CN111754627A - 一种结合卷积神经网络和页岩软数据的页岩重构方法 - Google Patents
一种结合卷积神经网络和页岩软数据的页岩重构方法 Download PDFInfo
- Publication number
- CN111754627A CN111754627A CN202010479909.5A CN202010479909A CN111754627A CN 111754627 A CN111754627 A CN 111754627A CN 202010479909 A CN202010479909 A CN 202010479909A CN 111754627 A CN111754627 A CN 111754627A
- Authority
- CN
- China
- Prior art keywords
- shale
- image
- neural network
- convolutional neural
- soft data
- 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 56
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 47
- 238000011176 pooling Methods 0.000 claims description 33
- 230000004913 activation Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000011148 porous material Substances 0.000 description 29
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 8
- 239000011435 rock Substances 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T17/05—Geographic models
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种结合卷积神经网络和页岩软数据的页岩重构方法，该方法包括以下步骤：1)获取页岩样品的三维图像作为目标图像，从目标图像中随机获取部分页岩图像的硬数据；2)对硬数据图像进行插值处理，获取页岩数据分布情况的估计值，将估计值作为输入的软数据；3)将软数据图像输入卷积神经网络，输出重构图像。与现有技术相比，本发明对于页岩硬数据使用简单克里金算法进行插值，得到页岩数据分布情况的估计值，作为卷积神经网络输入的软数据，将软数据图像输入卷积神经网络，可获得准确率高的重构结果，耗时短，且便于大规模运用。
Description
技术领域
本发明涉及一种页岩重构方法，尤其是涉及一种结合卷积神经网络和页岩软数据的页岩重构方法。
背景技术
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，孔隙的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。因页岩孔隙小，矿物成分复杂，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。
目前直接获取页岩真实孔隙结构的方法主要分为两大类：物理实验法和数值重构方法。物理实验法包括连续切片法、扫描电镜法、X射线、CT扫描、纳米CT等，这些物理实验法可以得到高分辨率的真实页岩孔隙结构模型，但是这类方法成本高，实验过程繁琐，需要大量处理时间，不便于大规模应用。
数值重构方法是从真实岩石样本模型中提取对孔隙结构和分布有直接影响的关键信息，基于此建立相似的孔隙结构，从而实现页岩图像重构。数值重构方法包括以下三种：(1)过程法：模拟自然界岩石沉积胶结过程的重构方法；(2)随机法：通过选取合适的岩石薄片图像的统计量来描述孔隙空间形态特性；(3)多点地质统计法：使用多点统计信息进行重构，来获得岩石微观孔隙结构。上述数值重构方法需要大量的训练数据，导致CPU运行负荷大，运行时间较长，重构效果随机性强。
发明内容
本发明的目的就是为了提供一种耗时时间少的结合卷积神经网络和页岩软数据的页岩重构方法。
本发明的目的可以通过以下技术方案来实现：
一种结合卷积神经网络和页岩软数据的页岩重构方法，该方法包括如下步骤：
步骤1、获取页岩样品的三维图像作为目标图像，从目标图像中随机获取部分页岩图像的硬数据；
步骤2、对硬数据图像进行插值处理，获取页岩数据分布情况的估计值，将估计值作为输入的软数据；
插值得到的结果实际是页岩数据分布情况的估计值，是一种软数据。软数据在页岩图像中是孔隙空间的概率值，取值范围是0～1的小数，这些数据总体能够较准确地体现页岩孔隙空间的变化趋势。
步骤3、将软数据图像输入卷积神经网络，输出重构图像。所述的卷积神经网络采用具有两层卷积层、两层池化层和三层全连接层的无监督卷积神经网络。具体包括以下内容：
31)将软数据图像输入卷积神经网络的第一层卷积层，输出页岩图像的卷积特征。
32)对输出的页岩图像的卷积特征通过第一层池化层进行池化处理，对页岩图像的卷积特征进行降维；进一步地，采用最大值池化和平均值池化组合的混合池化方法对页岩图像的卷积特征进行降维。
33)将降维后的页岩图像的卷积特征进行第二层卷积和池化操作，获取页岩图像的局部特征。
34)将局部特征通过三层全连接层进行整合，获取全局信息，进而输出页岩重构图像。其中，隐藏层中的全连接层采用的激活函数为Sigmoid函数，输出层采用的激活函数为Tanh函数。
所述Sigmoid函数的表达式为：
所述Tanh函数的表达式为：
式中，x为当前隐藏层的输入值，即前一层隐藏层的输出值。
作为优选方案，采用克里金算法对硬数据图像进行插值处理。
