CN112949719B - 基于gan的试井解释代理模型生成方法 - Google Patents
基于gan的试井解释代理模型生成方法 Download PDFInfo
- Publication number
- CN112949719B CN112949719B CN202110236794.1A CN202110236794A CN112949719B CN 112949719 B CN112949719 B CN 112949719B CN 202110236794 A CN202110236794 A CN 202110236794A CN 112949719 B CN112949719 B CN 112949719B
- Authority
- CN
- China
- Prior art keywords
- well testing
- image
- data
- gan
- curve
- 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
Images
Classifications
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于GAN的试井解释代理模型生成方法,包括:根据已有压力数据绘制试井曲线;调整试井曲线的图像尺寸;对试井曲线的图像上所有像素点进行采样,将小于给定阈值的像素点设定为白色,大于给定阈值的像素点设定为黑色,从而将试井曲线从图像上凸显出来;在图像上设两条边长度均为1单位长度,每个像素都离散为一个[0,1]区间内的坐标,记录坐标作为下一步模型训练的输入数据。配置GAN生成式对抗网络;将记录数据输入模型进行训练,得到试井解释代理模型。本发明的优点是:为神经网络模型的应用提供了数据准备,使小样本数据具备了训练神经网络模型的可行性,能够生成更加真实的代理模型数据。
Description
技术领域
本发明涉及试油试井油藏解释技术领域,特别涉及基于生成式对抗网络(GAN,Generative Adversarial Networks)的试井解释代理模型生成方法。
背景技术
试井解释是一种通过渗流理论分析生产井测试资料,从而评价地层或生产井参数的技术手段,是油气渗流理论在油气田开发中的实际应用。因试井评价所采用的资料来自流动状态下的生产井或注水井,其分析结果可以较好地描述油藏动态特性。
早在1989年,Robert Hecht-Nielson就证明了对于任何一个闭区间的连续函数都可以用一个隐层的BP神经网络来逼近,这一特性为早期的模式识别技术提供了理论基础。基于这一理论,当时各行各业的的研究者纷纷致力于将这一当时较为先进的算法引入自己的专业领域,也正是基于这一理论,许多学者就致力于搭建一种基于神经网络的用于识别试井解释模型的技术。
在实际科研攻关过程中,研究人员经常苦于现场数据样本量不够、样本质量不高、可信度差等问题,在将神经网络技术应用在油气开采领域时尤甚,这就要求科研人员使用各种方法构建一些理论模型来对网络模型训练使用的数据集进行扩充,来满足神经网络需要大规模数据进行训练的特点。目前较为常用的技术通常是使用简单的平移、翻转或者添加应用理想模型添加随机噪音等方式构建人工数据以扩充数据集。但这些方法实际上并不能很好地应对试井解释图像的数据,试井解释理论在对图像进行处理时,重点关注的是两条曲线的相对位置关系,简单的平移并不能很好地将生成的新图形与原本的数据区分开来,而建立理想模型一方面较为复杂且运算量大,另一方面理想模型也并不能很好地解释实际地层情况。
发明内容
本发明针对现有技术的缺陷,提供了一种基于GAN的试井解释代理模型生成方法。
为了实现以上发明目的,本发明采取的技术方案如下:
一种基于GAN的试井解释代理模型生成方法,包括以下步骤:
(1)根据已有压力数据绘制试井曲线,即绘制在双对数坐标系下压力和压力导数随着时间变化的曲线,并对曲线进行反褶积处理。
(2)调整试井曲线的图像尺寸,为便于后续模型训练,通常将图像尺寸调整为128像素×128像素。
(3)二值化图像,对试井曲线的图像上所有像素点进行采样,将小于给定阈值的像素点设定为白色,大于给定阈值的像素点设定为黑色,从而将试井曲线从图像上凸显出来。
(4)离散虚拟坐标,在128×128像素大小的图像上以左侧和下方两条边作为x和y坐标轴,设两条边长度均为1单位长度,则图像上的每个像素都可以离散为一个[0,1]区间内的坐标,记录这些点的坐标作为下一步模型训练的输入数据。
(5)配置GAN生成式对抗网络。GAN生成式对抗网络主要由生成器和判别器两部分组成,生成器由一个具有四层结构的神经网络构成,通过对输入数据添加一个随机噪声来生成与输入数据具有类似特征的模拟数据;判别器由一个三层结构的神经网络构成,最后一层使用Sigmod函数作为激活函数进行输出,用以判断生成器生成的模拟数据与原始数据是否具有足够的相似度。GAN生成式对抗网络通过生成器和判别器两个模块相互博弈,不断优化两个组件以产生较好的输出结果。
(6)将步骤(4)中记录数据输入步骤(5)中配置的模型进行训练,得到一系列可用于大规模神经网络模型训练的试井解释代理模型。
进一步地,对步骤(3)中二值化算法的阈值选取,可以采用最佳阈值迭代法。即选择整体图像的平均灰度T(j)作为初始阈值,用j表示迭代次数,初始时j=0,之后用T(j)作为阈值将图像划分为C1和C2两个区域,再次计算两个区域各自的平均灰度。用f(x,y)代表图像中指定点的灰度值,N代表相应区域包含的像素点数目,则上述平均灰度可由式下式计算:
再对上述两个平均灰度取算术平均,记做T(j+1),反复进行迭代直到两次计算间的差值小于指定值即可近似得到最佳阈值。
进一步地,在步骤(5)中所述生成器的网络结构中,除输出层使用双曲正切函数tanh作为激活函数外,其余各层均采用线性整流函数(Rectified Linear Unit,ReLU)作为激活函数,且各隐藏层神经元数量分别为256、512、1024,输出层神经元数量与输入相同。相应地,判别器网络结构中各隐藏层神经元数目分别为512和256,仅有一个代表布尔量的输出。
与现有技术相比,本发明的优点在于:
1.为神经网络模型在试井解释领域的应用提供了数据准备,使小样本数据具备了训练神经网络模型的可行性。
2.使用GAN生成式对抗网络输出模拟的试井解释代理模型,模型并不对样本数据本身进行更新,而是在反向传播中不断更新生成器与判别器的权值,从而能够生成更加真实的代理模型数据。
