CN111402266A - 一种构建数字岩心的方法及系统 - Google Patents
一种构建数字岩心的方法及系统 Download PDFInfo
- Publication number
- CN111402266A CN111402266A CN202010175137.6A CN202010175137A CN111402266A CN 111402266 A CN111402266 A CN 111402266A CN 202010175137 A CN202010175137 A CN 202010175137A CN 111402266 A CN111402266 A CN 111402266A
- Authority
- CN
- China
- Prior art keywords
- network
- digital core
- discrimination
- image
- generation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000010276 construction Methods 0.000 claims abstract description 34
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 154
- 239000011435 rock Substances 0.000 claims description 68
- 230000004913 activation Effects 0.000 claims description 53
- 238000012512 characterization method Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 239000011148 porous material Substances 0.000 description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010884 ion-beam technique Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/95—Pattern authentication; Markers therefor; Forgery detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
Abstract
本发明公开一种构建数字岩心的方法及系统,涉及数字岩心技术领域。该方法利用图像扫描技术获取能够反映真实岩心信息的三维数字岩心图像,并对其进行处理得到数字岩心训练图像来训练生成对抗网络;将训练好的生成对抗网络存储起来,得到数字岩心构建模型,可以直接利用存储的数字岩心构建模型快速构建目标数字岩心图像,这不仅大大减小了计算成本,降低了获取高分辨率样本图像成本和耗时,同时,所构建的目标数字岩心图像也能反映真实的岩心信息。
Description
技术领域
本发明涉及数字岩心技术领域,特别是涉及一种构建数字岩心的方法及系统。
背景技术
基于物理实验方法或者数值重建手段,数字岩心技术可以再现复杂的孔隙空间,建立有效表征多孔介质复杂孔隙结构特性的模型,使得岩心样品可视化和定量化。进而数字岩心技术可以在重构的数字岩心和孔隙网络模型中进行流动模拟,通过数字岩心技术可以获得油气田开发所必须的数据,为高效开发非常规油气资源提供理论指导和技术支持,数字岩心技术已成为目前非常规油气开发必备的技术和方法之一。但是由于页岩、碳酸盐岩以及一些深层地层在获取岩心时存在着很大的困难,存在着岩心不易获取和获取岩心成本高等问题,获取的岩心样本也非常珍贵。所以在已有实验仪器和理论的支持下,现有的构建数字岩心的方法存在获取高分辨率样本图像成本高和耗时长的问题。
发明内容
本发明的目的是提供一种构建数字岩心的方法及系统,解决了现有构建数字岩心的方法获取高分辨率样本图像成本高和耗时长的问题。
为实现上述目的,本发明提供了如下方案:
一种构建数字岩心的方法,包括:
获取数字岩心训练图像;所述数字岩心训练图像为岩心已知的岩石的数字岩心样本图像;
将所述数字岩心训练图像分割为多个子样本,将所有所述子样本存储为样本集;
利用所述样本集和随机样本噪声训练生成对抗网络,得到数字岩心构建模型;所述数字岩心构建模型为通过所述样本集和所述随机样本噪声训练好的生成对抗网络,所述数字岩心构建模型用于构建目标数字岩心图像;
获取目标随机噪声;
将所述目标随机噪声输入所述数字岩心构建模型,得到目标数字岩心图像。
可选的,所述获取数字岩心训练图像,具体包括:
利用图像扫描技术对岩心已知的岩石进行扫描,得到岩心已知的岩石灰度图像;
提取所述岩心已知的岩石灰度图像中心位置的表征单元体,并对所述表征单元体进行平滑处理,得到平滑数字岩心图像;
采用分水岭分割方法对所述平滑数字岩心图像进行分割,得到数字岩心训练图像。
可选的,所述利用所述样本集和随机样本噪声训练生成对抗网络,得到数字岩心构建模型,具体包括:
获取所述生成对抗网络的激活函数和损失函数;所述生成对抗网络包括生成网络和判别网络;
将随机样本噪声输入至所述生成网络,得到伪样本集;所述伪样本集包括多个所述第一伪数字岩心图像;
利用所述伪样本集和所述样本集训练所述判别网络,得到判别网络模型;所述判别网络模型为训练好的判别网络,所述判别网络模型的输入为第一伪数字岩心图像,输出为所述第一伪数字岩心图像的真假概率值;
将所述随机样本噪声作为输入,利用所述判别网络模型对所述生成网络进行训练,得到生成网络模型;所述生成网络模型为训练好的生成网络,所述生成网络模型的输出为所述目标数字岩心图像;所述判别网络模型和所述生成网络模型构成数字岩心构建模型。
可选的,所述判别网络包括:判别输入层、判别中间层和判别输出层;
所述生成网络包括:生成输入层、生成中间层和生成输出层;所述生成输入层为全连接层,所述生成中间层和所述生成输出层均为微步卷积层;
所述激活函数包括:判别中间层的激活函数、判别输出层的激活函数、生成中间层的激活函数和生成输出层的激活函数;所述判别中间层的激活函数为LeakyReLu激活函数,所述判别输出层的激活函数为Sigmoid激活函数,所述生成中间层的激活函数为ReLu激活函数,所述生成输出层的激活函数为Tanh激活函数;
所述损失函数包括:判别网络的判别损失函数和生成网络的生成损失函数。
可选的,所述利用所述伪样本集和所述样本集训练所述判别网络,得到判别网络模型,具体包括:
从所述样本集中抽取N个子样本输入所述判别网络,计算第一判别损失函数;