本发明在利用本卷积神经网络进行实际重构前，对卷积神经网络的参数进行优化，具体地：
假设给定的目标图像的样例集为x(n)，输入样品图像x经过卷积池化等计算求得重构的结果y_，利用交叉熵损失函数计算出y_与期望值y之间的差异，以损失函数最小化为目标函数进行参数优化，损失函数的表达式为：
loss＝-ylog(y_)-(1-y)log(1-y_)
进一步地，采用Adam算法对卷积神经网络的学习率进行动态设定，当目标函数震荡不收敛时，降低学习率，当目标函数收敛速度过慢时，增加学习率。
与现有技术相比，本发明上述技术方案至少具有以下有益效果：
1)本发明方法利用卷积神经网络结合页岩软数据进行页岩内部结构重构，软数据在页岩图像中是孔隙空间的概率值，这些数据总体能够较准确地体现页岩孔隙空间的变化趋势，以此得到页岩的孔隙结构，使得到的重构结果与真实页岩结构相似，即本发明只需要少量的真实页岩数据即可获得准确率高的重构结果，耗时短，便于大规模运用；
2)页岩图像的某些部分包含相似的特征，提取特征时即可将一部分已经学习到的特征用在另一部分上，而卷积神经网络的同一层神经元之间连接的权值是共享的，这样可在不影响学习效果的前提减少参数的数量，将卷积神经网络用于页岩图像的重构可以更好地匹配页岩孔隙等特征的重构过程，从而提高运行速率。
附图说明
图1为本发明实施例中一种结合卷积神经网络和页岩软数据的页岩重构方法的主要步骤示意图；
图2为本发明实施例中卷积神经网络的总体架构图；
图3为本发明实施例中目标图像示意图，其中，图3a)为目标图像的外表面图，图3b)为目标图像的剖面图，图3c)为目标图像的孔隙结构图；
图4为本发明实施例中硬数据图像示意图；
图5为本发明实施例中软数据图像示意图，其中，图5a)为软数据图像的外表面图，图5b)为软数据图像的剖面图；
图6为本发明实施例中重构图像示意图，其中，图6a)为重构图像的外表面图，图6b)为重构图像的剖面图，图6c)为重构图像的孔隙结构图；
图7为本发明实施例中目标图像、本发明方法重构图像的变差函数对比图，其中，图7a)为X方向的变差函数曲线对比图，图7b)为Y方向的变差函数曲线对比图，图7c)为Z方向的变差函数曲线对比图。
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。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
参阅附图1，图1示例性示出了本实施例中一种结合卷积神经网络和页岩软数据的页岩重构方法的主要步骤。如图1所示，本实施例可以按照下述步骤对页岩图像进行重构，具体地：
S1、获取页岩样品的三维图像，从目标图像中随机获取部分页岩图像的硬数据。
S2、采用简单克里金算法对硬数据图像进行插值，得到页岩数据分布情况的估计值，将该值作为输入的“孔隙概率立方体”的软数据。
S3、将软数据图像输入卷积神经网络，输出重构结果。
S4、对重构结果进行二值化处理，最后得到二值化后的页岩重构图像。
在卷积神经网络中，卷积层是由若干个卷积核连接起来的特征平面，这些特征平面中的所有神经元均以矩阵形式排列，卷积核以已知尺寸的随机数矩阵的形式进行卷积，对特征图组合进行局部感知，为后续更高层的全局信息的整合提供局部信息，这样可以在保留有用信息的同时有效减少网络的负荷。
因为页岩图像某些部分包含相似的特征，提取特征时就可以将一部分已经学习到的特征用在另一部分上，这意味着提取的特征与位置无关，可以在类似的位置上使用同样的学习特征，所以卷积核是权值共享的，这样可以降低模型复杂度，极大地提高卷积神经网络的运行速度。在本实施例中，采用了9*9大小的滤波器进行卷积，提取局部特性。对于卷积层的每一种输出的特征图
有：
其中，l表示隐藏层的序号，Mj表示输入的用来提取特征的图像数据，
是连接输入的第i个图像数据与输出的第j个特征图所用的卷积核，
是第j个特征图对应的偏置，f是非线性激活函数。
子采样也叫做池化，基于局部相关性原理压缩数据和参数数量，但池化操作仅是对图像大小压缩，不改变特征的尺度，具有特征不变性。池化过程通常和卷积过程组合出现，池化层的每个特征映射都连接到其前一个卷积层的相应特征映射。池化过程与卷积过程类似，可视为一种不带权重的池化函数，以子采样层使用的特征映射区块尺寸从输入特征图的左上角开始按一定步长从左向右、从上到下进行池化操作。为了降低出现过拟合的概率，同时可以相对完整的保存局部特征信息，使用最大值池化和平均值池化组合的混合池化方法。最大值池化选取领域内的最大值，可以直接获取最显著特征，避免特征值的偏移，实际应用偏多。平均值池化对特征映射区域内的值求平均，用以保留图像的背景信息。对于混合池化的特征映射am,n,k有：
式中，yi,j,k是卷积特征值am,n,k的池化映射，k表示对应的特征序号，λ是0或1的随机值，Ri,j是征映射中以(i,j)为中心块的区块。
经过以上的卷积和池化操作后，岩石图像的局部特征已经被提取出来，接着还需要将局部特征全局化。全连接层即是每层每个神经元都与其上一层所有神经元进行连接，用以整合局部特征获取全局信息，这一部分使用了以下两个函数：
Sigmoid激活函数，其取值范围为0～1，公式为：
Tanh激活函数，其取值范围为-1～1，公式为：
上式中，x为当前隐藏层的输入值，即前一层隐藏层的输出值；隐藏层中的全连接层使用的激活函数是Sigmoid函数，输出层使用的激活函数是Tanh函数。
在实际重构前，给定样例集x(n)，n∈[1,……,N]，其中N表示输入的样例集的数量。输入x经过卷积池化等计算求得重构的结果y_，利用交叉熵(cross entroy)损失函数计算出y_与期望值y之间的差异，以损失函数最小化为目标函数进行参数优化。损失函数的计算公式如下：
loss＝-ylog(y_)-(1-y)log(1-y_)
为了更好的进行模型的自主学习，对学习率进行了动态设定，使用了Adam算法为参数设计独立的自适应性学习率。当目标函数震荡不收敛时，降低学习率；当目标函数收敛速度过慢时，增加学习率。