附图说明
图1位本发明方法的流程图;
图2是本发明实施例中原始的试井曲线;
图3是本发明实施例中经过处理后的试井曲线;
图4是本发明实施例中由模型生成的部分试井曲线。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下根据附图并列举实施例,对本发明做进一步详细说明。
如图1所示,一种基于GAN的试井解释代理模型生成方法,包括以下步骤:
①首先收集目标区块生产井生产数据并绘制试井曲线,选取同类型试井曲线构建小样本数据集如附图2所示,该步骤实际进行时可根据后续模型训练的需求自行进行分类,本实施例中选取导数下凹较大、反应出微型裂缝发育的双重介质地层特点的试井曲线构建数据集。
②对步骤①中所建立数据集中的图像进行尺寸规整化处理,得到128×128像素的图像后,继续对图像进行二值化处理,得到由黑白二色构成的试井曲线图像如图3所示。对所得图像进行简单的随机抖动处理,根据随机噪音在x、y轴向上随机平移,进行初步扩充,该步骤得到130个数据。
③对步骤②中所得图像,定义图像边长为单位长度1,以图像左下为坐标原点将试井曲线坐标化,记录坐标,将每幅图片转化为一个34行三列的坐标矩阵并保存,得到由数个矩阵组成的新数据集。
④构建生成式对抗神经网络模型,生成器具有四个隐藏层,每个隐藏层神经元数分别为251、512、1024和与输入相同的34×3个,前三层激活函数为ReLU线性整流函数,输出层激活函数为双曲正切tanh函数;判别器有三个隐藏层,神经元数分别为512、256和1个,除输出层使用Sigmod激活函数外均使用ReLU线性整流函数激活。
⑤将步骤③中数据输入步骤④中搭建好的模型进行训练,输出扩充后的数据集,将扩充好的数据集进行可视化处理如图4所示。该步骤最终得到20000个数据,排除模型训练初期得到的数据不能稳定反映试井曲线特征,近似认为拥有16000个数据,基于初始4个数据点将样本容量扩充了4000倍,且扩充后数据皆具备反应导数下凹较大、反应出微型裂缝发育的双重介质地层特征的特点。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.一种基于GAN的试井解释代理模型生成方法,其特征在于,包括以下步骤:
(1)根据已有压力数据绘制试井曲线,即绘制在双对数坐标系下压力和压力导数随着时间变化的曲线,并对曲线进行反褶积处理;
(2)调整试井曲线的图像尺寸,将图像尺寸调整为128像素×128像素;
(3)二值化图像,对试井曲线的图像上所有像素点进行采样,将小于给定阈值的像素点设定为白色,大于给定阈值的像素点设定为黑色,从而将试井曲线从图像上凸显出来;
(4)离散虚拟坐标,在128×128像素大小的图像上以左侧和下方两条边作为x和y坐标轴,设两条边长度均为1单位长度,则图像上的每个像素都可以离散为一个[0,1]区间内的坐标,记录这些点的坐标作为下一步模型训练的输入数据;
(5)配置GAN生成式对抗网络;GAN生成式对抗网络主要由生成器和判别器两部分组成,生成器由一个具有四层结构的神经网络构成,通过对输入数据添加一个随机噪声来生成与输入数据具有类似特征的模拟数据;判别器由一个三层结构的神经网络构成,最后一层使用Sigmod函数作为激活函数进行输出,用以判断生成器生成的模拟数据与原始数据是否具有足够的相似度;GAN生成式对抗网络通过生成器和判别器两个模块相互博弈,不断优化两个组件以产生较好的输出结果;
(6)将步骤(4)中记录数据输入步骤(5)中配置的模型进行训练,得到一系列可用于大规模神经网络模型训练的试井解释代理模型。
3.根据权利要求1所述的一种基于GAN的试井解释代理模型生成方法,其特征在于:在步骤(5)中所述生成器的网络结构中,除输出层使用双曲正切函数tanh作为激活函数外,其余各层均采用线性整流函数作为激活函数,且各隐藏层神经元数量分别为256、512、1024,输出层神经元数量与输入相同;相应地,判别器网络结构中各隐藏层神经元数目分别为512和256,仅有一个代表布尔量的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110236794.1A CN112949719B (zh) | 2021-03-03 | 2021-03-03 | 基于gan的试井解释代理模型生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110236794.1A CN112949719B (zh) | 2021-03-03 | 2021-03-03 | 基于gan的试井解释代理模型生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949719A CN112949719A (zh) | 2021-06-11 |
CN112949719B true CN112949719B (zh) | 2022-08-02 |
Family
ID=76247461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110236794.1A Active CN112949719B (zh) | 2021-03-03 | 2021-03-03 | 基于gan的试井解释代理模型生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949719B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446735A (zh) * | 2018-12-18 | 2019-03-08 | 中国石油大学(北京) | 一种模拟测井数据的生成方法、设备以及系统 |
CN109447249A (zh) * | 2018-12-17 | 2019-03-08 | 中国科学院计算技术研究所 | 一种基于深度卷积的对抗神经网络测井数据重建方法 |
WO2019118658A1 (en) * | 2017-12-14 | 2019-06-20 | Schlumberger Technology Corporation | System and method for simulating reservoir models |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670533A (zh) * | 2018-11-23 | 2019-04-23 | 何旭 | 一种基于卷积神经网络的多尺度测井相识别方法 |
