CN111461303B - 基于生成对抗神经网络的数字岩心重构方法及系统 - Google Patents
基于生成对抗神经网络的数字岩心重构方法及系统 Download PDFInfo
- Publication number
- CN111461303B CN111461303B CN202010242671.4A CN202010242671A CN111461303B CN 111461303 B CN111461303 B CN 111461303B CN 202010242671 A CN202010242671 A CN 202010242671A CN 111461303 B CN111461303 B CN 111461303B
- Authority
- CN
- China
- Prior art keywords
- generator
- discriminator
- digital core
- convolution
- layer
- 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.)
- Active
Links
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Abstract
本发明提供一种基于生成对抗神经网络的数字岩心重构方法及系统。该方法包括:执行迭代处理:根据生成器的权重矩阵和偏置处理历史噪声数据得到生成数字岩心模型;根据判别器的权重和偏置处理生成数字岩心模型得到生成数字岩心模型判别概率;根据判别器的权重和偏置处理真实数字岩心数据得到真实数字岩心数据判别概率;根据生成数字岩心模型判别概率和真实数字岩心数据判别概率确定损失函数;当当前迭代次数达到预设迭代次数时,根据当前迭代中的生成器的权重矩阵和偏置对当前噪声数据进行处理得到数字岩心模型,否则根据损失函数更新生成器的权重矩阵和偏置、判别器的权重和偏置,可以提高重建效率,令数字岩心符合真实岩心的分布特征。
Description
技术领域
本发明涉及数字岩心重构技术领域,具体地,涉及一种基于生成对抗神经网络的数字岩心重构方法及系统。
背景技术
随着近年来CT扫描等微观成像技术的发展,数字岩心能够更加准确地描述三维空间中岩心各种组分的空间分布,同时,数字岩心本身还是研究微观渗流规律的重要平台。此外,基于数字岩心模型,还可以研究岩心的导电性和声波特性。
目前,应用生成对抗神经网络重构数字岩心的技术正处于起步阶段,其流程复杂,重构效率低下且得到的数字岩心的连通性较差,与真实岩心存在误差。
发明内容
本发明实施例的主要目的在于提供一种基于生成对抗神经网络的数字岩心重构方法及系统,以简化重构过程,提高重构效率,令数字岩心更加符合真实岩心的分布特征。
为了实现上述目的,本发明实施例提供一种基于生成对抗神经网络的数字岩心重构方法,包括:
执行如下迭代处理:
根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理,得到生成数字岩心模型;
根据判别器的权重和判别器的偏置对生成数字岩心模型进行处理,得到生成数字岩心模型判别概率;
根据判别器的权重和判别器的偏置对真实数字岩心数据进行处理,得到真实数字岩心数据判别概率;
根据生成数字岩心模型判别概率和真实数字岩心数据判别概率确定损失函数;
判断当前迭代次数是否达到预设迭代次数;
当当前迭代次数达到预设迭代次数时,根据当前迭代中的生成器的权重矩阵和生成器的偏置对当前噪声数据进行处理,得到数字岩心模型,否则根据损失函数更新生成器的权重矩阵、生成器的偏置、判别器的权重和判别器的偏置,继续执行迭代处理。
本发明实施例还提供一种基于生成对抗神经网络的数字岩心重构系统,包括:
生成数字岩心模型单元,用于根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理,得到生成数字岩心模型;
生成数字岩心模型判别概率单元,用于根据判别器的权重和判别器的偏置对生成数字岩心模型进行处理,得到生成数字岩心模型判别概率;
真实数字岩心数据判别概率单元,用于根据判别器的权重和判别器的偏置对真实数字岩心数据进行处理,得到真实数字岩心数据判别概率;
损失函数单元,用于根据生成数字岩心模型判别概率和真实数字岩心数据判别概率确定损失函数;
判断单元,用于判断当前迭代次数是否达到预设迭代次数;
数字岩心模型单元,用于根据当前迭代中的生成器的权重矩阵和生成器的偏置对当前噪声数据进行处理,得到数字岩心模型;
迭代更新单元,用于根据损失函数更新生成器的权重矩阵、生成器的偏置、判别器的权重和判别器的偏置,继续执行迭代处理。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,处理器执行计算机程序时实现所述的基于生成对抗神经网络的数字岩心重构方法的步骤。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现所述的基于生成对抗神经网络的数字岩心重构方法的步骤。
本发明实施例的基于生成对抗神经网络的数字岩心重构方法及系统执行迭代处理:先根据生成器参数处理历史噪声数据以得到生成数字岩心模型,再根据判别器参数分别处理生成数字岩心模型和真实数字岩心数据以得到损失函数,当当前迭代次数达到预设迭代次数时根据当前迭代中的生成器参数处理当前噪声数据以得到数字岩心模型,否则根据损失函数更新生成器参数和判别器参数,继续执行迭代处理,可以简化重构过程,提高重构效率,令数字岩心更加符合真实岩心的分布特征,进一步为分析岩心结构特征和微观流动模拟提供支持,为研究孔隙结构和微观流动模拟提供平台。
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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例中基于生成对抗神经网络的数字岩心重构方法的流程图;
图2是本发明实施例中S101的流程图;
图3是本发明实施例中S102的流程图;
图4是本发明实施例中S103的流程图。
图5是本发明实施例中岩心扫描图像的示意图;