利用所述第一判别损失函数计算所述判别网络每层的第一判别梯度;
从所述伪样本集中抽取N个所述第一伪数字岩心图像输入所述判别网络,计算第二判别损失函数;
利用所述第二判别损失函数计算所述判别网络每层的第二判别梯度;
将所述第一判别损失函数与所述第二判别损失函数相加得到所述判别损失函数;
利用所述第一判别梯度、所述第二判别梯度和小批量梯度下降算法优化所述判别损失函数,得到最优判别网络参数,根据所述最优判别网络参数得到判别网络模型;所述判别网络参数为所述判别网络每层的权重和偏置。
可选的,所述将所述随机样本噪声作为输入,利用所述判别网络模型对所述生成网络进行训练,得到生成网络模型,具体包括:
将所述随机样本噪声输入所述生成网络,生成第一伪样本;
将所述第一伪样本输入所述判别网络模型,根据公式Loss_S1=lg(D(G(z,θ),α))计算第一损失函数;上式中,Loss_S1表示所述第一损失函数,D(.)表示所述判别网络模型,G(.)表示所述生成网络,z表示所述随机样本噪声,α表示所述判别网络参数,θ表示生成网络参数;
利用所述第一损失函数计算所述生成网络每层的生成梯度;
利用所述生成梯度和小批量梯度下降算法优化所述生成损失函数,返回迭代“将所述随机样本噪声输入所述生成网络,生成第一伪样本”,直至达到预设迭代次数或所述判别网络模型的真假概率值为预设真假概率值,将达到预设迭代次数时或所述真假概率值为预设真假概率值时对应的生成网络参数确定为最优生成网络参数,根据所述最优生成网络参数得到生成网络模型;所述生成网络参数为所述生成网络每层的权重和偏置。
一种构建数字岩心的系统,包括:
数字岩心训练图像模块,用于获取数字岩心训练图像;所述数字岩心训练图像为岩心已知的岩石的数字岩心样本图像;
样本集模块,用于将所述数字岩心训练图像分割为多个子样本,将所有所述子样本存储为样本集;
数字岩心模型模块,用于利用所述样本集和随机样本噪声训练生成对抗网络,得到数字岩心构建模型;所述数字岩心构建模型为通过所述样本集和所述随机样本噪声训练好的生成对抗网络,所述数字岩心构建模型用于构建目标数字岩心图像;
获取模块,用于获取目标随机噪声;
目标数字岩心图像模块,用于将所述目标随机噪声输入所述数字岩心构建模型,得到目标数字岩心图像。
可选的,所述数字岩心训练图像模块,具体包括:
扫描单元,用于利用图像扫描技术对岩心已知的岩石进行扫描,得到岩心已知的岩石灰度图像;
平滑处理单元,用于提取所述岩心已知的岩石灰度图像中心位置的表征单元体,并对所述表征单元体进行平滑处理,得到平滑数字岩心图像;
分割单元,用于采用分水岭分割方法对所述平滑数字岩心图像进行分割,得到数字岩心训练图像。
可选的,所述数字岩心模型模块,具体包括:
获取单元,用于获取所述生成对抗网络的激活函数和损失函数;所述生成对抗网络包括生成网络和判别网络;
伪样本集单元,用于将随机样本噪声输入至所述生成网络,得到伪样本集;所述伪样本集包括多个所述第一伪数字岩心图像;
判别网络模型单元,用于利用所述伪样本集和所述样本集训练所述判别网络,得到判别网络模型;所述判别网络模型为训练好的判别网络,所述判别网络模型的输入为第一伪数字岩心图像,输出为所述第一伪数字岩心图像的真假概率值;
数字岩心构建模型单元,用于将所述随机样本噪声作为输入,利用所述判别网络模型对所述生成网络进行训练,得到生成网络模型;所述生成网络模型为训练好的生成网络,所述生成网络模型的输出为所述目标数字岩心图像;所述判别网络模型和所述生成网络模型构成数字岩心构建模型。
可选的,所述判别网络模型单元,具体包括:
第一判别损失函数子单元,用于从所述样本集中抽取N个子样本输入所述判别网络,计算第一判别损失函数;
第一判别梯度子单元,用于利用所述第一判别损失函数计算所述判别网络每层的第一判别梯度;
第二判别损失函数子单元,用于从所述伪样本集中抽取N个所述第一伪数字岩心图像输入所述判别网络,计算第二判别损失函数;
第二判别梯度子单元,用于利用所述第二判别损失函数计算所述判别网络每层的第二判别梯度;
判别损失函数子单元,用于将所述第一判别损失函数与所述第二判别损失函数相加得到所述判别损失函数;
判别网络模型子单元,用于利用所述第一判别梯度、所述第二判别梯度和小批量梯度下降算法优化所述判别损失函数,得到最优判别网络参数,根据所述最优判别网络参数得到判别网络模型;所述判别网络参数为所述判别网络每层的权重和偏置。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种构建数字岩心的方法及系统。该方法包括:获取数字岩心训练图像;数字岩心训练图像为岩心已知的岩石的数字岩心样本图像;将数字岩心训练图像分割为多个子样本,将所有子样本存储为样本集;利用样本集和随机样本噪声训练生成对抗网络,得到数字岩心构建模型;数字岩心构建模型为通过样本集和随机样本噪声训练好的生成对抗网络,数字岩心构建模型用于构建目标数字岩心图像;获取目标随机噪声;将目标随机噪声输入数字岩心构建模型,得到目标数字岩心图像。该方法利用生成对抗网络(Generative Adversarial Network,GAN)模型建立目标数字岩心图像,将训练后的用于构建目标数字岩心图像的数字岩心构建模型存储起来,可以直接利用存储的数字岩心构建模型快速构建目标数字岩心图像,大大减小了计算成本,降低了获取高分辨率样本图像成本和耗时。同时,与CT扫描技术、聚焦离子束扫描电子显微镜(FIB-SEM)等图像扫描技术相结合,提高了构建的目标数字岩心图像的真实性与准确性,对于像页岩和深层油气藏这种难以取心的岩心样本实验而言,可以减少取心的成本,在实际应用中有很重要的价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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为本发明实施例所提供的构建数字岩心的方法的流程图;
图2为本发明实施例所提供的岩石二维灰度图;图2(a)为岩石二维灰度图像;图2(b)为岩石三维灰度图像;
图3为本发明实施例所提供的表征单元体图;图3(a)为提取400*400*400像素的表征单元体图;图3(b)为提取后的表征单元体的三维展示图;
图4为本发明实施例所提供的二维展示图;图4(a)为提取后的表征单元体的二维展示图;图4(b)为平滑处理后的表征单元体的二维展示图;
图5为本发明实施例所提供的分割后的表征单元体的二维展示图;
图6为本发明实施例所提供的目标数字岩心图像;图6(a)为构建的400*400*400像素目标数字岩心图像的三维展示图;图6(b)为构建的400*400*400像素目标数字岩心图像的二维展示图;