本发明实施例采用了真实情况下页岩的三维图像作为待处理原始样品。原始样品图像是圆柱状，从中截取了80*80*80体素的页岩图像作为目标图像。重构页岩图像时，从截取的目标图像中随机采集了4％的点作为卷积神经网络输入使用的原始硬数据，由于硬数据点少，且这些点随机分布在三维立体空间中，无法保证一个卷积核大小的区域内点的个数相同且分布一致，为了便于卷积神经网络的运行，使用可以反映页岩孔隙空间变化的软数据进行填充，以此作为输入数据重构页岩图像，最小化重构图像与目标图像的重构损失来优化模型参数。
图2为本实施例中卷积神经网络的总体架构图，以80*80的软数据为例，经过6个大小为9*9的卷积核C1，以1为步长滑动，得到72*72*6的特征图。然后经过2*2大小的随机池化P1，对卷积特征降维。接着经过第二层卷积C2和随机池化P2得到14*14*16局部特征，再将矩阵形式的特征映射扁平化为1*3136大小，加入dropout(随机失活)以防过拟合，输入fc1、fc2、fc3三层全连接层获得全局信息。最后经输出层得到80*80页岩数据。
首先对硬数据使用简单克里金算法进行插值，插值得到的实际上是页岩数据分布情况的估计值，是一种80*80*80体素的“孔隙概率立方体”软数据。软数据是页岩图像中是孔隙空间的概率值，取值范围是0～1的小数，这些数据总体能够比较准确地体现页岩孔隙空间的变化趋势。将得到的软数据作为卷积神经网络的输入。
本实施例的实验机器配置如下：
处理器Intel(R)Core(TM)i5-3230M 2.60GHz，内存12G，操作系统Windows 7。实验模型设计了两层卷积层、两层池化层和三层全连接层的无监督卷积神经网络，输入页岩软数据重构页岩图像，输出重构结果，对重构结果进行二值化处理，阈值为0.5，最后得到二值化后的页岩重构图像。
孔隙度是指页岩中孔隙空间所占的比重，是评价岩石结构的重要参数之一。表1是目标图像和重构结果的孔隙度，可以看出卷积神经网络的页岩重构结果的孔隙度与目标图像的误差较小。
表1目标图像、CNN重构图像孔隙度
图3是目标图像的外表面图、剖面图(X＝40，Y＝40，Z＝40)和孔隙结构图。目标图像是指模拟者希望模拟实现的图像，实验时用作与计算结果进行对比的参照数据，从而验证模型参数的正确性。
图4是随机选取的硬数据图的外表面图，图5是依据图4的硬数据使用简单克里金算法进行插值，得到的页岩数据分布情况的估计值，作为实验输入的软数据。
图6是本发明方法重构结果的外表面图、剖面图和孔隙结构图，通过与目标图像进行直观对比可知，重构结果在图像上与目标图像接近。
此外，在本实施例中，通过变差函数曲线来进一步比较本发明方法重构结果的有效性。图7是目标图像和实验结果的变差函数曲线，显示出页岩结构在某个方向上的空间变化特征，在X、Y、Z方向的变差函数曲线可以看出，采用本发明方法重构结果的曲线与目标图像的变差函数曲线近乎重合，直观的体现实验结果和目标图像具有相似的微观结构。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，包括下列步骤：
1)获取页岩样品的三维图像作为目标图像，从目标图像中随机获取部分页岩图像的硬数据；
2)对硬数据图像进行插值处理，获取页岩数据分布情况的估计值，将估计值作为输入的软数据；
3)将软数据图像输入卷积神经网络，输出重构图像。
2.根据权利要求1所述的一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，所述的卷积神经网络采用具有两层卷积层、两层池化层和三层全连接层的无监督卷积神经网络。
3.根据权利要求2所述的一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，步骤3)的具体内容为：
31)将软数据图像输入卷积神经网络的第一层卷积层，输出页岩图像的卷积特征；
32)对输出的页岩图像的卷积特征通过第一层池化层进行池化处理，对页岩图像的卷积特征进行降维；
33)将降维后的页岩图像的卷积特征进行第二层卷积和池化操作，获取页岩图像的局部特征；
34)将局部特征通过三层全连接层进行整合，获取全局信息，进而输出页岩重构图像。
4.根据权利要求3所述的一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，步骤32)中，采用最大值池化和平均值池化组合的混合池化方法对页岩图像的卷积特征进行降维。
5.根据权利要求3所述的一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，步骤34)中，隐藏层中的全连接层采用的激活函数为Sigmoid函数，输出层采用的激活函数为Tanh函数。
6.根据权利要求5所述的一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，所述Sigmoid函数的表达式为：
式中，x为当前隐藏层的输入值，即前一层隐藏层的输出值。
7.根据权利要求5所述的一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，所述Tanh函数的表达式为：
式中，x为当前隐藏层的输入值，即前一层隐藏层的输出值。
8.根据权利要求1所述的一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，步骤2)中，采用克里金算法对硬数据图像进行插值处理。
9.根据权利要求1所述的一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，在实际重构前，对卷积神经网络的参数进行优化，具体内容为：
给定目标图像的样例集x(n)，输入样品图像x经过卷积池化等计算求得重构的结果y_，利用交叉熵损失函数计算出y_与期望值y之间的差异，以损失函数最小化为目标函数进行参数优化，损失函数的表达式为：