图6是本发明实施例中真实数字岩心数据的示意图;
图7是本发明实施例中数字岩心模型的示意图;
图8是本发明实施例中两点概率函数曲线的对比示意图;
图9是本发明实施例中基于生成对抗神经网络的数字岩心重构系统的结构框图;
图10是本发明实施例中计算机设备的结构框图。
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。
本领域技术人员知道,本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
鉴于现有技术流程复杂,重构效率低下且得到的数字岩心与真实岩心存在误差,本发明实施例提供一种基于生成对抗神经网络的数字岩心重构方法,可以简化重构过程,提高重构效率,令数字岩心更加符合真实岩心的分布特征。以下结合附图对本发明进行详细说明。
生成对抗神经网络(Generative Adversarial Networks,GAN)是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一。其主要思想来源于博弈论中的零和博弈,就是通过生成器G(Generator)和判别器D(Discriminator)不断博弈,进而使生成器G学习到数据的分布,使得生成器G能够产生于实际较为符合的输出。
图1是本发明实施例中基于生成对抗神经网络的数字岩心重构方法的流程图。如图1所示,基于生成对抗神经网络的数字岩心重构方法包括:
执行如下迭代处理:
S101:根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理,得到生成数字岩心模型。
其中,生成器的权重矩阵包括生成器的三维转置卷积层的转置卷积核权重矩阵、生成器的三维转置卷积层的卷积核权重矩阵和生成器的三维卷积层的卷积核权重矩阵;生成器的偏置包括生成器的转置卷积层的转置卷积核偏置和生成器的卷积层的卷积核偏置。
图2是本发明实施例中S101的流程图。如图2所示,S101包括:
S201:根据生成器的转置卷积层的转置卷积核权重矩阵对历史噪声数据进行转置卷积处理,得到生成器的转置卷积层的转置卷积核数字岩心数据。
其中,历史噪声数据为一维数据;生成器为三维生成器,采用三维卷积神经网络,用于生成生成数字岩心模型G(z)。生成器的三维卷积神经网络包括一个输入层、n1个转置卷积层、一个卷积层,一个全连接层以及一个输出层。输入层接收一个随机的历史噪声数据z,随后经过一个全连接层的激活函数对历史噪声数据进行映射,将映射后的历史噪声数据为生成器的第0个转置卷积层的第j1个转置卷积核输入结果z0,j1。其中,全连接层的激活函数为Relu函数(Relu(x)=max(0,x)),转置卷积层的数量可以为3。
具体实施时,通过如下公式得到生成器的转置卷积层的转置卷积核数字岩心数据:
其中,z′i1,j1为生成器的第i1个转置卷积层的第j1个转置卷积核数字岩心数据,ωi1,j1为生成器的第i1个转置卷积层的第j1个转置卷积核的权重矩阵,zi1-1,j1为生成器的第i1-1个转置卷积层的第j1个转置卷积核数字岩心数据,ο为转置卷积计算。
S202:根据生成器的转置卷积层的卷积核权重矩阵对生成器的转置卷积层的转置卷积核数字岩心数据进行卷积处理,得到生成器的转置卷积层的卷积核数字岩心数据。
具体实施时,通过如下公式得到生成器的转置卷积层的卷积核数字岩心数据:
z″i1,j1=wi1,j1*z′i1,j1;
其中,z″i1,j1为生成器的第i1个转置卷积层的第j1个卷积核数字岩心数据,wi1,j1为生成器的第i1个转置卷积层的第j1个卷积核的权重矩阵,*为卷积计算。
S203:根据生成器的转置卷积层的转置卷积核偏置和第一生成器激活函数对生成器的转置卷积层的卷积核数字岩心数据进行非线性变换,得到生成器的转置卷积层的转置卷积核数字岩心输出特征图。
具体实施时,通过如下公式得到生成器的转置卷积层的转置卷积核数字岩心输出特征图:
zi1,j1=f1(z″i1,j1+bi1,j1);
其中,zi1,j1为生成器的第i1个转置卷积层的第j1个转置卷积核数字岩心输出特征图,bi1,j1为生成器的第i1个转置卷积层的第j1个转置卷积核偏置,f1为第一生成器激活函数,可以为Relu函数,因此f1(z″i1,j1+bi1,j1)=max(0,z″i1,j1+bi1,j1)。
一实施例中,可以先对生成器的转置卷积层的卷积核数字岩心输出特征图进行批标准化处理,再对经过批标准化处理的生成器的转置卷积层的卷积核数字岩心数据进行非线性变换。
S204:根据生成器的卷积层的卷积核权重矩阵、生成器的卷积层的卷积核偏置和第二生成器激活函数对生成器的转置卷积层的转置卷积核数字岩心输出特征图进行卷积处理,得到生成器的卷积层的卷积核数字岩心输出特征图。
具体实施时,通过如下公式得到生成器的卷积层的卷积核数字岩心输出特征图:
Zj1=f2(wj1*zn1,j1+bj1);
其中,Zj1为生成器的卷积层的第j1个卷积核数字岩心输出特征图,wj1为生成器的卷积层的第j1个卷积核权重矩阵,zn1,j1为生成器的第n1个转置卷积层的第j1个转置卷积核数字岩心输出特征图,bj1为生成器的卷积层的第j1个卷积核偏置。f2为第二生成器激活函数,可以为Leaky Relu函数,因此f2(w'j1*zn1,j1+b'j1)=max(α(w'j1*zn1,j1+b'j1),w'j1*zn1,j1+b'j1),α为函数系数,可以为0.2。
S205:通过第三生成器激活函数对生成器的卷积层的卷积核数字岩心输出特征图进行非线性变换,得到生成数字岩心模型。
其中,第三生成器激活函数f3为tanh函数生成数字岩心模型为G(z)。
S102:根据判别器的权重和判别器的偏置对生成数字岩心模型进行处理,得到生成数字岩心模型判别概率。
其中,判别器的权重包括判别器的三维卷积层的卷积核权重矩阵和判别器的全连接层的神经元权重;判别器的偏置包括判别器的卷积层的卷积核偏置和判别器的全连接层的神经元偏置。
图3是本发明实施例中S102的流程图。如图3所示,S102包括:
S301:根据判别器的卷积层的卷积核权重矩阵、判别器的卷积层的卷积核偏置和第一判别器激活函数对生成数字岩心模型进行卷积处理,得到判别器的卷积层的卷积核生成特征图。
