CN112381916A - 一种利用二维薄片图像的数字岩心三维结构重建方法 - Google Patents
一种利用二维薄片图像的数字岩心三维结构重建方法 Download PDFInfo
- Publication number
- CN112381916A CN112381916A CN202011423996.9A CN202011423996A CN112381916A CN 112381916 A CN112381916 A CN 112381916A CN 202011423996 A CN202011423996 A CN 202011423996A CN 112381916 A CN112381916 A CN 112381916A
- Authority
- CN
- China
- Prior art keywords
- image
- stage
- generator
- dimensional
- reconstruction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 239000011435 rock Substances 0.000 title claims abstract description 29
- 239000011148 porous material Substances 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 239000011800 void material Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种利用二维薄片图像的数字岩心三维结构重建方法,本发明通过训练并行单一图像生成对抗网络模型,学习二维图像分布,结合马尔科夫链蒙特卡洛法,在三维空间重建岩心结构。本方法可以体现岩石的各向异性,对于非均质性较强岩石,也能可靠有效的还原真实岩心结构,孔隙连通性好,计算速度更快,应用范围更宽。
Description
技术领域
本发明涉及数字岩心领域,具体涉及一种利用二维薄片图像的数字岩心三维结构重建方法。
背景技术
三维数字岩心技术是利用计算机图像处理技术,将岩心微观结构以图像或数据的形式刻画出来,并通过数学建模、定量分析、物理场模拟来研究岩石微观结构及岩石物理属性的一门技术,通过反映岩石的孔隙结构与矿物组成特征,从而实现对岩心微观尺度表征并定量研究各种微观因素对岩石物理属性的影响。当前数字岩心建模方法可分为两大类,物理实验方法和数值重建方法。
物理实验方法是借助实验仪器直接获取储层岩石图像的实验方法,常用的物理方法有序列成像法、X-射线计算机层析成像(X-CT)扫描法和聚焦离子束电子显微镜(FIB-SEM)扫描法。高分辨率的物理方法在页岩储层中有所应用,物理实验法构建三维数字岩心费用昂贵、耗时并且在储层非均质性较强时难以获得代表储层特征的数字岩心,难以有针对性的获得具有不同储层参数的岩心来建立三维数字岩心图像。而铸体薄片以及粒度分析资料等岩心的二维信息则比较容易获得,因此可按照研究需要,在岩心二维信息的基础上利用数学方法重构不同参数三维数字岩心。
目前常用来重构三维数字岩心的数学方法主要包括随机法和过程法2个大类。随机法是在岩石二维图像获得的统计特性的约束下,利用数学算法重新构建三维数字岩心,使其与原始的岩石二维图像的统计特性非常接近。常用的随机法可分为完全随机法、高斯场法、顺序指示模拟法、模拟退火算法、多点统计法和马尔可夫链-蒙特卡洛法(简称MCMC法)等。过程法是利用岩石二维图像的颗粒粒径分布信息,通过对沉积岩的沉积、压实和成岩作用这一系列过程进行模拟,从而建立三维数字岩心。过程法能够较好的控制岩石颗粒粒度、颗粒分选性、胶结方式等微观结构信息且构建的数字岩心连通性上较随机模拟法有很大优势,因此在研究碎屑岩储集层中微观因素对岩石物理属性影响方面广泛应用。混合法是将过程法和模拟退火法相结合,使重构的三维数字岩心的孔隙连通性与真实岩心相符,且适用于成岩过程复杂的岩石,但其计算过程较为复杂,且仅适用于组分简单的岩石。
发明内容
针对现有技术中的上述不足,本发明提供的一种利用二维薄片图像的数字岩心三维结构重建方法解决了现有方法耗时多计算速度慢的问题。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种利用二维薄片图像的数字岩心三维结构重建方法,其包括以下步骤:
S1、获取并对水平方向岩心薄片图像和垂直方向岩心薄片图像打上标签,分别得到打上标签的水平方向岩心薄片图像和打上标签的垂直方向岩心薄片图像;标签包括孔隙和吼道;
S2、将打上标签的水平方向岩心薄片图像和打上标签的垂直方向岩心薄片图像进行二值化,得到二值化后的水平方向图像和二值化后的垂直方向图像;
S3、对二值化后的垂直方向图像进行遍历扫描,按从下往上的顺序获得其两点领域的条件概率;
S4、将二值化后的水平方向图像输入并行单一图像生成对抗网络进行训练,得到训练后的网络;