图7为本发明实施例所提供的构建数字岩心的系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种构建数字岩心的方法及系统,以解决现有构建数字岩心的方法获取高分辨率样本图像成本高和耗时长的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本实施例提供一种构建数字岩心的方法,图1为本发明实施例所提供的构建数字岩心的方法的流程图。参见图1,构建数字岩心的方法包括:
步骤101,获取数字岩心训练图像;数字岩心训练图像为岩心已知的岩石的数字岩心样本图像。
步骤101具体包括:
利用图像扫描技术对岩心已知的岩石进行扫描,得到岩心已知的岩石灰度图像。图像扫描技术包括利用CT扫描设备和聚焦离子束扫描电子显微镜(FIB-SEM)等设备进行图像扫描,本实施例的扫描分辨率为p微米(μm),岩石灰度图像包括:岩石二维灰度图像和岩石三维灰度图像,参见图2(a)和图2(b)。
提取岩心已知的岩石灰度图像中心位置的表征单元体,并对表征单元体进行平滑处理,得到平滑数字岩心图像。此步骤具体为:提取在岩石三维灰度图像的中间位置提取400*400*400像素的表征单元体,以提高后期模拟的计算速度提取400*400*400像素的表征单元体图参见图3(a),提取后的表征单元体的三维展示图参见图3(b),提取后的表征单元体的二维展示图参见图4(a)。采用非局部均值方法对表征单元体进行平滑处理,以提高岩石孔隙和基质接触边缘的颜色对比,以便在下一步骤中更加清晰地区分岩石孔隙和骨架。平滑处理后的表征单元体的二维展示图参见图4(b)。
采用分水岭分割方法对平滑数字岩心图像进行分割,得到数字岩心训练图像。具体采用基于阈值的分水岭分割方法,根据孔隙与基质的灰度值进行分割,分割后的表征单元体的二维展示图参见图5,图5中黑色为孔隙,白色为岩石基质。图2-图5中的1mm表示图像的单位尺寸。将数字岩心训练图像另存为3Dtif格式。
步骤102,将数字岩心训练图像分割为多个子样本,将所有子样本存储为样本集。步骤102具体包括:为确保每个数字岩心训练图像中包含几个完整的颗粒,设置步长为16像素,子样本尺寸为64*64*64像素,对以.tif格式文件保存的数字岩心训练图像每步长做一次分割,生成10648个子样本;将10648个子样本存储为样本集,并以.hdf5的文件格式保存,便于步骤103训练时读取样本集。
步骤103,利用样本集和随机样本噪声训练生成对抗网络,得到数字岩心构建模型;数字岩心构建模型为通过样本集和随机样本噪声训练好的生成对抗网络,数字岩心构建模型用于构建目标数字岩心图像。
步骤103具体包括:
获取生成对抗网络的激活函数和损失函数;生成对抗网络包括生成网络和判别网络。判别网络包括:判别输入层、判别中间层和判别输出层。生成网络包括:生成输入层、生成中间层和生成输出层;生成输入层为一层全连接层,生成中间层为三层微步卷积层,生成输出层为一层微步卷积层。生成网络的输入是随机样本噪声z,输出是图像数据。判别输出层的输出值在(0,1)区间,作为二分类器。判别网络的输入是图像,输出是输入的图像为真实图像的可能性,即真假概率值,也是判别输出层的输出值。
激活函数包括:判别中间层的激活函数、判别输出层的激活函数、生成中间层的激活函数和生成输出层的激活函数。判别中间层的激活函数为LeakyReLu激活函数,判别输出层的激活函数为Sigmoid激活函数,生成中间层的激活函数为ReLu激活函数,生成输出层的激活函数为Tanh激活函数。损失函数包括:判别网络的判别损失函数和生成网络的生成损失函数。判别网络的判别损失函数为:
Loss_D=lg(D(x,α))+lg(1-D(G(z,θ),α)) (1)
上式中,Loss_D表示判别损失函数,D(.)表示判别网络模型,x表示子样本,α表示判别网络参数,G(.)表示生成网络,z表示随机样本噪声,θ表示生成网络参数。判别网络参数为判别网络每层的判别梯度,生成网络参数为生成网络每层的生成梯度。
生成网络的生成损失函数为:
Loss_G=lg(1-D(G(z,θ))) (2)
上式中,Loss_G表示生成损失函数,G(.)表示生成网络。
将随机样本噪声输入至生成网络,得到伪样本集;伪样本集包括多个第一伪数字岩心图像。具体为:首先初始化生成网络,且固定生成网络的参数;然后将随机样本噪声输入初始化后的生成网络,生成多个第一伪数字岩心图像;最后将多个第一伪数字岩心图像存储为伪样本集。本实施例中的随机样本噪声符合(0,1)标准正态分布。
利用伪样本集和样本集训练判别网络,得到判别网络模型;判别网络模型为训练好的判别网络,判别网络模型的输入为第一伪数字岩心图像,输出为第一伪数字岩心图像的真假概率值。这一步骤是为了提高判别网络识别真假图像的能力。样本集中的子样本为真图像,伪样本集中的第一伪数字岩心图像为假图像。
利用伪样本集和样本集训练判别网络,得到判别网络模型,具体包括:
从样本集中抽取N个子样本输入判别网络,计算第一判别损失函数。本实施例中N=128,N一般为2的幂次方,可以提高计算效率,根据公式(3)计算第一判别损失函数Loss_1:
Loss_1=lg(D(x,α)) (3)
利用第一判别损失函数计算判别网络每层的第一判别梯度。计算判别网络每层的判别梯度包括:首先计算每一层的净输入和激活值用最后一层的净输入和激活值计算最后一层的误差项;然后用最后一层(即倒数第一层)的误差项计算倒数第二层的误差项,从后往前反向传播计算前一层的误差项,直至第一层,得到每层的误差项,利用误差项计算判别网络每层的权重和偏置,得到判别网络参数;最后计算第一判别损失函数对判别网络参数的偏导数,得到每层的第一判别梯度。根据公式(4)计算和/或更新判别网络参数,具体根据公式(5)计算和/或更新每层的权重,根据公式(6)计算和/或更新每层的偏置:
上式中,lr表示初始学习率;表示判别网络第l层的权重;表示判别网络第l层的误差项,即第l层的神经元对最终损失的影响;表示判别网络第l-1层的激活值,即净输入经过激活函数作用后的结果;表示判别网络第l层的偏置;T表示转置;l表示判别网络的层数,判别网络的层数包括判别输入层、判别中间层和判别输出层。
从伪样本集中抽取N个第一伪数字岩心图像输入判别网络,计算第二判别损失函数。根据公式(7)计算第二判别损失函数Loss_2:
Loss_2=lg(1-D(G(z,θ))) (7)
利用第二判别损失函数计算判别网络每层的第二判别梯度,具体计算方法与上述步骤“利用第一判别损失函数计算判别网络每层的第一判别梯度”同理。
将第一判别损失函数与第二判别损失函数相加得到判别损失函数。