判别器为三维判别器,采用三维卷积神经网络,用于判别输入的样本是否符合实际。判别器的三维卷积神经网络包括一个输入层、n2个卷积层、一个全连接层以及一个输出层。将生成数字岩心模型G(z)经过输入层的数字岩心数据作为判别器的第0个卷积层的第j2个卷积核数字岩心真实特征图x'0,j2。
具体实施时,通过如下公式得到判别器的卷积层的卷积核生成特征图:
x'i2,j2=f'1(wi2,j2*x'i2-1,j2+bi2,j2),1≤i2≤n2,1≤j2≤m2;
其中,x'i2,j2为判别器的第i2个卷积层的第j2个卷积核生成特征图,wi2,j2为判别器的第i2个卷积层的第j2个卷积核的权重矩阵,x'i2-1,j2为判别器的第i2-1个卷积层的第j2个卷积核生成特征图,bi2,j2为判别器的第i2个卷积层的第j2个卷积核偏置,m2为卷积层中卷积核的数量,*为卷积计算。f'1为第一判别器激活函数,可以为Leaky Relu函数,因此:
f'1(wi2,j2*x'i2-1,j2+bi2,j2)=max(α(wi2,j2*x'i2-1,j2+bi2,j2),wi2,j2*x'i2-1,j2+bi2,j2),α为函数系数,可以为0.2。
第i2-1个卷积层的第j2个卷积核生成特征图在输入第i2个卷积层之前,需要经过批标准化处理以保证卷积层的稳定性,且为了解决计算量过大的问题,在每个卷积层均设置丢弃率,按照丢弃率丢弃每个卷积层中的部分生成特征图(即将数值归零)。其中,丢弃率可以为0.25。
S302:根据判别器的全连接层的神经元权重、判别器的全连接层的神经元偏置和第二判别器激活函数对判别器的卷积层的卷积核生成特征图进行非线性变换,得到判别器的全连接层的神经元生成结果。
具体实施时,通过如下公式得到判别器的全连接层的神经元生成结果:
其中,x'j2为判别器的全连接层的第j2个神经元生成结果,x'n2,j2为判别器的第n2个卷积层的第j2个卷积核生成特征图,wj2为判别器的第j2个全连接层的神经元权重,bj2为判别器的第j2个全连接层的神经元偏置,f'2为第二判别器激活函数,可以为Sigmoid函数,因此
S303:通过第三判别器激活函数对判别器的全连接层的神经元生成结果进行非线性变换,得到生成数字岩心模型判别概率。
其中,第三判别器激活函数可以为Sigmoid函数生成数字岩心模型判别概率为D(G(z))。
S103:根据判别器的权重和判别器的偏置对真实数字岩心数据进行处理,得到真实数字岩心数据判别概率。
图4是本发明实施例中S103的流程图。如图4所示,S103包括:
S401:根据判别器的卷积层的卷积核权重矩阵、判别器的卷积层的卷积核偏置和第一判别器激活函数对真实数字岩心数据进行卷积处理,得到判别器的卷积层的卷积核数字岩心真实特征图。
其中,在执行S401之前,还包括:利用扫描设备获取岩心扫描图像,并对扫描图像进行预处理和二值化处理,得到二值化结果I(x,y,z)。M(x,y,z)为岩心扫描图像中像素点(x,y,z)的灰度值,T为灰度阈值。
判别器为三维判别器,采用三维卷积神经网络,用于判别输入的样本是否符合实际。判别器的三维卷积神经网络包含一个输入层、n2个卷积层、一个全连接层及一个输出层。将二值化结果I(x,y,z)作为真实数字岩心数据,将真实数字岩心数据经过输入层的数字岩心数据作为判别器的第0个卷积层的第j2个卷积核数字岩心真实特征图x0,j2。
具体实施时,通过如下公式得到判别器的卷积层的卷积核数字岩心真实特征图:
xi2,j2=f'1(wi2,j2*xi2-1,j2+bi2,j2),1≤i2≤n2,1≤j2≤m2;
其中,xi2,j2为判别器的第i2个卷积层的第j2个卷积核数字岩心真实特征图,wi2,j2为判别器的第i2个卷积层的第j2个卷积核的权重矩阵,xi2-1,j2为判别器的第i2-1个卷积层的第j2个卷积核数字岩心真实特征图,bi2,j2为判别器的第i2个卷积层的第j2个卷积核偏置,m2为卷积层中卷积核的数量。f'1为第一判别器激活函数,可以为Leaky Relu函数,因此:
f'1(wi2,j2*xi2-1,j2+bi2,j2)=max(α(wi2,j2*xi2-1,j2+bi2,j2),wi2,j2*xi2-1,j2+bi2,j2),α为函数系数,可以为0.2。
第i2-1个卷积层的真实特征图在输入第i2个卷积层之前,需要经过批标准化处理以保证卷积层的稳定性,且为了解决计算量过大的问题,在每个卷积层均设置丢弃率,按照丢弃率丢弃每个卷积层中的部分真实特征图(即将数值归零)。
S402:根据判别器的全连接层的神经元权重、判别器的全连接层的神经元偏置和第二判别器激活函数对判别器的卷积层的卷积核数字岩心真实特征图进行非线性变换,得到判别器的全连接层的神经元真实结果。
具体实施时,通过如下公式得到判别器的全连接层的神经元真实结果:
xj2=f'2(wj2xn2,j2+bj2);
其中,xj2为判别器的全连接层的第j2个神经元真实结果,xn2,j2为判别器的第n2个卷积层的第j2个卷积核数字岩心真实特征图,wj2为判别器的第j2个全连接层的神经元权重,bj2为判别器的第j2个全连接层的神经元偏置,f'2为第二判别器激活函数,可以为Sigmoid函数,因此
S403:通过第三判别器激活函数对判别器的全连接层的神经元真实结果进行非线性变换,得到真实数字岩心数据判别概率。
其中,第三判别器激活函数可以为Sigmoid函数真实数字岩心数据判别概率为D(x)。
S104:根据生成数字岩心模型判别概率和真实数字岩心数据判别概率确定损失函数。
具体实施时,通过如下公式确定损失函数:
其中,为损失函数,D代表判别器,G代表生成器,为当x服从真实数字岩心数据分布pdata(x)的logD(x)的期望,为当z服从先验样本分布pz(z)的log(1-D(G(z)))的期望。
S105:判断当前迭代次数是否达到预设迭代次数。
S106:当当前迭代次数达到预设迭代次数时,根据当前迭代中的生成器的权重矩阵和生成器的偏置对当前噪声数据进行处理,得到数字岩心模型。
其中,当前噪声数据为一维数据,根据当前迭代中的生成器的权重矩阵和生成器的偏置对当前噪声数据进行处理,得到数字岩心模型包括:
根据当前迭代中的生成器的转置卷积层的转置卷积核权重矩阵对当前噪声数据进行转置卷积处理,得到生成器的转置卷积层的转置卷积核当前数字岩心数据;