S5、向训练后的网络中输入一个设定大小的第一随机噪声向量,生成一张第一水平方向重建二值图像;
S6、在当前水平方向重建二值图像的垂直方向上采用步骤S3得到的条件概率,按从下往上的顺序使用马尔科夫链蒙特卡洛法采样生成一张概率采样二值图像;
S7、将概率采样二值图像加上第二随机噪声向量输入训练后的网络,生成一张第二水平方向重建二值图像;
S8、重复步骤S6和步骤S7共P次,得到一张校正后的第二水平方向重建二值图像;
S9、将二值化后的水平方向图像、第一水平方向重建二值图像和校正后的第二水平方向重建二值图像按生成顺序依次映射到三维空间中,得到数字岩心的三维模型,完成数字岩心三维结构重建。
进一步地,步骤S2中进行二值化的具体方法为:
对于图像中的岩石骨架赋值为0,图像中的中空部分赋值为1;中空部分包括孔隙和吼道。
进一步地,步骤S4中并行单一图像生成对抗网络包括一个生成器和一个鉴别器;生成器和鉴别器通过前向传播和反向传播损失相连;
生成器包括第0阶段到第5阶段共6个训练阶段,第n阶段包括3n+3层卷积层,每层卷积层有64个大小为3×3的卷积核,卷积步长为1,n=0,1,2,3,4,5;
鉴别器包括5个卷积块,每个卷积块包括一层卷积层、一层批量正则化层和一层LeakyReLU层;卷积块中卷积层的卷积核大小为3×3。
进一步地,步骤S4的具体方法包括以下子步骤:
S4-1、根据公式:
xn=X0×r((N-1)\log(N))×log(N-n)+1
将二值化后的水平方向图像进行5次池化下采样,得到5张池化下采样后的图像;其中xn为第n阶段对应的池化下采样图像;N为阶段总数;X0为二值化后的水平方向图像;r为下采样因子;
S4-2、将一组随机噪音z输入生成器,生成器从第0阶段开始生成一张与随机噪音z相对应的图像将图像与第0阶段的池化下采样图像x0输入鉴别器进行鉴别,反向传播两张图像之间的损失;其中并行单一图像生成对抗网络的损失函数为:
S4-3、判断当前阶段中的生成器是否收敛,若是则进入步骤S4-4,否则返回步骤S4-2;
S4-4、在当前生成器的基础上添加3层卷积层,并从原始的最近邻插值上采样特征中添加一个残差连接到新添加的卷积层的输出中,采用与步骤S4-2和步骤S4-3相同的方法进行生成器下一阶段的训练,直至第5阶段收敛,得到训练后的网络。
本发明的有益效果为:
1、本发明通过训练并行单一图像生成对抗网络(ConSinGAN)模型,学习二维图像分布,结合马尔科夫链蒙特卡洛法(MCMC),在三维空间重建岩心结构。本方法可以体现岩石的各向异性,对于非均质性较强岩石,也能可靠有效的还原真实岩心结构,孔隙连通性好,计算速度更快,应用范围更宽。
2、本方法的池化下采样方式使得处于低分辨率图像训练阶段的阶段密度高于处于高分辨率图像训练阶段的阶段数,进而使得模型的感受野相较于输入的下采样图像尺寸较大的阶段密度高于模型的感受野相较于输入的下采样图像尺寸较小的阶段密度,使得模型的全局一致性更好,对结构的把控更全面,孔隙和吼道的连接性更好,对于非均质性较强的岩心也能有很好的重建效果,最终提高了算法对于岩石种类的应用范围。
3、本方法不直接使用MCMC方法生成的图像来进行重建,而是将生成的图像作为一个生成条件输入模型,首先在体素面的层面上减少了孤立骨架生成的概率,然后才去逐层重建的方式,使层与层之间靠条件概率联系,下层是上层的生成条件,比起MCMC方法的15-16点领域考虑的范围更大更宽,从立体的层面上也减少了孤立骨架生成的概率。
附图说明
图1为本方法的流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,该利用二维薄片图像的数字岩心三维结构重建方法包括以下步骤:
S1、获取并对水平方向岩心薄片图像和垂直方向岩心薄片图像打上标签,分别得到打上标签的水平方向岩心薄片图像和打上标签的垂直方向岩心薄片图像;标签包括孔隙和吼道;
S2、将打上标签的水平方向岩心薄片图像和打上标签的垂直方向岩心薄片图像进行二值化,得到二值化后的水平方向图像和二值化后的垂直方向图像;
S3、对二值化后的垂直方向图像进行遍历扫描,按从下往上的顺序获得其两点领域的条件概率;
S4、将二值化后的水平方向图像输入并行单一图像生成对抗网络进行训练,得到训练后的网络;
S5、向训练后的网络中输入一个设定大小的第一随机噪声向量,生成一张第一水平方向重建二值图像;
S6、在当前水平方向重建二值图像的垂直方向上采用步骤S3得到的条件概率,按从下往上的顺序使用马尔科夫链蒙特卡洛法采样生成一张概率采样二值图像;
S7、将概率采样二值图像加上第二随机噪声向量输入训练后的网络,生成一张第二水平方向重建二值图像;
S8、将步骤S7中最新得到的第二水平方向重建二值图像作为当前水平方向重建二值图像,重复步骤S6和步骤S7共P次,得到一张校正后的第二水平方向重建二值图像;
S9、将二值化后的水平方向图像、第一水平方向重建二值图像和校正后的第二水平方向重建二值图像按生成顺序依次映射到三维空间中,得到数字岩心的三维模型,完成数字岩心三维结构重建。