US11693139B2 (en) * | 2018-12-11 | 2023-07-04 | ExxonMobil Technology and Engineering Company | Automated seismic interpretation-guided inversion |
CN109886931A (zh) * | 2019-01-25 | 2019-06-14 | 中国计量大学 | 基于bp神经网络的轮速传感器齿圈表面缺陷检测方法 |
CN112001480B (zh) * | 2020-08-11 | 2024-01-26 | 中国石油天然气集团有限公司 | 基于生成对抗网络的滑动定向数据小样本扩增方法 |
-
2021
- 2021-03-03 CN CN202110236794.1A patent/CN112949719B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019118658A1 (en) * | 2017-12-14 | 2019-06-20 | Schlumberger Technology Corporation | System and method for simulating reservoir models |
CN109447249A (zh) * | 2018-12-17 | 2019-03-08 | 中国科学院计算技术研究所 | 一种基于深度卷积的对抗神经网络测井数据重建方法 |
CN109446735A (zh) * | 2018-12-18 | 2019-03-08 | 中国石油大学(北京) | 一种模拟测井数据的生成方法、设备以及系统 |
Non-Patent Citations (2)
Title |
---|
"A New Ensemble Machine-Learning Framework for Searching Sweet Spots in Shale Reservoirs";Tang, JZ,等;《SPE JOURNAL》;20210228;全文 * |
"叠前地震波形分类方法研究";尹淼;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》》;20180915;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112949719A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814875B (zh) | 基于样式生成对抗网络的红外图像中舰船样本扩充方法 | |
CN110020682B (zh) | 一种基于小样本学习的注意力机制关系对比网络模型方法 | |
CN112052886A (zh) | 基于卷积神经网络的人体动作姿态智能估计方法及装置 | |
CN106981080A (zh) | 基于红外图像和雷达数据的夜间无人车场景深度估计方法 | |
CN113689517B (zh) | 一种多尺度通道注意力网络的图像纹理合成方法及系统 | |
CN111861886B (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
CN111861906A (zh) | 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 | |
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 | |
CN112489164A (zh) | 基于改进深度可分离卷积神经网络的图像着色方法 | |
CN110084181B (zh) | 一种基于稀疏MobileNetV2网络的遥感图像舰船目标检测方法 | |
CN112686816A (zh) | 一种基于内容注意力机制和掩码先验的图像补全方法 | |
CN112634149A (zh) | 一种基于图卷积网络的点云去噪方法 | |
CN112949553A (zh) | 基于自注意力级联生成对抗网络的人脸图像修复方法 | |
Spick et al. | Procedural generation using spatial GANs for region-specific learning of elevation data | |
CN111028335A (zh) | 一种基于深度学习的点云数据的分块面片重建方法 | |
Gorse et al. | The new ERA in supervised learning | |
CN114882278A (zh) | 一种基于注意力机制和迁移学习的轮胎花纹分类方法和装置 | |
CN117454495B (zh) | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 | |
CN112949719B (zh) | 基于gan的试井解释代理模型生成方法 | |
CN111583412B (zh) | 构建书法浮雕深度学习网络的方法及构建书法浮雕的方法 | |
CN115953330B (zh) | 虚拟场景图像的纹理优化方法、装置、设备和存储介质 | |
CN112734649A (zh) | 一种基于轻量级神经网络的图像退化方法及退化系统 | |
CN112561054A (zh) | 一种基于批量特征热图的神经网络滤波器剪枝方法 | |
CN115797181A (zh) | 一种面向矿井模糊环境的图像超分辨率重建方法 | |
Ong et al. | Machine learning for human design: Sketch interface for structural morphology ideation using neural networks |
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 |