利用第一判别梯度、第二判别梯度和小批量梯度下降算法优化判别损失函数,得到最优判别网络参数,根据最优判别网络参数得到判别网络模型;判别网络参数为判别网络每层的权重和偏置。此步骤具体包括:利用小批量梯度下降算法采用Adam优化器优化判别损失函数,设置Adam优化器的初始betas参数betas=(0.5,0.999)和初始学习率lr=0.00001,将判别损失函数最大化时对应的判别网络的参数确定为最优判别网络参数,保存最优判别网络参数,同时将判别损失函数最大化时对应的判别网络确定为判别网络模型。
将随机样本噪声作为输入,利用判别网络模型对生成网络进行训练,得到生成网络模型;生成网络模型为训练好的生成网络,生成网络模型的输出为目标数字岩心图像;判别网络模型和生成网络模型构成数字岩心构建模型。
将随机样本噪声作为输入,利用判别网络模型对生成网络进行训练,得到生成网络模型,具体包括:
将随机样本噪声输入生成网络,生成第一伪样本。本实施例中具体给生成网络输入一个512*1*1*1像素的随机样本噪声z,生成一张1*64*64*64像素的第一伪样本。
将第一伪样本输入判别网络模型,根据公式(8)计算第一损失函数Loss_S1:
Loss_S1=lg(D(G(z,θ),α)) (8)
上式中,D(.)表示判别网络模型,G(.)表示生成网络,z表示随机样本噪声,θ表示生成网络参数,α表示判别网络参数。
利用第一损失函数计算生成网络每层的生成梯度。计算生成网络每层的生成梯度包括:首先计算每一层的净输入和激活值用最后一层的净输入和激活值计算最后一层的误差项;然后用最后一层(即倒数第一层)的误差项计算倒数第二层的误差项,从后往前反向传播计算前一层的误差项,直至第一层,得到每层的误差项,利用误差项计算生成网络每层的权重和偏置,得到生成网络参数;最后计算生成损失函数(或第一损失函数)对生成网络参数的偏导数,得到每层的生成梯度。根据公式(9)计算生成网络参数,具体根据公式(10)计算每层的权重,根据公式(11)计算每层的偏置:
上式中,lr表示初始学习率;表示生成网络第i层的权重;表示生成网络第i层的误差项,即第i层的神经元对最终损失的影响;表示生成网络第i-1层的激活值,即净输入经过激活函数作用后的结果;表示生成网络第i层的偏置;T表示转置;i表示生成网络的层数,生成网络的层数包括生成输入层、生成中间层和生成输出层。
利用生成梯度和小批量梯度下降算法优化生成损失函数,返回迭代“将随机样本噪声输入生成网络,生成第一伪样本”,直至达到预设迭代次数或判别网络模型的真假概率值为预设真假概率值,将达到预设迭代次数时或真假概率值为预设真假概率值时对应的生成网络参数确定为最优生成网络参数,根据最优生成网络参数得到生成网络模型;生成网络参数为生成网络每层的权重和偏置。此步骤具体包括:利用小批量梯度下降算法采用Adam优化器优化生成损失函数,优化生成损失函数具体为最大化生成损失函数或最小化第一损失函数;设置Adam优化器的初始betas参数betas=(0.5,0.999)和初始学习率lr=0.00001;返回步骤“将随机样本噪声输入生成网络,生成第一伪样本”,进行迭代,直至达到预设迭代次数或判别网络模型的真假概率值为预设真假概率值,本实施例中预设真假概率值为接近或等于0.5的值;将达到预设迭代次数时或真假概率值为预设真假概率值时对应的生成网络参数确定为最优生成网络参数,保存最优生成网络参数,同时将最优生成网络参数对应的生成网络确定为生成网络模型。当达到迭代次数,但真假概率值不等于预设真假概率值时,增大迭代次数;当真假概率值等于预设真假概率值,但未达到迭代次数时,提前停止迭代。本实施例为便于后续需要构建目标数字岩心图像读取参数数据,将最优生成网络参数保存为.pth的文件格式。由于一次训练过程是选择N个样本数据进行的,所以在计算损失函数的时候要对损失函数进行平均,因此上述步骤中的所有损失函数均为平均损失函数。
步骤104,获取目标随机噪声。
步骤105,将目标随机噪声输入数字岩心构建模型,得到目标数字岩心图像。步骤105具体包括:首先设置构建的目标数字岩心图像的大小,即设置ngf的大小;然后将目标随机噪声输入数字岩心构建模型的生成网络模型中,得到目标数字岩心图像。通过调整ngf的大小可构建不同尺寸的目标数字岩心图像。图6为根据本实施例构建的400*400*400像素的目标数字岩心图像,目标数字岩心图像的三维展示图参见图6(a),二维展示图参见图6(b)。
本实施例提供一种构建数字岩心的系统,图7为本发明实施例所提供的构建数字岩心的系统的结构图。参见图7,构建数字岩心的系统包括:
数字岩心训练图像模块201,用于获取数字岩心训练图像;数字岩心训练图像为岩心已知的岩石的数字岩心样本图像。
数字岩心训练图像模块201具体包括:
扫描单元,用于利用图像扫描技术对岩心已知的岩石进行扫描,得到岩心已知的岩石灰度图像。图像扫描技术包括利用CT扫描设备和聚焦离子束扫描电子显微镜(FIB-SEM)等设备进行图像扫描,本实施例的扫描分辨率为p微米(μm),岩石灰度图像包括:岩石二维灰度图像和岩石三维灰度图像。
平滑处理单元,用于提取岩心已知的岩石灰度图像中心位置的表征单元体,并对表征单元体进行平滑处理,得到平滑数字岩心图像。
分割单元,用于采用分水岭分割方法对平滑数字岩心图像进行分割,得到数字岩心训练图像。
样本集模块202,用于将数字岩心训练图像分割为多个子样本,将所有子样本存储为样本集。
数字岩心模型模块203,用于利用样本集和随机样本噪声训练生成对抗网络,得到数字岩心构建模型;数字岩心构建模型为通过样本集和随机样本噪声训练好的生成对抗网络,数字岩心构建模型用于构建目标数字岩心图像。
数字岩心模型模块203具体包括:
获取单元,用于获取生成对抗网络的激活函数和损失函数;生成对抗网络包括生成网络和判别网络。判别网络包括:判别输入层、判别中间层和判别输出层。生成网络包括:生成输入层、生成中间层和生成输出层;生成输入层为一层全连接层,生成中间层为三层微步卷积层,生成输出层为一层微步卷积层。生成网络的输入是随机样本噪声z,输出是图像数据。判别输出层的输出值在(0,1)区间,作为二分类器。判别网络的输入是图像,输出是输入的图像为真实图像的可能性,即真假概率值,也是判别输出层的输出值。激活函数包括:判别中间层的激活函数、判别输出层的激活函数、生成中间层的激活函数和生成输出层的激活函数。判别中间层的激活函数为LeakyReLu激活函数,判别输出层的激活函数为Sigmoid激活函数,生成中间层的激活函数为ReLu激活函数,生成输出层的激活函数为Tanh激活函数。损失函数包括:判别网络的判别损失函数和生成网络的生成损失函数。