根据当前迭代中的生成器的转置卷积层的卷积核权重矩阵对生成器的转置卷积层的转置卷积核当前数字岩心数据进行卷积处理,得到生成器的转置卷积层的卷积核当前数字岩心数据;
根据当前迭代中的生成器的转置卷积层的转置卷积核偏置和第一生成器激活函数对生成器的转置卷积层的卷积核当前数字岩心数据进行非线性变换,得到生成器的转置卷积层的转置卷积核当前输出特征图;
根据当前迭代中的生成器的卷积层的卷积核权重矩阵、当前迭代中的生成器的卷积层的卷积核偏置和第二生成器激活函数对生成器的转置卷积层的转置卷积核当前输出特征图进行卷积处理,得到生成器的卷积层的卷积核当前输出特征图;
通过第三生成器激活函数对生成器的卷积层的卷积核当前输出特征图进行非线性变换,得到数字岩心模型。
S107:当当前迭代次数未达到预设迭代次数时,根据损失函数更新生成器的权重矩阵、生成器的偏置、判别器的权重和判别器的偏置。
具体实施时,可以根据损失函数通过梯度性下降法更新生成器的权重矩阵、生成器的偏置、判别器的权重和判别器的偏置,包括:
将生成器的权重矩阵、生成器的偏置、判别器的权重和判别器的偏置的集合作为损失函数的自变量,确定损失函数关于该集合的导数;下一次迭代中的集合(更新后的集合)为本次迭代中的集合与该集合的导数的差。下一次迭代中的集合包括更新后的生成器的权重矩阵、更新后的生成器的偏置、更新后的判别器的权重和更新后的判别器的偏置。
图1所示的生成对抗神经网络的数字岩心重构方法的执行主体为计算机。由图1所示的流程可知,本发明实施例的基于生成对抗神经网络的数字岩心重构方法执行迭代处理:先根据生成器参数处理历史噪声数据以得到生成数字岩心模型,再根据判别器参数分别处理生成数字岩心模型和真实数字岩心数据以得到损失函数,当当前迭代次数达到预设迭代次数时根据当前迭代中的生成器参数处理当前噪声数据以得到数字岩心模型,否则根据损失函数更新生成器参数和判别器参数,继续执行迭代处理,可以简化重构过程,提高重构效率,令数字岩心更加符合真实岩心的分布特征,进一步为分析岩心结构特征和微观流动模拟提供支持,为研究孔隙结构和微观流动模拟提供平台。
一实施例中,在得到数字岩心模型之后,可以通过两点概率函数评价本发明重构的数字岩心模型与真实数字岩心数据是否具有一致孔喉结构特征,公式如下:
其中,为数字岩心模型中点r1与点r2均为第k相的概率,/>为的统计平均值,Zk(r1)为点r1为第k相的概率,Zk(r2)为点r2为第k相的概率,Vk为第k相所占的空间。
其中,Sk(r'1,r'2)为真实数字岩心数据中点r'1与点r'2均为第k相的概率,为Zk(r'1)×Zk(r'2)的统计平均值,Zk(r'1)为点r'1为第k相的概率,Zk(r'2)为点r'2为第k相的概率,/>Vk为第k相所占的空间。
当Sk(r1,r2)与Sk(r'1,r'2)之间的误差小于预设误差阈值时,表明数字岩心模型与真实数字岩心数据具有相同的结构。
本发明实施例的具体流程如下:
1、生成器的全连接层对历史噪声数据进行映射,根据生成器的转置卷积层的转置卷积核权重矩阵对映射后的历史噪声数据进行转置卷积处理,得到生成器的转置卷积层的转置卷积核数字岩心数据。
具体实施时,历史噪声数据可以采用100×1的随机噪声,映射后的历史噪声数据为32768×1的向量。
2、根据生成器的转置卷积层的卷积核权重矩阵对生成器的转置卷积层的转置卷积核数字岩心数据进行卷积处理,得到生成器的转置卷积层的卷积核数字岩心数据。
3、根据生成器的转置卷积层的转置卷积核偏置和第一生成器激活函数对生成器的转置卷积层的卷积核数字岩心数据进行非线性变换,得到生成器的转置卷积层的转置卷积核数字岩心输出特征图。
4、根据生成器的卷积层的卷积核权重矩阵、生成器的卷积层的卷积核偏置和第二生成器激活函数对生成器的转置卷积层的转置卷积核数字岩心输出特征图进行卷积处理,得到生成器的卷积层的卷积核数字岩心输出特征图。
5、通过第三生成器激活函数对生成器的卷积层的卷积核数字岩心输出特征图进行非线性变换,得到生成数字岩心模型。
其中,生成数字岩心模型为32×32×32的数字岩心。
6、根据判别器的卷积层的卷积核权重矩阵、判别器的卷积层的卷积核偏置和第一判别器激活函数对生成数字岩心模型进行卷积处理,得到判别器的卷积层的卷积核生成特征图。
7、根据判别器的全连接层的神经元权重、判别器的全连接层的神经元偏置和第二判别器激活函数对判别器的卷积层的卷积核生成特征图进行非线性变换,得到判别器的全连接层的神经元生成结果。
8、通过第三判别器激活函数对判别器的全连接层的神经元生成结果进行非线性变换,得到生成数字岩心模型判别概率。
9、利用扫描设备获取岩心扫描图像,并对扫描图像进行预处理和二值化处理,得到二值化结果,将二值化结果作为真实数字岩心数据。
图5是本发明实施例中岩心扫描图像的示意图,图6是本发明实施例中真实数字岩心数据的示意图。如图5和图6所示,本发明采用MicroXCT-510型微米CT扫描仪对样品岩心进行扫描,获得的岩心扫描图像的分辨率为1.22μm。截取32×32×32大小的图像进行除噪处理,除噪方法选用中值滤波,然后进行二值化处理,得到如图6所示的真实数字岩心数据。
10、根据判别器的卷积层的卷积核权重矩阵、判别器的卷积层的卷积核偏置和第一判别器激活函数对真实数字岩心数据进行卷积处理,得到判别器的卷积层的卷积核数字岩心真实特征图。
11、根据判别器的全连接层的神经元权重、判别器的全连接层的神经元偏置和第二判别器激活函数对判别器的卷积层的卷积核数字岩心真实特征图进行非线性变换,得到判别器的全连接层的神经元真实结果。
12、通过第三判别器激活函数对判别器的全连接层的神经元真实结果进行非线性变换,得到真实数字岩心数据判别概率。
13、根据生成数字岩心模型判别概率和真实数字岩心数据判别概率确定损失函数。
14、判断当前迭代次数是否达到预设迭代次数。当当前迭代次数达到预设迭代次数时,根据当前迭代中的生成器的权重矩阵和生成器的偏置对当前噪声数据进行处理,得到数字岩心模型,否则根据损失函数更新生成器的权重矩阵、生成器的偏置、判别器的权重和判别器的偏置,返回步骤1,继续执行迭代处理。
图7是本发明实施例中数字岩心模型的示意图。如图7所示,数字岩心模型的大小为32×32×32。