loss＝-ylog(y_)-(1-y)log(1-y_)
10.根据权利要求9所述的一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，采用Adam算法对卷积神经网络的学习率进行动态设定，当目标函数震荡不收敛时，降低学习率，当目标函数收敛速度过慢时，增加学习率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010479909.5A CN111754627A (zh) | 2020-05-30 | 2020-05-30 | 一种结合卷积神经网络和页岩软数据的页岩重构方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010479909.5A CN111754627A (zh) | 2020-05-30 | 2020-05-30 | 一种结合卷积神经网络和页岩软数据的页岩重构方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111754627A true CN111754627A (zh) | 2020-10-09 |
Family
ID=72674444
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010479909.5A Pending CN111754627A (zh) | 2020-05-30 | 2020-05-30 | 一种结合卷积神经网络和页岩软数据的页岩重构方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111754627A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023038627A1 (en) * | 2021-09-09 | 2023-03-16 | Landmark Graphics Corporation | Contextualization of geoscientific data using geological age framework |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009126881A2 (en) * | 2008-04-10 | 2009-10-15 | Services Petroliers Schlumberger | Method to generate numerical pseudocores using borehole images, digital rock samples, and multi-point statistics |
| CN101706966A (zh) * | 2009-11-06 | 2010-05-12 | 上海第二工业大学 | 基于二维图像和多点统计方法的多孔介质三维重构方法 |
| CN108898560A (zh) * | 2018-06-21 | 2018-11-27 | 四川大学 | 基于三维卷积神经网络的岩心ct图像超分辨率重建方法 |
| CN109800516A (zh) * | 2019-01-24 | 2019-05-24 | 电子科技大学 | 一种基于dcgan的多孔质材料内流场模型构建方法 |
| CN109903229A (zh) * | 2019-03-04 | 2019-06-18 | 科新(杭州)能源环境科技有限公司 | 一种基于卷积神经网络的μ-CT图像重构方法 |
| CN110245695A (zh) * | 2019-05-30 | 2019-09-17 | 华中科技大学 | 一种基于卷积神经网络的tbm岩渣大小等级识别方法 |
-
2020
- 2020-05-30 CN CN202010479909.5A patent/CN111754627A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009126881A2 (en) * | 2008-04-10 | 2009-10-15 | Services Petroliers Schlumberger | Method to generate numerical pseudocores using borehole images, digital rock samples, and multi-point statistics |
| CN101706966A (zh) * | 2009-11-06 | 2010-05-12 | 上海第二工业大学 | 基于二维图像和多点统计方法的多孔介质三维重构方法 |
| CN108898560A (zh) * | 2018-06-21 | 2018-11-27 | 四川大学 | 基于三维卷积神经网络的岩心ct图像超分辨率重建方法 |
| CN109800516A (zh) * | 2019-01-24 | 2019-05-24 | 电子科技大学 | 一种基于dcgan的多孔质材料内流场模型构建方法 |
| CN109903229A (zh) * | 2019-03-04 | 2019-06-18 | 科新(杭州)能源环境科技有限公司 | 一种基于卷积神经网络的μ-CT图像重构方法 |
| CN110245695A (zh) * | 2019-05-30 | 2019-09-17 | 华中科技大学 | 一种基于卷积神经网络的tbm岩渣大小等级识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| WANG YUZHU, ET AL: "Porous Structure Reconstruction Using Convolutional Neural Networks", 《MATHEMATICAL GEOSCIENCES》 * |