伪样本集单元,用于将随机样本噪声输入至生成网络,得到伪样本集;伪样本集包括多个第一伪数字岩心图像。伪样本集单元具体用于:首先初始化生成网络,且固定生成网络的参数;然后将随机样本噪声输入初始化后的生成网络,生成多个第一伪数字岩心图像;最后将多个第一伪数字岩心图像存储为伪样本集。本实施例中的随机样本噪声符合(0,1)标准正态分布。
判别网络模型单元,用于利用伪样本集和样本集训练判别网络,得到判别网络模型;判别网络模型为训练好的判别网络,判别网络模型的输入为第一伪数字岩心图像,输出为第一伪数字岩心图像的真假概率值。
判别网络模型单元具体包括:
第一判别损失函数子单元,用于从样本集中抽取N个子样本输入判别网络,计算第一判别损失函数。本实施例中N=128,N一般为2的幂次方,可以提高计算效率。
第一判别梯度子单元,用于利用第一判别损失函数计算判别网络每层的第一判别梯度。
第二判别损失函数子单元,用于从伪样本集中抽取N个第一伪数字岩心图像输入判别网络,计算第二判别损失函数。
第二判别梯度子单元,用于利用第二判别损失函数计算判别网络每层的第二判别梯度。
判别损失函数子单元,用于将第一判别损失函数与第二判别损失函数相加得到判别损失函数。
判别网络模型子单元,用于利用第一判别梯度、第二判别梯度和小批量梯度下降算法优化判别损失函数,得到最优判别网络参数,根据最优判别网络参数得到判别网络模型;判别网络参数为判别网络每层的权重和偏置。判别网络模型子单元具体用于:利用小批量梯度下降算法采用Adam优化器优化判别损失函数,设置Adam优化器的初始betas参数betas=(0.5,0.999)和初始学习率lr=0.00001,寻找更新后的判别损失函数最大化时对应的判别网络的参数,即最优判别网络参数,保存最优判别网络参数,同时将更新后的判别损失函数最大化时对应的判别网络确定为判别网络模型。
数字岩心构建模型单元,用于将随机样本噪声作为输入,利用判别网络模型对生成网络进行训练,得到生成网络模型;生成网络模型为训练好的生成网络,生成网络模型的输出为目标数字岩心图像;判别网络模型和生成网络模型构成数字岩心构建模型。
数字岩心构建模型单元具体包括:
第一伪样本子单元,用于将随机样本噪声输入生成网络,生成第一伪样本。
第一损失函数子单元,用于将第一伪样本输入判别网络模型,根据公式(8)计算第一损失函数Loss_S1:
Loss_S1=lg(D(G(z,θ),α)) (8)
上式中,D(.)表示判别网络模型,G(.)表示生成网络,z表示随机样本噪声,α表示判别网络参数,θ表示生成网络参数。
生成梯度子单元,用于利用第一损失函数计算生成网络每层的生成梯度。
生成网络模型子单元,用于利用生成梯度和小批量梯度下降算法优化生成损失函数,返回第一伪样本子单元进行迭代,直至达到预设迭代次数或判别网络模型的真假概率值为预设真假概率值,将达到预设迭代次数时或真假概率值为预设真假概率值时对应的生成网络参数确定为最优生成网络参数,根据最优生成网络参数得到生成网络模型;生成网络参数为生成网络每层的权重和偏置。
获取模块204,用于获取目标随机噪声。
目标数字岩心图像模块205,用于将目标随机噪声输入数字岩心构建模型,得到目标数字岩心图像。
本实施例提供的构建数字岩心的方法及系统,基于CT扫描技术、聚焦离子束扫描电子显微镜(FIB-SEM)等图像扫描技术可以建立真实多孔介质的数字岩心图像,相比于其他基于数值的重建方法,更具真实性和代表性。数字岩心技术是将真实多孔介质转化为计算机可以识别的数据体,可以在此基础上添加微裂缝等形态的储集空间,使很多微观渗流机理的模拟研究成为了可能。GAN模型在训练结束后会把超参数,即判别网络参数α和生成网络参数θ保存起来,之后可以在构建数字岩心图像时只需要修改目标随机噪声的大小就可以快速、大量地生成目标数字岩心图像,提高了效率,节省了计算时间成本。在训练GAN模型时,训练样本来源于CT扫描技术、聚焦离子束扫描电子显微镜(FIB-SEM)等图像扫描技术建立的真实数字岩心的三维数据体(三维图像),由于CT扫描技术、聚焦离子束扫描电子显微镜(FIB-SEM)等图像扫描技术可以建立真实多孔介质的数字岩心,保存了多孔介质的真实性质和高精度,所以,基于GAN模型建立的数字岩心图像的真实性高,精度高。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种构建数字岩心的方法,其特征在于,包括:
获取数字岩心训练图像;所述数字岩心训练图像为岩心已知的岩石的数字岩心样本图像;
将所述数字岩心训练图像分割为多个子样本,将所有所述子样本存储为样本集;
利用所述样本集和随机样本噪声训练生成对抗网络,得到数字岩心构建模型;所述数字岩心构建模型为通过所述样本集和所述随机样本噪声训练好的生成对抗网络,所述数字岩心构建模型用于构建目标数字岩心图像;
获取目标随机噪声;
将所述目标随机噪声输入所述数字岩心构建模型,得到目标数字岩心图像。
2.根据权利要求1所述的构建数字岩心的方法,其特征在于,所述获取数字岩心训练图像,具体包括:
利用图像扫描技术对岩心已知的岩石进行扫描,得到岩心已知的岩石灰度图像;
提取所述岩心已知的岩石灰度图像中心位置的表征单元体,并对所述表征单元体进行平滑处理,得到平滑数字岩心图像;
采用分水岭分割方法对所述平滑数字岩心图像进行分割,得到数字岩心训练图像。
3.根据权利要求2所述的构建数字岩心的方法,其特征在于,所述利用所述样本集和随机样本噪声训练生成对抗网络,得到数字岩心构建模型,具体包括:
获取所述生成对抗网络的激活函数和损失函数;所述生成对抗网络包括生成网络和判别网络;
将随机样本噪声输入至所述生成网络,得到伪样本集;所述伪样本集包括多个所述第一伪数字岩心图像;
利用所述伪样本集和所述样本集训练所述判别网络,得到判别网络模型;所述判别网络模型为训练好的判别网络,所述判别网络模型的输入为第一伪数字岩心图像,输出为所述第一伪数字岩心图像的真假概率值;
将所述随机样本噪声作为输入,利用所述判别网络模型对所述生成网络进行训练,得到生成网络模型;所述生成网络模型为训练好的生成网络,所述生成网络模型的输出为所述目标数字岩心图像;所述判别网络模型和所述生成网络模型构成数字岩心构建模型。
4.根据权利要求3所述的构建数字岩心的方法,其特征在于,所述判别网络包括:判别输入层、判别中间层和判别输出层;
所述生成网络包括:生成输入层、生成中间层和生成输出层;所述生成输入层为全连接层,所述生成中间层和所述生成输出层均为微步卷积层;
所述激活函数包括:判别中间层的激活函数、判别输出层的激活函数、生成中间层的激活函数和生成输出层的激活函数;所述判别中间层的激活函数为LeakyReLu激活函数,所述判别输出层的激活函数为Sigmoid激活函数,所述生成中间层的激活函数为ReLu激活函数,所述生成输出层的激活函数为Tanh激活函数;