15、通过两点概率函数评价本发明重构的数字岩心模型与真实数字岩心数据是否具有一致孔喉结构特征。
图8是本发明实施例中两点概率函数曲线的对比示意图。图8中的横坐标为两点(点r1与点r2)之间的间距,单位为μm,纵坐标为两点概率,单位为%。如图8所示,曲线的截距代表岩心的孔隙度,而数字岩心模型的孔隙度与真实数字岩心数据的孔隙度均为46%。另外,本发明重构的数字岩心模型的两点概率函数曲线与真实数字岩心数据的两点概率函数曲线完全重合,因此本发明的数字岩心模型与真实数字岩心数据具有相同的结构。
综上,本发明实施例的基于生成对抗神经网络的数字岩心重构方法执行迭代处理:先根据生成器参数处理历史噪声数据以得到生成数字岩心模型,再根据判别器参数分别处理生成数字岩心模型和真实数字岩心数据以得到损失函数,当当前迭代次数达到预设迭代次数时根据当前迭代中的生成器参数处理当前噪声数据以得到数字岩心模型,否则根据损失函数更新生成器参数和判别器参数,继续执行迭代处理,可以简化重构过程,提高重构效率,令数字岩心更加符合真实岩心的分布特征,进一步为分析岩心结构特征和微观流动模拟提供支持,为研究孔隙结构和微观流动模拟提供平台。
基于同一发明构思,本发明实施例还提供了一种基于生成对抗神经网络的数字岩心重构系统,由于该系统解决问题的原理与基于生成对抗神经网络的数字岩心重构方法相似,因此该系统的实施可以参见方法的实施,重复之处不再赘述。
图9是本发明实施例中基于生成对抗神经网络的数字岩心重构系统的结构框图。如图9所示,基于生成对抗神经网络的数字岩心重构系统包括:
生成数字岩心模型单元,用于根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理,得到生成数字岩心模型;
生成数字岩心模型判别概率单元,用于根据判别器的权重和判别器的偏置对生成数字岩心模型进行处理,得到生成数字岩心模型判别概率;
真实数字岩心数据判别概率单元,用于根据判别器的权重和判别器的偏置对真实数字岩心数据进行处理,得到真实数字岩心数据判别概率;
损失函数单元,用于根据生成数字岩心模型判别概率和真实数字岩心数据判别概率确定损失函数;
判断单元,用于判断当前迭代次数是否达到预设迭代次数;
数字岩心模型单元,用于根据当前迭代中的生成器的权重矩阵和生成器的偏置对当前噪声数据进行处理,得到数字岩心模型;
迭代更新单元,用于根据损失函数更新生成器的权重矩阵、生成器的偏置、判别器的权重和判别器的偏置,继续执行迭代处理。
在其中一种实施例中,生成器的权重矩阵包括生成器的转置卷积层的转置卷积核权重矩阵、生成器的转置卷积层的卷积核权重矩阵和生成器的卷积层的卷积核权重矩阵,生成器的偏置包括生成器的转置卷积层的转置卷积核偏置和生成器的卷积层的卷积核偏置;
生成数字岩心模型单元具体用于:
根据生成器的转置卷积层的转置卷积核权重矩阵对历史噪声数据进行转置卷积处理,得到生成器的转置卷积层的转置卷积核数字岩心数据;
根据生成器的转置卷积层的卷积核权重矩阵对生成器的转置卷积层的转置卷积核数字岩心数据进行卷积处理,得到生成器的转置卷积层的卷积核数字岩心数据;
根据生成器的转置卷积层的转置卷积核偏置和第一生成器激活函数对生成器的转置卷积层的卷积核数字岩心数据进行非线性变换,得到生成器的转置卷积层的转置卷积核数字岩心输出特征图;
根据生成器的卷积层的卷积核权重矩阵、生成器的卷积层的卷积核偏置和第二生成器激活函数对生成器的转置卷积层的转置卷积核数字岩心输出特征图进行卷积处理,得到生成器的卷积层的卷积核数字岩心输出特征图;
通过第三生成器激活函数对生成器的卷积层的卷积核数字岩心输出特征图进行非线性变换,得到生成数字岩心模型。
在其中一种实施例中,判别器的权重包括判别器的卷积层的卷积核权重矩阵和判别器的全连接层的神经元权重,判别器的偏置包括判别器的卷积层的卷积核偏置和判别器的全连接层的神经元偏置;
生成数字岩心模型判别概率单元具体用于:
根据判别器的卷积层的卷积核权重矩阵、判别器的卷积层的卷积核偏置和第一判别器激活函数对生成数字岩心模型进行卷积处理,得到判别器的卷积层的卷积核生成特征图;
根据判别器的全连接层的神经元权重、判别器的全连接层的神经元偏置和第二判别器激活函数对判别器的卷积层的卷积核生成特征图进行非线性变换,得到判别器的全连接层的神经元生成结果;
通过第三判别器激活函数对判别器的全连接层的神经元生成结果进行非线性变换,得到生成数字岩心模型判别概率。
在其中一种实施例中,真实数字岩心数据判别概率单元具体用于:
根据判别器的卷积层的卷积核权重矩阵、判别器的卷积层的卷积核偏置和第一判别器激活函数对真实数字岩心数据进行卷积处理,得到判别器的卷积层的卷积核数字岩心真实特征图;
根据判别器的全连接层的神经元权重、判别器的全连接层的神经元偏置和第二判别器激活函数对判别器的卷积层的卷积核数字岩心真实特征图进行非线性变换,得到判别器的全连接层的神经元真实结果;
通过第三判别器激活函数对判别器的全连接层的神经元真实结果进行非线性变换,得到真实数字岩心数据判别概率。
综上,本发明实施例的基于生成对抗神经网络的数字岩心重构系统执行迭代处理:先根据生成器参数处理历史噪声数据以得到生成数字岩心模型,再根据判别器参数分别处理生成数字岩心模型和真实数字岩心数据以得到损失函数,当当前迭代次数达到预设迭代次数时根据当前迭代中的生成器参数处理当前噪声数据以得到数字岩心模型,否则根据损失函数更新生成器参数和判别器参数,继续执行迭代处理,可以简化重构过程,提高重构效率,令数字岩心更加符合真实岩心的分布特征,进一步为分析岩心结构特征和微观流动模拟提供支持,为研究孔隙结构和微观流动模拟提供平台。
本发明实施例还提供能够实现上述实施例中的基于生成对抗神经网络的数字岩心重构方法中全部步骤的一种计算机设备的具体实施方式。图10是本发明实施例中计算机设备的结构框图,参见图10,所述计算机设备具体包括如下内容:
处理器(processor)1001和存储器(memory)1002。
所述处理器1001用于调用所述存储器1002中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的基于生成对抗神经网络的数字岩心重构方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
