果作为支持向量机的输入，核函数K(x，y)表示将输入空间的线 性变换映射为某个高维空间中的线性问题，在变换空间求最优分类面；f(x)表示支 持向量机的决策函数。基于深度学习和支持向量机的分类是利用深度学习方法，通 过无监督学习，将原始数据重新表征，实现特征的自动提取，然后将最后一层隐含 层的输出作为支持向量机分类器的输入，通过SVM方法进行训练分类识别。

此处介绍数据模板和数据事件的概念：训练图像的特征模式可以被在其上方滑动的窗口所捕获。这个窗口被称为数据模板。设数据模板为τ_D，它是由D个向量 组成的几何形态，τ_D＝{h_α；α＝1,2,…,D}。设数据模板中心位置为u,模板其他位置u_α ＝u+h_α(α＝1,2,…,D)。令d(u_α)表示在u_α的状态值。为了获得在某个向量u位置的状 态值,选取离其最近的D个数据作为模拟时的条件数据。D个条件数据和它们的几 何结构组成了“数据事件”，记为d_D

d_D＝{d(u_α)；α＝1,2,…,D.}

图2(a)所示是一个3*3*3网格的三维数据模板，每个网格表示一个体素位置， 数据模板中心用蓝色表示。图2(b)和图2(c)表示该数据模板捕获的数据事件。数据 事件中具有相同颜色的节点表示具有相同的状态值，而这些在数据模板内部的已知 节点可以用作模拟时的条件，因此被称为条件数据。在实际的重构页岩数字岩心的 过程中，首先利用三维数据模板扫描真实页岩岩心的体数据，获得页岩岩心的三维 模式库。为了提取页岩岩心模式的本质结构特征，本发明采用DBN对三维页岩模 式库进行提取特征的操作。DBN由多层限制性玻尔兹曼机(RBM，Restricted Boltzmann Machine)构成，可以通过逐层训练方法进行训练。RBM是一种基于能 量的概率生成模型，包含一个可视层和一个隐含层，只有可视层与隐含层之间有连 接，而可视层单元之间及隐含层单元之间没有连接。基于图1中虚线左侧所示的深 度学习结构，特征提取步骤如下：

(1)首先训练第一个RBM网络，即利用输入层(m维)和第一个隐含层(p维)构成 的RBM网络进行训练。输入为原始的页岩三维模式特征输入数据(即三维数据模 板从页岩体数据捕获的三维数据事件)，通过训练第一个RBM得到训练样本在隐 含层的输出值，以及相应的权值和偏置。

(2)利用步骤(1)中隐含层的输出值作为第2个RBM网络训练的输入值，用第 一个RBM的输出与第二层隐含层构成输入层为p维和隐含层为q维的RBM网络。 同步骤(1)中的方法，计算出隐含层的输出值、权值和偏置。依次类推，用同样的 方法训练接下来的第3个RBM网络、第4个RBM网络直到r个网络全部训练结 束。

(3)将上面多个训练好的RBM连接在一起组成新的网络，并将网络分成encoder 和decoder部分。encoder部分为将整个网络从原始数据输入到最后一个RBM网络 的输出的正向传播构成的网络，decoder部分为将整个网络从最后一个RBM网络 到重构的原始输入数据的反向传播构成的网络，其权值和偏置为步骤(1)和步骤(2) 得到的值，即步骤(1)和步骤(2)得到的权值和偏置作为整个网络的权值和偏置初值。

(4)新网络中最后的输出和最初的输入节点数是相同的，将最初的原始输入数 据作为网络重构的输出标签，采用BP算法计算网络的代价函数和代价函数的偏导 数，然后采用共轭梯度下降法优化整个新网络，得到优化的网络权值和偏置。