所述损失函数包括:判别网络的判别损失函数和生成网络的生成损失函数。
5.根据权利要求4所述的构建数字岩心的方法,其特征在于,所述利用所述伪样本集和所述样本集训练所述判别网络,得到判别网络模型,具体包括:
从所述样本集中抽取N个子样本输入所述判别网络,计算第一判别损失函数;
利用所述第一判别损失函数计算所述判别网络每层的第一判别梯度;
从所述伪样本集中抽取N个所述第一伪数字岩心图像输入所述判别网络,计算第二判别损失函数;
利用所述第二判别损失函数计算所述判别网络每层的第二判别梯度;
将所述第一判别损失函数与所述第二判别损失函数相加得到所述判别损失函数;
利用所述第一判别梯度、所述第二判别梯度和小批量梯度下降算法优化所述判别损失函数,得到最优判别网络参数,根据所述最优判别网络参数得到判别网络模型;所述判别网络参数为所述判别网络每层的权重和偏置。
6.根据权利要求5所述的构建数字岩心的方法,其特征在于,所述将所述随机样本噪声作为输入,利用所述判别网络模型对所述生成网络进行训练,得到生成网络模型,具体包括:
将所述随机样本噪声输入所述生成网络,生成第一伪样本;
将所述第一伪样本输入所述判别网络模型,根据公式Loss_S1=lg(D(G(z,θ),α))计算第一损失函数;上式中,Loss_S1表示所述第一损失函数,D(.)表示所述判别网络模型,G(.)表示所述生成网络,z表示所述随机样本噪声,α表示所述判别网络参数,θ表示生成网络参数;
利用所述第一损失函数计算所述生成网络每层的生成梯度;
利用所述生成梯度和小批量梯度下降算法优化所述生成损失函数,返回迭代“将所述随机样本噪声输入所述生成网络,生成第一伪样本”,直至达到预设迭代次数或所述判别网络模型的真假概率值为预设真假概率值,将达到预设迭代次数时或所述真假概率值为预设真假概率值时对应的生成网络参数确定为最优生成网络参数,根据所述最优生成网络参数得到生成网络模型;所述生成网络参数为所述生成网络每层的权重和偏置。
7.一种构建数字岩心的系统,其特征在于,包括:
数字岩心训练图像模块,用于获取数字岩心训练图像;所述数字岩心训练图像为岩心已知的岩石的数字岩心样本图像;
样本集模块,用于将所述数字岩心训练图像分割为多个子样本,将所有所述子样本存储为样本集;
数字岩心模型模块,用于利用所述样本集和随机样本噪声训练生成对抗网络,得到数字岩心构建模型;所述数字岩心构建模型为通过所述样本集和所述随机样本噪声训练好的生成对抗网络,所述数字岩心构建模型用于构建目标数字岩心图像;
获取模块,用于获取目标随机噪声;
目标数字岩心图像模块,用于将所述目标随机噪声输入所述数字岩心构建模型,得到目标数字岩心图像。
8.根据权利要求7所述的构建数字岩心的系统,其特征在于,所述数字岩心训练图像模块,具体包括:
扫描单元,用于利用图像扫描技术对岩心已知的岩石进行扫描,得到岩心已知的岩石灰度图像;
平滑处理单元,用于提取所述岩心已知的岩石灰度图像中心位置的表征单元体,并对所述表征单元体进行平滑处理,得到平滑数字岩心图像;
分割单元,用于采用分水岭分割方法对所述平滑数字岩心图像进行分割,得到数字岩心训练图像。
9.根据权利要求8所述的构建数字岩心的系统,其特征在于,所述数字岩心模型模块,具体包括:
获取单元,用于获取所述生成对抗网络的激活函数和损失函数;所述生成对抗网络包括生成网络和判别网络;
伪样本集单元,用于将随机样本噪声输入至所述生成网络,得到伪样本集;所述伪样本集包括多个所述第一伪数字岩心图像;
判别网络模型单元,用于利用所述伪样本集和所述样本集训练所述判别网络,得到判别网络模型;所述判别网络模型为训练好的判别网络,所述判别网络模型的输入为第一伪数字岩心图像,输出为所述第一伪数字岩心图像的真假概率值;
数字岩心构建模型单元,用于将所述随机样本噪声作为输入,利用所述判别网络模型对所述生成网络进行训练,得到生成网络模型;所述生成网络模型为训练好的生成网络,所述生成网络模型的输出为所述目标数字岩心图像;所述判别网络模型和所述生成网络模型构成数字岩心构建模型。
10.根据权利要求9所述的构建数字岩心的系统,其特征在于,所述判别网络模型单元,具体包括:
第一判别损失函数子单元,用于从所述样本集中抽取N个子样本输入所述判别网络,计算第一判别损失函数;
第一判别梯度子单元,用于利用所述第一判别损失函数计算所述判别网络每层的第一判别梯度;
第二判别损失函数子单元,用于从所述伪样本集中抽取N个所述第一伪数字岩心图像输入所述判别网络,计算第二判别损失函数;
第二判别梯度子单元,用于利用所述第二判别损失函数计算所述判别网络每层的第二判别梯度;
判别损失函数子单元,用于将所述第一判别损失函数与所述第二判别损失函数相加得到所述判别损失函数;
判别网络模型子单元,用于利用所述第一判别梯度、所述第二判别梯度和小批量梯度下降算法优化所述判别损失函数,得到最优判别网络参数,根据所述最优判别网络参数得到判别网络模型;所述判别网络参数为所述判别网络每层的权重和偏置。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010175137.6A CN111402266A (zh) | 2020-03-13 | 2020-03-13 | 一种构建数字岩心的方法及系统 |
US17/295,493 US11934488B2 (en) | 2020-03-13 | 2020-09-10 | Method and system for constructing digital rock |
PCT/CN2020/114481 WO2021179558A1 (zh) | 2020-03-13 | 2020-09-10 | 一种构建数字岩心的方法及系统 |
AU2021101142A AU2021101142A4 (en) | 2020-03-13 | 2021-03-03 | Method and System for Constructing Digital Rock |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010175137.6A CN111402266A (zh) | 2020-03-13 | 2020-03-13 | 一种构建数字岩心的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111402266A true CN111402266A (zh) | 2020-07-10 |
Family