执行如下迭代处理:
根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理,得到生成数字岩心模型;
根据判别器的权重和判别器的偏置对生成数字岩心模型进行处理,得到生成数字岩心模型判别概率;
根据判别器的权重和判别器的偏置对真实数字岩心数据进行处理,得到真实数字岩心数据判别概率;
根据生成数字岩心模型判别概率和真实数字岩心数据判别概率确定损失函数;
判断当前迭代次数是否达到预设迭代次数;
当当前迭代次数达到预设迭代次数时,根据当前迭代中的生成器的权重矩阵和生成器的偏置对当前噪声数据进行处理,得到数字岩心模型,否则根据损失函数更新生成器的权重矩阵、生成器的偏置、判别器的权重和判别器的偏置,继续执行迭代处理。
综上,本发明实施例的计算机设备执行迭代处理:先根据生成器参数处理历史噪声数据以得到生成数字岩心模型,再根据判别器参数分别处理生成数字岩心模型和真实数字岩心数据以得到损失函数,当当前迭代次数达到预设迭代次数时根据当前迭代中的生成器参数处理当前噪声数据以得到数字岩心模型,否则根据损失函数更新生成器参数和判别器参数,继续执行迭代处理,可以简化重构过程,提高重构效率,令数字岩心更加符合真实岩心的分布特征,进一步为分析岩心结构特征和微观流动模拟提供支持,为研究孔隙结构和微观流动模拟提供平台。
本发明实施例还提供能够实现上述实施例中的基于生成对抗神经网络的数字岩心重构方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的基于生成对抗神经网络的数字岩心重构方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
执行如下迭代处理:
根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理,得到生成数字岩心模型;
根据判别器的权重和判别器的偏置对生成数字岩心模型进行处理,得到生成数字岩心模型判别概率;
根据判别器的权重和判别器的偏置对真实数字岩心数据进行处理,得到真实数字岩心数据判别概率;
根据生成数字岩心模型判别概率和真实数字岩心数据判别概率确定损失函数;
判断当前迭代次数是否达到预设迭代次数;
当当前迭代次数达到预设迭代次数时,根据当前迭代中的生成器的权重矩阵和生成器的偏置对当前噪声数据进行处理,得到数字岩心模型,否则根据损失函数更新生成器的权重矩阵、生成器的偏置、判别器的权重和判别器的偏置,继续执行迭代处理。
综上,本发明实施例的计算机可读存储介质执行迭代处理:先根据生成器参数处理历史噪声数据以得到生成数字岩心模型,再根据判别器参数分别处理生成数字岩心模型和真实数字岩心数据以得到损失函数,当当前迭代次数达到预设迭代次数时根据当前迭代中的生成器参数处理当前噪声数据以得到数字岩心模型,否则根据损失函数更新生成器参数和判别器参数,继续执行迭代处理,可以简化重构过程,提高重构效率,令数字岩心更加符合真实岩心的分布特征,进一步为分析岩心结构特征和微观流动模拟提供支持,为研究孔隙结构和微观流动模拟提供平台。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元,或装置都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
Claims (4)
1.一种基于生成对抗神经网络的数字岩心重构方法,其特征在于,包括:
执行如下迭代处理:
根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理,得到生成数字岩心模型;
根据判别器的权重和判别器的偏置对所述生成数字岩心模型进行处理,得到生成数字岩心模型判别概率;
根据所述判别器的权重和所述判别器的偏置对真实数字岩心数据进行处理,得到真实数字岩心数据判别概率;其中,所述真实数字岩心数据由岩心扫描图像获得;
根据所述生成数字岩心模型判别概率和所述真实数字岩心数据判别概率确定损失函数;
判断当前迭代次数是否达到预设迭代次数;
当所述当前迭代次数达到预设迭代次数时,根据当前迭代中的生成器的权重矩阵和生成器的偏置对当前噪声数据进行处理,得到数字岩心模型,否则根据所述损失函数更新所述生成器的权重矩阵、所述生成器的偏置、所述判别器的权重和所述判别器的偏置,继续执行所述迭代处理;
所述生成器的权重矩阵包括生成器的转置卷积层的转置卷积核权重矩阵、生成器的转置卷积层的卷积核权重矩阵和生成器的卷积层的卷积核权重矩阵,所述生成器的偏置包括生成器的转置卷积层的转置卷积核偏置和生成器的卷积层的卷积核偏置;
根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理,得到生成数字岩心模型包括:
根据所述生成器的转置卷积层的转置卷积核权重矩阵对所述历史噪声数据进行转置卷积处理,得到生成器的转置卷积层的转置卷积核数字岩心数据;
根据所述生成器的转置卷积层的卷积核权重矩阵对所述生成器的转置卷积层的转置卷积核数字岩心数据进行卷积处理,得到生成器的转置卷积层的卷积核数字岩心数据;
根据所述生成器的转置卷积层的转置卷积核偏置和第一生成器激活函数对所述生成器的转置卷积层的卷积核数字岩心数据进行非线性变换,得到生成器的转置卷积层的转置卷积核数字岩心输出特征图;
根据所述生成器的卷积层的卷积核权重矩阵、生成器的卷积层的卷积核偏置和第二生成器激活函数对所述生成器的转置卷积层的转置卷积核数字岩心输出特征图进行卷积处理,得到生成器的卷积层的卷积核数字岩心输出特征图;
通过第三生成器激活函数对所述生成器的卷积层的卷积核数字岩心输出特征图进行非线性变换,得到生成数字岩心模型;
所述判别器的权重包括判别器的卷积层的卷积核权重矩阵和判别器的全连接层的神经元权重,所述判别器的偏置包括判别器的卷积层的卷积核偏置和判别器的全连接层的神经元偏置;
根据判别器的权重和判别器的偏置对所述生成数字岩心模型进行处理,得到生成数字岩心模型判别概率包括:
根据所述判别器的卷积层的卷积核权重矩阵、所述判别器的卷积层的卷积核偏置和第一判别器激活函数对所述生成数字岩心模型进行卷积处理,得到判别器的卷积层的卷积核生成特征图;