(5)将最终得到的网络的权值和偏置重新赋给从原始输入数据到最后一个RBM 构成的网络中，这样便完成了特征的提取过程，最后一个RBM的输出便为提取的 特征。

在提取三维页岩模式特征之后，利用SVM对提取的特征进行分类，形成各个 特征的类集合{Category_i，i＝1,2,3…}。再利用多点地质统计法重构岩心，即利用数 据模板捕获重构区域的数据事件，然后将其与各个Category_i对应的平均模式比较。 如果某个Category_i的平均模式与当前数据事件最接近，那么可以认为当前数据事 件属于该Category_i的类型，则将该Category_i的平均模式作为该区域的随机重构结 果，但是该区域的已知条件数据保持不变。所谓的已知条件数据是指在模拟开始前 就已知状态值的部分节点(或体素点)，而对于在模拟过程中已经模拟完成的节点(或 体素点)也可作为新增的已知条件数据。对于页岩而言，该已知条件数据仅有两种 状态值：孔隙或骨架。

采用实验方法验证本发明的有效性。图3(a)所示是一幅100*100*100体素的真 实页岩体数据，其中孔隙用灰色表示，骨架用黑色表示。图3(b)是该体数据的孔隙 结构图，孔隙度为5.1％。以图3的体数据作为训练图像，利用深度学习提取页岩 体数据的结构特征，再利用支持向量机对这些结构特征分类，形成各个特征的类集 合{Category_i，i＝1,2,3…}，然后利用多点地质统计法重构页岩岩心。重构区域为 100*100*100体素，重构结果见图4(a)、4(b)，孔隙度为5.3％。可见图4(a)、4(b) 的重构结果具有与图3(a)、3(b)训练图像相似的孔隙和骨架结构特征，两者孔隙度 很接近，并且孔隙均具有不规则的长连通性，说明重构质量较好，也验证了本发明 的有效性。

Claims (6)

1.一种基于深度学习和支持向量机的页岩数字岩心三维重构方法，其特征在于，包括以下步骤：

S1，利用三维数据模板扫描真实页岩岩心的体数据，获得页岩岩心的三维模式库，

S2，采用深度信念网络DBN对三维模式库进行特征提取，

S3，利用SVM对提取的特征进行分类，形成各个特征的类集合{Category_i，i＝1,2,3…}，

S4，利用多点地质统计法重构数字岩心；

所述的体数据为体素数据；

所述的三维数据模板为用于捕获多个体素数据的立体网格，扫描时，三维数据模板在真实页岩岩心的体数据中以设定步长和方向平移，三维数据模板所涵盖空间内的体素数据被记录为数据事件，所有的数据事件构成页岩岩心的三维模式库；

所述的三维数据模板为立方体网格；

所述的设定步长为一个体素。

2.根据权利要求1所述的一种基于深度学习和支持向量机的页岩数字岩心三维重构方法，其特征在于，所述的步骤S2中，提取的特征包括页岩孔隙的内部结构特征。

3.根据权利要求1所述的一种基于深度学习和支持向量机的页岩数字岩心三维重构方法，其特征在于，所述的步骤S4具体包括：利用三维数据模板捕获重构区域的数据事件，然后将其与各个Category_i对应的平均模式比较，如果某个Category_i的平均模式与当前数据事件的相似度最大，则认为当前数据事件属于该Category_i的类型，将该Category_i的平均模式作为该区域的重构结果，但是该区域的已知条件数据保持不变。

4.根据权利要求3所述的一种基于深度学习和支持向量机的页岩数字岩心三维重构方法，其特征在于，所述的类集合Category_i对应的平均模式为：属于该Category_i的所有特征在数据模板各向量位置的平均值。

5.根据权利要求3所述的一种基于深度学习和支持向量机的页岩数字岩心三维重构方法，其特征在于，所述的已知条件数据包括：在重构数字岩心前，三维数据模板区域内已知的岩心状态数据，以及在重构过程中，已完成重构的体数据节点的岩心状态数据，具体包括两种状态值：孔隙或骨架。

6.根据权利要求4所述的一种基于深度学习和支持向量机的页岩数字岩心三维重构方法，其特征在于，某个类集合Category_i对应的平均模式与当前数据事件的相似度的计算方法包括：求取数据事件在数据模板中各个向量位置的状态值与数据模板平均模式中对应的状态值之间的距离，将距离加权求和，得到的距离总和越小，则相似度最大。

Images