ID=71432490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010175137.6A Pending CN111402266A (zh) | 2020-03-13 | 2020-03-13 | 一种构建数字岩心的方法及系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11934488B2 (zh) |
CN (1) | CN111402266A (zh) |
AU (1) | AU2021101142A4 (zh) |
WO (1) | WO2021179558A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132959A (zh) * | 2020-09-25 | 2020-12-25 | 东北石油大学 | 数字岩心图像处理方法、装置、计算机设备及存储介质 |
CN112381845A (zh) * | 2020-12-02 | 2021-02-19 | 中国石油大学(华东) | 岩心图像生成方法、模型训练方法及装置 |
CN113310877A (zh) * | 2021-06-07 | 2021-08-27 | 中国石油大学(华东) | 一种区域结构差异化的岩石多尺度孔隙网络模型构建方法 |
WO2021179558A1 (zh) * | 2020-03-13 | 2021-09-16 | 中国石油大学(华东) | 一种构建数字岩心的方法及系统 |
CN115049781A (zh) * | 2022-05-11 | 2022-09-13 | 西南石油大学 | 一种基于深度学习的页岩数字岩心三维重建方法 |
CN115115783A (zh) * | 2022-07-08 | 2022-09-27 | 西南石油大学 | 一种模拟页岩基质纳微米孔隙的数字岩心构建方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862668A (zh) * | 2017-11-24 | 2018-03-30 | 河海大学 | 一种基于gnn的文物图像复原方法 |
CN108062789A (zh) * | 2017-12-20 | 2018-05-22 | 中国石油天然气股份有限公司 | 岩心样品选取方法和装置 |
CN108267466A (zh) * | 2017-12-27 | 2018-07-10 | 中国石油天然气股份有限公司 | 一种构建数字岩心的方法及装置 |
CN109143353A (zh) * | 2018-08-20 | 2019-01-04 | 电子科技大学 | 一种基于深度卷积生成对抗网络的叠前地震波形分类方法 |
CN110074813A (zh) * | 2019-04-26 | 2019-08-02 | 深圳大学 | 一种超声图像重建方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609587B (zh) | 2017-09-11 | 2020-08-18 | 浙江工业大学 | 一种基于深度卷积生成对抗网络的多类别多视图数据生成方法 |
US10937540B2 (en) * | 2017-12-21 | 2021-03-02 | International Business Machines Coporation | Medical image classification based on a generative adversarial network trained discriminator |
CN108876901A (zh) * | 2018-05-14 | 2018-11-23 | 中国石油大学(华东) | 一种基于二维图像和多点统计学的数字岩心重建方法 |
CN109584337B (zh) * | 2018-11-09 | 2022-03-29 | 暨南大学 | 一种基于条件胶囊生成对抗网络的图像生成方法 |
EP3894903A1 (en) * | 2018-12-11 | 2021-10-20 | ExxonMobil Upstream Research Company | Automated reservoir modeling using deep generative networks |
CN110009706A (zh) | 2019-03-06 | 2019-07-12 | 上海电力学院 | 一种基于深层神经网络和迁移学习的数字岩心重构方法 |
US11320357B2 (en) * | 2019-12-23 | 2022-05-03 | Chevron U.S.A. Inc. | System and method for estimation of rock properties from core images |
CN111402266A (zh) * | 2020-03-13 | 2020-07-10 | 中国石油大学(华东) | 一种构建数字岩心的方法及系统 |
-
2020
- 2020-03-13 CN CN202010175137.6A patent/CN111402266A/zh active Pending
- 2020-09-10 WO PCT/CN2020/114481 patent/WO2021179558A1/zh active Application Filing
- 2020-09-10 US US17/295,493 patent/US11934488B2/en active Active
-
2021
- 2021-03-03 AU AU2021101142A patent/AU2021101142A4/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862668A (zh) * | 2017-11-24 | 2018-03-30 | 河海大学 | 一种基于gnn的文物图像复原方法 |
CN108062789A (zh) * | 2017-12-20 | 2018-05-22 | 中国石油天然气股份有限公司 | 岩心样品选取方法和装置 |
CN108267466A (zh) * | 2017-12-27 | 2018-07-10 | 中国石油天然气股份有限公司 | 一种构建数字岩心的方法及装置 |
CN109143353A (zh) * | 2018-08-20 | 2019-01-04 | 电子科技大学 | 一种基于深度卷积生成对抗网络的叠前地震波形分类方法 |