| 卢德唐 等: "一种基于软硬数据的多孔介质重构方法", 《科学通报》 * |
| 王天兴: "基于GoogLeNet网络结构的改进算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023038627A1 (en) * | 2021-09-09 | 2023-03-16 | Landmark Graphics Corporation | Contextualization of geoscientific data using geological age framework |
| GB2623667A (en) * | 2021-09-09 | 2024-04-24 | Landmark Graphics Corp | Contextualization of geoscientific data using geological age framework |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102573252B1 (ko) | 신경망 기반 양자 에러 정정 복호화 방법 및 장치, 칩 | |
| Jin | A comprehensive survey of fitness approximation in evolutionary computation | |
| CN108710906B (zh) | 基于轻量级网络LightPointNet的实时点云模型分类方法 | |
| CN113096239B (zh) | 一种基于深度学习的三维点云重建方法 | |
| Ning et al. | Conditional generative adversarial networks based on the principle of homologycontinuity for face aging | |
| CN112634438A (zh) | 基于对抗网络的单帧深度图像三维模型重建方法及装置 | |
| CN112084934A (zh) | 基于骨骼数据双通道深度可分离卷积的行为识别方法 | |
| CN110446173A (zh) | 一种高效节能的星载无线传感网数据压缩方法 | |
| CN111080521A (zh) | 一种基于结构先验的人脸图像超分辨率方法 | |
| CN116246110A (zh) | 基于改进胶囊网络的图像分类方法 | |
| CN111754627A (zh) | 一种结合卷积神经网络和页岩软数据的页岩重构方法 | |
| Zhang | Application of knowledge model in dance teaching based on wearable device based on deep learning | |
| CN117635488A (zh) | 一种结合通道剪枝和通道注意力的轻量型点云补全方法 | |
| CN111860668A (zh) | 一种针对原始3d点云处理的深度卷积网络的点云识别方法 | |
| Liu et al. | Point cloud completion by dynamic transformer with adaptive neighbourhood feature fusion | |
| CN112785684B (zh) | 一种基于局部信息加权机制的三维模型重建方法 | |
| Cang et al. | Scalable microstructure reconstruction with multi-scale pattern preservation | |
| Rivera et al. | Trilateral convolutional neural network for 3D shape reconstruction of objects from a single depth view | |
| CN113409159A (zh) | 一种融合节点属性的深度社团发现方法 | |
| Arshad et al. | Automated reconstruction of 3d open surfaces from sparse point clouds | |
| Lee et al. | Qff: Quantized fourier features for neural field representations | |
| Qian et al. | Task-Oriented Compact Representation of 3D Point Clouds via A Matrix Optimization-Driven Network | |
| Zhang et al. | Approach to 3D face reconstruction through local deep feature alignment | |
| Sharma et al. | Image compression and feature extraction using Kohonen's self-organizing map neural network | |
| Wang | [Retracted] Feature Extraction and Identification of Calligraphy Style Based on Dual Channel Convolution Network |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201009 |