步骤S2中进行二值化的具体方法为:对于图像中的岩石骨架赋值为0,图像中的中空部分赋值为1;中空部分包括孔隙和吼道。
步骤S4中并行单一图像生成对抗网络包括一个生成器和一个鉴别器;生成器和鉴别器通过前向传播和反向传播损失相连;
生成器包括第0阶段到第5阶段共6个训练阶段,第n阶段包括3n+3层卷积层,每层卷积层有64个大小为3×3的卷积核,卷积步长为1,n=0,1,2,3,4,5;
鉴别器包括5个卷积块,每个卷积块包括一层卷积层、一层批量正则化层和一层LeakyReLU层;卷积块中卷积层的卷积核大小为3×3。
步骤S4的具体方法包括以下子步骤:
S4-1、根据公式:
xn=X0×r((N-1)\log(N))×log(N-n)+1
将二值化后的水平方向图像进行5次池化下采样,得到5张池化下采样后的图像;其中xn为第n阶段对应的池化下采样图像;N为阶段总数;X0为二值化后的水平方向图像;r为下采样因子;在池化下采样过程中,第5阶段输入鉴别器的图像是原始输入图像,第4阶段输入鉴别器的图像是第五阶段的下采样,第3阶段输入鉴别器的图像是第4阶段的下采样,第2阶段输入鉴别器的图像是第3阶段的下采样,第1阶段输入鉴别器的图像是第2阶段的下采样,第0阶段输入鉴别器的图像是第1阶段的下采样;
S4-2、将一组随机噪音z输入生成器,生成器从第0阶段开始生成一张与随机噪音z相对应的图像将图像与第0阶段的池化下采样图像x0输入鉴别器进行鉴别,反向传播两张图像之间的损失;其中并行单一图像生成对抗网络的损失函数为:
S4-3、判断当前阶段中的生成器是否收敛,若是则进入步骤S4-4,否则返回步骤S4-2;
S4-4、在当前生成器的基础上添加3层卷积层,并从原始的最近邻插值上采样特征中添加一个残差连接到新添加的卷积层的输出中,采用与步骤S4-2和步骤S4-3相同的方法进行生成器下一阶段的训练,直至第5阶段收敛,得到训练后的网络。
在本发明的一个实施例中,可以将打好标签的图像统一剪裁到188×250像素大小,便于后续处理。生成器的最后三个阶段在训练时可以同时进行,有利于网络的快速训练,且可以通过设置学习率的缩放因子,使前面阶段使用小的学习率,可以减少过拟合情况。
在具体实施过程中,两点领域为假设两个相邻的点进行影响,后一个点的状态只与前一个点相关,与其他点无关,由此可以计算出两点领域的条件概率。
基于MCMC方法的重建是基于条件概率的分布采样,生成的体素点在已有体素点的条件上,根据条件概率进行的随机抽样生成。影响体素点条件为该体素点周围的15-16点领域内体素,对于更远距离体素点之间的联系学习能力弱,造成对于非均质性较强的岩心孔隙和吼道全局结构的重建效果较差,生成的随机性更强,容易生成孤立的,不合理的骨架。本发明使用ConSinGAN学习岩心薄片图像的孔隙和吼道的分布,在低阶段的学习中,模型的感受野相较于输入的下采样图像尺寸较大,能学习到吼道和孔隙分布的全局结构,在高阶段的学习中,模型的感受野相较于输入的下采样图像尺寸较小,能更好得学习到图像的纹理细节。使得本发明使用的方法能够同时兼顾生成效果的全局性和细节性,在全局上,对于结构的把控能力更强,孔隙和吼道的连接性更好,对于非均质性较强的岩心也能有很好的重建效果;在细节上,基于在模型在高阶段的学习,生成的随机性得到一定的控制,生成孤立的,不合理的骨架的数量得以减少。
综上所述,本发明通过训练并行单一图像生成对抗网络模型,学习二维图像分布,结合马尔科夫链蒙特卡洛法,在三维空间重建岩心结构。本方法可以体现岩石的各向异性,对于非均质性较强岩石,也能可靠有效的还原真实岩心结构,孔隙连通性好,计算速度更快,应用范围更宽。
Claims (4)
1.一种利用二维薄片图像的数字岩心三维结构重建方法,其特征在于,包括以下步骤:
S1、获取并对水平方向岩心薄片图像和垂直方向岩心薄片图像打上标签,分别得到打上标签的水平方向岩心薄片图像和打上标签的垂直方向岩心薄片图像;标签包括孔隙和吼道;
S2、将打上标签的水平方向岩心薄片图像和打上标签的垂直方向岩心薄片图像进行二值化,得到二值化后的水平方向图像和二值化后的垂直方向图像;
S3、对二值化后的垂直方向图像进行遍历扫描,按从下往上的顺序获得其两点领域的条件概率;
S4、将二值化后的水平方向图像输入并行单一图像生成对抗网络进行训练,得到训练后的网络;
S5、向训练后的网络中输入一个设定大小的第一随机噪声向量,生成一张第一水平方向重建二值图像;
S6、在当前水平方向重建二值图像的垂直方向上采用步骤S3得到的条件概率,按从下往上的顺序使用马尔科夫链蒙特卡洛法采样生成一张概率采样二值图像;
S7、将概率采样二值图像加上第二随机噪声向量输入训练后的网络,生成一张第二水平方向重建二值图像;
S8、重复步骤S6和步骤S7共P次,得到一张校正后的第二水平方向重建二值图像;
S9、将二值化后的水平方向图像、第一水平方向重建二值图像和校正后的第二水平方向重建二值图像按生成顺序依次映射到三维空间中,得到数字岩心的三维模型,完成数字岩心三维结构重建。
2.根据权利要求1所述的利用二维薄片图像的数字岩心三维结构重建方法,其特征在于,所述步骤S2中进行二值化的具体方法为:
对于图像中的岩石骨架赋值为0,图像中的中空部分赋值为1;中空部分包括孔隙和吼道。
3.根据权利要求1所述的利用二维薄片图像的数字岩心三维结构重建方法,其特征在于,所述步骤S4中并行单一图像生成对抗网络包括一个生成器和一个鉴别器;生成器和鉴别器通过前向传播和反向传播损失相连;
生成器包括第0阶段到第5阶段共6个训练阶段,第n阶段包括3n+3层卷积层,每层卷积层有64个大小为3×3的卷积核,卷积步长为1,n=0,1,2,3,4,5;
鉴别器包括5个卷积块,每个卷积块包括一层卷积层、一层批量正则化层和一层LeakyReLU层;卷积块中卷积层的卷积核大小为3×3。
4.根据权利要求3所述的利用二维薄片图像的数字岩心三维结构重建方法,其特征在于,所述步骤S4的具体方法包括以下子步骤:
S4-1、根据公式:
xn=X0×r((N-1)\log(N))×log(N-n)+1
将二值化后的水平方向图像进行5次池化下采样,得到5张池化下采样后的图像;其中xn为第n阶段对应的池化下采样图像;N为阶段总数;X0为二值化后的水平方向图像;r为下采样因子;
S4-2、将一组随机噪音z输入生成器,生成器从第0阶段开始生成一张与随机噪音z相对应的图像将图像与第0阶段的池化下采样图像x0输入鉴别器进行鉴别,反向传播两张图像之间的损失;其中并行单一图像生成对抗网络的损失函数为:
S4-3、判断当前阶段中的生成器是否收敛,若是则进入步骤S4-4,否则返回步骤S4-2;
S4-4、在当前生成器的基础上添加3层卷积层,并从原始的最近邻插值上采样特征中添加一个残差连接到新添加的卷积层的输出中,采用与步骤S4-2和步骤S4-3相同的方法进行生成器下一阶段的训练,直至第5阶段收敛,得到训练后的网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011423996.9A CN112381916B (zh) | 2020-12-08 | 2020-12-08 | 一种利用二维薄片图像的数字岩心三维结构重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011423996.9A CN112381916B (zh) | 2020-12-08 | 2020-12-08 | 一种利用二维薄片图像的数字岩心三维结构重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381916A true CN112381916A (zh) | 2021-02-19 |
CN112381916B CN112381916B (zh) | 2022-03-22 |
Family
ID=74589831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011423996.9A Active CN112381916B (zh) | 2020-12-08 | 2020-12-08 | 一种利用二维薄片图像的数字岩心三维结构重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381916B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967378A (zh) * | 2021-03-03 | 2021-06-15 | 安徽理工大学 | 一种多孔介质内部大尺寸孔裂隙结构的快速随机重构方法 |
CN113094972A (zh) * | 2021-03-15 | 2021-07-09 | 西南大学 | 基于生成对抗网络和环境要素数据的基岩深度预测方法及系统 |
CN113570505A (zh) * | 2021-09-24 | 2021-10-29 | 中国石油大学(华东) | 一种页岩三维超分辨率数字岩心分级重构方法及系统 |
TWI764593B (zh) * | 2021-02-26 | 2022-05-11 | 國立清華大學 | 以層析成像重建技術建構三維模型的方法 |
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 |
CN115993376A (zh) * | 2022-12-06 | 2023-04-21 | 东北石油大学 | 一种基于随机生长法的页岩基质数字岩心重构方法 |
CN116793919A (zh) * | 2023-05-06 | 2023-09-22 | 西南石油大学 | 一种用于氢气流动行为模拟的页岩数字岩心重构方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127816A (zh) * | 2016-03-08 | 2016-11-16 | 中国石油大学(华东) | 一种页岩基质储层孔隙空间表征方法 |