根据所述判别器的全连接层的神经元权重、所述判别器的全连接层的神经元偏置和第二判别器激活函数对所述判别器的卷积层的卷积核生成特征图进行非线性变换,得到判别器的全连接层的神经元生成结果;
通过第三判别器激活函数对所述判别器的全连接层的神经元生成结果进行非线性变换,得到生成数字岩心模型判别概率;
根据所述判别器的权重和所述判别器的偏置对真实数字岩心数据进行处理,得到真实数字岩心数据判别概率包括:
根据所述判别器的卷积层的卷积核权重矩阵、所述判别器的卷积层的卷积核偏置和第一判别器激活函数对所述真实数字岩心数据进行卷积处理,得到判别器的卷积层的卷积核数字岩心真实特征图;
根据所述判别器的全连接层的神经元权重、所述判别器的全连接层的神经元偏置和第二判别器激活函数对所述判别器的卷积层的卷积核数字岩心真实特征图进行非线性变换,得到判别器的全连接层的神经元真实结果;
通过第三判别器激活函数对所述判别器的全连接层的神经元真实结果进行非线性变换,得到真实数字岩心数据判别概率。
2.一种基于生成对抗神经网络的数字岩心重构系统,其特征在于,包括:
生成数字岩心模型单元,用于根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理,得到生成数字岩心模型;
生成数字岩心模型判别概率单元,用于根据判别器的权重和判别器的偏置对所述生成数字岩心模型进行处理,得到生成数字岩心模型判别概率;
真实数字岩心数据判别概率单元,用于根据所述判别器的权重和所述判别器的偏置对真实数字岩心数据进行处理,得到真实数字岩心数据判别概率;其中,所述真实数字岩心数据由岩心扫描图像获得;
损失函数单元,用于根据所述生成数字岩心模型判别概率和所述真实数字岩心数据判别概率确定损失函数;
判断单元,用于判断当前迭代次数是否达到预设迭代次数;
数字岩心模型单元,用于根据当前迭代中的生成器的权重矩阵和生成器的偏置对当前噪声数据进行处理,得到数字岩心模型;
迭代更新单元,用于根据所述损失函数更新所述生成器的权重矩阵、所述生成器的偏置、所述判别器的权重和所述判别器的偏置;
所述生成器的权重矩阵包括生成器的转置卷积层的转置卷积核权重矩阵、生成器的转置卷积层的卷积核权重矩阵和生成器的卷积层的卷积核权重矩阵,所述生成器的偏置包括生成器的转置卷积层的转置卷积核偏置和生成器的卷积层的卷积核偏置;
所述生成数字岩心模型单元具体用于:
根据所述生成器的转置卷积层的转置卷积核权重矩阵对所述历史噪声数据进行转置卷积处理,得到生成器的转置卷积层的转置卷积核数字岩心数据;
根据所述生成器的转置卷积层的卷积核权重矩阵对所述生成器的转置卷积层的转置卷积核数字岩心数据进行卷积处理,得到生成器的转置卷积层的卷积核数字岩心数据;
根据所述生成器的转置卷积层的转置卷积核偏置和第一生成器激活函数对所述生成器的转置卷积层的卷积核数字岩心数据进行非线性变换,得到生成器的转置卷积层的转置卷积核数字岩心输出特征图;
根据所述生成器的卷积层的卷积核权重矩阵、生成器的卷积层的卷积核偏置和第二生成器激活函数对所述生成器的转置卷积层的转置卷积核数字岩心输出特征图进行卷积处理,得到生成器的卷积层的卷积核数字岩心输出特征图;
通过第三生成器激活函数对所述生成器的卷积层的卷积核数字岩心输出特征图进行非线性变换,得到生成数字岩心模型;
所述判别器的权重包括判别器的卷积层的卷积核权重矩阵和判别器的全连接层的神经元权重,所述判别器的偏置包括判别器的卷积层的卷积核偏置和判别器的全连接层的神经元偏置;
所述生成数字岩心模型判别概率单元具体用于:
根据所述判别器的卷积层的卷积核权重矩阵、所述判别器的卷积层的卷积核偏置和第一判别器激活函数对所述生成数字岩心模型进行卷积处理,得到判别器的卷积层的卷积核生成特征图;
根据所述判别器的全连接层的神经元权重、所述判别器的全连接层的神经元偏置和第二判别器激活函数对所述判别器的卷积层的卷积核生成特征图进行非线性变换,得到判别器的全连接层的神经元生成结果;
通过第三判别器激活函数对所述判别器的全连接层的神经元生成结果进行非线性变换,得到生成数字岩心模型判别概率;
所述真实数字岩心数据判别概率单元具体用于:
根据所述判别器的卷积层的卷积核权重矩阵、所述判别器的卷积层的卷积核偏置和第一判别器激活函数对所述真实数字岩心数据进行卷积处理,得到判别器的卷积层的卷积核数字岩心真实特征图;
根据所述判别器的全连接层的神经元权重、所述判别器的全连接层的神经元偏置和第二判别器激活函数对所述判别器的卷积层的卷积核数字岩心真实特征图进行非线性变换,得到判别器的全连接层的神经元真实结果;
通过第三判别器激活函数对所述判别器的全连接层的神经元真实结果进行非线性变换,得到真实数字岩心数据判别概率。
3.一种计算机设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1所述的基于生成对抗神经网络的数字岩心重构方法的步骤。
4.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1所述的基于生成对抗神经网络的数字岩心重构方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010242671.4A CN111461303B (zh) | 2020-03-31 | 2020-03-31 | 基于生成对抗神经网络的数字岩心重构方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010242671.4A CN111461303B (zh) | 2020-03-31 | 2020-03-31 | 基于生成对抗神经网络的数字岩心重构方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461303A CN111461303A (zh) | 2020-07-28 |
CN111461303B true CN111461303B (zh) | 2023-07-28 |
Family