CN110074813A (zh) * | 2019-04-26 | 2019-08-02 | 深圳大学 | 一种超声图像重建方法及系统 |
Non-Patent Citations (2)
Title |
---|
LUKAS MOSSER等: "Reconstruction of three-dimensional porous media using generative adversarial neural networks", 《PHYSICAL REVIEW》, vol. 96, 23 October 2017 (2017-10-23), pages 1 - 17 * |
REZA SHAMS等: "Coupled generative adversarial and auto-encoder neural networks to reconstruct three-dimensional multi-scale porous media", 《JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING》, vol. 186, no. 15, 10 December 2019 (2019-12-10), pages 1 - 15 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021179558A1 (zh) * | 2020-03-13 | 2021-09-16 | 中国石油大学(华东) | 一种构建数字岩心的方法及系统 |
CN112132959A (zh) * | 2020-09-25 | 2020-12-25 | 东北石油大学 | 数字岩心图像处理方法、装置、计算机设备及存储介质 |
CN112132959B (zh) * | 2020-09-25 | 2023-03-24 | 东北石油大学 | 数字岩心图像处理方法、装置、计算机设备及存储介质 |
CN112381845A (zh) * | 2020-12-02 | 2021-02-19 | 中国石油大学(华东) | 岩心图像生成方法、模型训练方法及装置 |
CN112381845B (zh) * | 2020-12-02 | 2023-04-18 | 中国石油大学(华东) | 岩心图像生成方法、模型训练方法及装置 |
CN113310877A (zh) * | 2021-06-07 | 2021-08-27 | 中国石油大学(华东) | 一种区域结构差异化的岩石多尺度孔隙网络模型构建方法 |
CN115049781A (zh) * | 2022-05-11 | 2022-09-13 | 西南石油大学 | 一种基于深度学习的页岩数字岩心三维重建方法 |
CN115115783A (zh) * | 2022-07-08 | 2022-09-27 | 西南石油大学 | 一种模拟页岩基质纳微米孔隙的数字岩心构建方法及系统 |
CN115115783B (zh) * | 2022-07-08 | 2023-08-15 | 西南石油大学 | 一种模拟页岩基质纳微米孔隙的数字岩心构建方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021179558A1 (zh) | 2021-09-16 |
US11934488B2 (en) | 2024-03-19 |
US20220101055A1 (en) | 2022-03-31 |
AU2021101142A4 (en) | 2021-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402266A (zh) | 一种构建数字岩心的方法及系统 | |
CN111259930B (zh) | 自适应注意力指导机制的一般性目标检测方法 | |
CN108647585B (zh) | 一种基于多尺度循环注意力网络的交通标识符检测方法 | |
CN113160234B (zh) | 基于超分辨率和域自适应的无监督遥感图像语义分割方法 | |
CN113780149B (zh) | 一种基于注意力机制的遥感图像建筑物目标高效提取方法 | |
CN110570433B (zh) | 基于生成对抗网络的图像语义分割模型构建方法和装置 | |
CN112070658A (zh) | 一种基于深度学习的汉字字体风格迁移方法 | |
CN116206185A (zh) | 一种基于改进YOLOv7的轻量级小目标检测方法 | |
CN113205520B (zh) | 一种对图像进行语义分割的方法及系统 | |
CN113888547A (zh) | 基于gan网络的无监督域自适应遥感道路语义分割方法 | |
CN113160246A (zh) | 一种基于深度监督的图像语义分割方法 | |
CN109447897B (zh) | 一种真实场景图像合成方法及系统 | |
CN112801104A (zh) | 基于语义分割的图像像素级伪标签确定方法及系统 | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
CN112766381B (zh) | 有限样本下属性引导的sar图像生成方法 | |
CN113628180A (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
CN112686184A (zh) | 基于神经网络的遥感房屋变化检测方法 | |
CN115082778B (zh) | 一种基于多分支学习的宅基地识别方法及系统 | |
CN114463175B (zh) | 基于深度卷积神经网络的火星图像超分辨方法 | |
CN115049781A (zh) | 一种基于深度学习的页岩数字岩心三维重建方法 | |
CN114708591A (zh) | 基于单字连接的文档图像中文字符检测方法 | |
CN114022632A (zh) | 基于深度卷积生成对抗网络的地质模型快速生成方法 | |
CN111797737A (zh) | 遥感目标检测方法及装置 | |
CN116385265B (zh) | 一种图像超分辨率网络的训练方法及装置 | |
CN117496162B (zh) | 一种红外卫星遥感影像薄云去除方法、装置及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200710 |
|
RJ01 | Rejection of invention patent application after publication |