US20170139065A1 (en) * | 2015-11-18 | 2017-05-18 | Cgg Services Sas | Adaptive ensemble-based method and device for highly-nonlinear problems |
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 |
WO2019118658A1 (en) * | 2017-12-14 | 2019-06-20 | Schlumberger Technology Corporation | System and method for simulating reservoir models |
CN111583148A (zh) * | 2020-05-07 | 2020-08-25 | 苏州闪掣智能科技有限公司 | 基于生成对抗网络的岩心图像重构方法 |
-
2020
- 2020-12-08 CN CN202011423996.9A patent/CN112381916B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170139065A1 (en) * | 2015-11-18 | 2017-05-18 | Cgg Services Sas | Adaptive ensemble-based method and device for highly-nonlinear problems |
CN106127816A (zh) * | 2016-03-08 | 2016-11-16 | 中国石油大学(华东) | 一种页岩基质储层孔隙空间表征方法 |
WO2019118658A1 (en) * | 2017-12-14 | 2019-06-20 | Schlumberger Technology Corporation | System and method for simulating reservoir models |
CN111712823A (zh) * | 2017-12-14 | 2020-09-25 | 斯伦贝谢技术有限公司 | 用于模拟储层模型的系统和方法 |
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 |
CN111583148A (zh) * | 2020-05-07 | 2020-08-25 | 苏州闪掣智能科技有限公司 | 基于生成对抗网络的岩心图像重构方法 |
Non-Patent Citations (2)
Title |
---|
HIROSHI OKABE等: "Pore space reconstruction of vuggy carbonates using microtomography and multiple-point statistics", 《REGULAR ARTICLE》 * |
徐模: "数字岩心及孔隙网络模型的构建方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI764593B (zh) * | 2021-02-26 | 2022-05-11 | 國立清華大學 | 以層析成像重建技術建構三維模型的方法 |
CN112967378A (zh) * | 2021-03-03 | 2021-06-15 | 安徽理工大学 | 一种多孔介质内部大尺寸孔裂隙结构的快速随机重构方法 |
CN113094972A (zh) * | 2021-03-15 | 2021-07-09 | 西南大学 | 基于生成对抗网络和环境要素数据的基岩深度预测方法及系统 |
CN113570505A (zh) * | 2021-09-24 | 2021-10-29 | 中国石油大学(华东) | 一种页岩三维超分辨率数字岩心分级重构方法及系统 |
CN113570505B (zh) * | 2021-09-24 | 2022-01-04 | 中国石油大学(华东) | 一种页岩三维超分辨率数字岩心分级重构方法及系统 |
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 |
CN115993376A (zh) * | 2022-12-06 | 2023-04-21 | 东北石油大学 | 一种基于随机生长法的页岩基质数字岩心重构方法 |
CN115993376B (zh) * | 2022-12-06 | 2023-09-15 | 东北石油大学 | 一种基于随机生长法的页岩基质数字岩心重构方法 |
CN116793919A (zh) * | 2023-05-06 | 2023-09-22 | 西南石油大学 | 一种用于氢气流动行为模拟的页岩数字岩心重构方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112381916B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381916B (zh) | 一种利用二维薄片图像的数字岩心三维结构重建方法 | |