ID=71679393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010242671.4A Active CN111461303B (zh) | 2020-03-31 | 2020-03-31 | 基于生成对抗神经网络的数字岩心重构方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461303B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117152373B (zh) * | 2023-11-01 | 2024-02-02 | 中国石油大学(华东) | 一种考虑裂缝的岩心级孔隙网络模型构建方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657634A (zh) * | 2017-09-06 | 2018-02-02 | 上海电力学院 | 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 |
CA3032694A1 (en) * | 2016-08-04 | 2018-02-08 | Baker Hughes, A Ge Company, Llc | Estimation of optimum tripping schedules |
-
2020
- 2020-03-31 CN CN202010242671.4A patent/CN111461303B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3032694A1 (en) * | 2016-08-04 | 2018-02-08 | Baker Hughes, A Ge Company, Llc | Estimation of optimum tripping schedules |
CN107657634A (zh) * | 2017-09-06 | 2018-02-02 | 上海电力学院 | 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 |
Non-Patent Citations (1)
Title |
---|
深度学习算法应用于岩石图像处理的可行性研究;程国建;刘丽婷;;软件导刊(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111461303A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Learning converged propagations with deep prior ensemble for image enhancement | |
CN109711426B (zh) | 一种基于gan和迁移学习的病理图片分类装置及方法 | |
CN111275714B (zh) | 一种基于注意力机制的3d卷积神经网络的前列腺mr图像分割方法 | |
CN109949276B (zh) | 一种于改进SegNet分割网络的淋巴结检测方法 | |
CN112070781B (zh) | 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 | |
WO2019136772A1 (zh) | 一种模糊图像的复原方法、装置、设备及存储介质 | |
CN112085677A (zh) | 一种图像处理方法、系统和计算机存储介质 | |
CN111461303B (zh) | 基于生成对抗神经网络的数字岩心重构方法及系统 | |
CN112634149B (zh) | 一种基于图卷积网络的点云去噪方法 | |
Rajesh et al. | An evolutionary block based network for medical image denoising using Differential Evolution | |
WO2020168648A1 (zh) | 一种图像分割方法、装置及计算机可读存储介质 | |
CN112184547B (zh) | 红外图像的超分辨率方法及计算机可读存储介质 | |
CN114429151A (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统 | |
CN111291810A (zh) | 基于目标属性解耦的信息处理模型生成方法及相关设备 | |
CN114742802A (zh) | 基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法 | |
CN113850796A (zh) | 基于ct数据的肺部疾病识别方法及装置、介质和电子设备 | |
Atal | Optimal deep CNN–based vectorial variation filter for medical image denoising | |
CN111126424B (zh) | 一种基于卷积神经网络的超声图像分类方法 | |
CN116543259A (zh) | 一种深度分类网络噪声标签建模与纠正方法、系统及存储介质 | |
CN114913262B (zh) | 采样模式与重建算法联合优化的核磁共振成像方法及系统 | |
Cao et al. | An adaptive self-organizing migration algorithm for parameter optimization of wavelet transformation | |
CN115761358A (zh) | 一种基于残差胶囊网络对心肌纤维化进行分类的方法 | |
CN115907775A (zh) | 基于深度学习的个人征信评级方法及其应用 | |
CN113034473A (zh) | 基于Tiny-YOLOv3的肺炎图像目标检测方法 | |
CN112686807A (zh) | 一种图像超分辨率重构方法及系统 |
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 |