Kamrava et al. | Enhancing images of shale formations by a hybrid stochastic and deep learning algorithm | |
Yang et al. | Multi-scale reconstruction of porous media from low-resolution core images using conditional generative adversarial networks | |
CN108898560A (zh) | 基于三维卷积神经网络的岩心ct图像超分辨率重建方法 | |
CN109087375B (zh) | 基于深度学习的图像空洞填充方法 | |
CN112215755A (zh) | 一种基于反投影注意力网络的图像超分辨率重建方法 | |
Zhao et al. | 3D tight sandstone digital rock reconstruction with deep learning | |
Karimpouli et al. | Multistep Super Resolution Double-U-net (SRDUN) for enhancing the resolution of Berea sandstone images | |
Shams et al. | A hybrid of statistical and conditional generative adversarial neural network approaches for reconstruction of 3D porous media (ST-CGAN) | |
Li et al. | Advances in the application of deep learning methods to digital rock technology. | |
CN112184547B (zh) | 红外图像的超分辨率方法及计算机可读存储介质 | |
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 | |
Wang et al. | 3D model inpainting based on 3D deep convolutional generative adversarial network | |
Xiao et al. | Implementation of manifold coverage for 3D rock fracture network modeling and its application in rock permeability prediction | |
CN116698890A (zh) | 一种基于条件变分自编码器的变孔隙度数字岩心建模方法 | |
Soltanmohammadi et al. | A comparative analysis of super-resolution techniques for enhancing micro-CT images of carbonate rocks | |
Zhang et al. | PM-ARNN: 2D-TO-3D reconstruction paradigm for microstructure of porous media via adversarial recurrent neural network | |
Zhang et al. | Reconstruction of three-dimensional porous media using multi-scale generative adversarial networks | |
CN112581626B (zh) | 一种基于非参数化和多注意力机制的复杂曲面测量系统 | |
CN115661340B (zh) | 一种基于源信息融合的三维点云上采样方法与系统 | |
Zhang et al. | A Super-Resolution Reconstruction Method for Shale Based on Generative Adversarial Network | |
CN116398114A (zh) | 一种小样本条件下的储层物性参数智能预测方法及系统 | |
Guo et al. | A new method of central axis extracting for pore network modeling in rock engineering | |
CN115456867A (zh) | 一种数字岩心重构方法 | |
CN114998137A (zh) | 一种基于生成对抗网络的探地雷达图像杂波抑制方法 |
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 |