CN113963123B - 一种融合深度学习和多点统计学的地质建模方法及装置 - Google Patents
一种融合深度学习和多点统计学的地质建模方法及装置 Download PDFInfo
- Publication number
- CN113963123B CN113963123B CN202111224702.4A CN202111224702A CN113963123B CN 113963123 B CN113963123 B CN 113963123B CN 202111224702 A CN202111224702 A CN 202111224702A CN 113963123 B CN113963123 B CN 113963123B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- grid
- image
- geological model
- neural network
- 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
- 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
- G06N3/08—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种融合深度学习和多点统计学的地质建模方法及装置。本发明通过在三维模拟网格中将二维训练图像转换为三维训练图像,得到三维网格图像后,利用深度神经网络提取三维网格图像中的地质结构的全局空间特征来建立初始地质模型,并对初始地质模型进行序贯模拟和地层层序校验,利用多尺度EM迭代最终实现建立最优地质模型,能够融合深度学习和多点统计学进行地质建模,对具有各向异性、方向延展性、非平稳特征的地质体或地质结构进行合理的三维重构,有利于建立精细化的地质模型。
Description
技术领域
本发明涉及地质勘探技术领域,尤其涉及一种融合深度学习和多点统计学的地质建模方法及装置。
背景技术
地质建模是地质勘探的重要手段。目前,主要基于多点统计学(Multiple-pointstatistics,MPS)的地质建模方法,从地质图像即训练图像中识别、提取已知地质数据的空间分布模式,利用空间分布模式在三维空间中重构地质体或地质结构,建立地质模型。基于MPS的地质建模方法可大致分为两类,一是基于图像学的方法,如DISPAT(Arpat andCaers.,2007),GOSIM(Yang et al.,2016)等,二是基于概率学的方法,如SNESIM(Strebelle,2002)、IMPALA(Straubhaar et al.,2011)等。基于图像学的方法是通过滑动模板的方式提取训练图像所蕴含的模式,在模拟过程中通过对比模板与地质数据之间的重叠区相似度,从候选模板中选取最合适的粘贴至三维模拟网格来实现模型重构,这使得模板大小成为了重建结构合理性的重要因素,较小的模板无法确保地质体在重构具有延展性特征时全局上的合理性,较大的模板能获取更宏观的结构,但会使模拟结果的随机性不足。基于概率学的方法是基于多点模式,即以网格结点为中心一定范围内其他网格结点的点集,统计已模拟区域的属性概率分布,通过计算条件概率来对待模拟网格结点进行随机模拟,在基于MPS重构空间结构的过程中,候选模式的选取只取决于待模拟点处的多点数据事件范围内的已知数据的概率分布,即同样只考虑候选模式与已模拟数据的局部相关性。
由于漫长地质作用使地质体、地质结构的空间分布具有强烈的各向异性、方向延展性和非平稳性特征,外在表现为形态复杂的地质面如断裂面等,这些地质体或地质结构在建模区中通常远大于合理的模板大小或多点模式的合理范围,因此,这两类基于MPS的地质建模方法难以对具有各向异性、方向延展性、非平稳特征的地质体或地质结构进行合理的三维重构,限制了地质模型的精细化程度。
发明内容
为了克服现有技术的缺陷,本发明提供一种融合深度学习和多点统计学的地质建模方法及装置,能够对具有各向异性、方向延展性、非平稳特征的地质体或地质结构进行合理的三维重构,有利于建立精细化的地质模型。
为了解决上述技术问题,第一方面,本发明一实施例提供一种融合深度学习和多点统计学的地质建模方法,包括:
将获取的二维训练图像导入三维模拟网格,得到在三维空间中表示的二维网格图像,并在所述三维模拟网格中将所述二维训练图像转换为三维训练图像,得到三维网格图像;
分别从所述三维网格图像中提取空间模式数据和深度学习训练数据,建立空间模式数据库和深度学习训练数据集,并从所述二维网格图像中提取地层层序数据,建立地层层序数据库;
根据所述三维网格图像构建深度神经网络,利用所述深度学习训练数据集训练所述深度神经网络,基于训练后的深度神经网络预测所述三维网格图像中待模拟网格的目标属性值的曲面网格体,并将所述曲面网格体中所有待模拟网格的属性值设置为所述目标属性值,建立初始地质模型;
根据所述空间模式数据库对所述初始地质模型进行序贯模拟,得到中间地质模型,并根据所述地层层序数据库对所述中间地质模型进行地层层序校验,在校验成功时将所述中间地质模型作为地质模型,在校验失败时重新进行序贯模拟和地层层序校验直至得到所述地质模型;
根据所述三维训练图像对所述地质模型进行多尺度迭代模拟,得到优化后的地质模型,并在当前尺度达到预设精度且累计迭代次数达到预设迭代次数时,将当前所述优化后的地质模型作为输出的最优地质模型。
进一步地,所述在所述三维模拟网格中将所述二维训练图像转换为三维训练图像,得到三维网格图像,具体为:
根据所述二维网格图像中的所有未赋值网格生成第一随机路径;
通过第一移动窗口沿所述第一随机路径依次访问每一所述未赋值网格,统计在所述第一移动窗口内且在所述未赋值网格周边的所有已赋值网格的属性值,将出现次数最多的一属性值作为所述未赋值网格的属性值;
在所述第一移动窗口遍历所有所述未赋值网格后,得到所述三维网格图像。
进一步地,所述分别从所述三维网格图像中提取空间模式数据和深度学习训练数据,建立空间模式数据库和深度学习训练数据集,具体为:
通过第二移动窗口访问所述三维网格图像中的每一网格,计算在所述第二移动窗口内的所有网格的空间模式的相似度,得到相似度数据;
在所述第二移动窗口遍历所述三维网格图像中的所有网格后,对所有所述相似度数据进行模式聚类,得到所述空间模式数据,建立所述空间模式数据库;
将所述三维网格图像中存在的属性值作为所述目标属性值,从所述三维网格图像中提取与所述目标属性值对应的网格的顶面高程数据和底面高程数据;
对所有所述顶面高程数据和所有所述底面高程数据进行归一化处理,得到所述深度学习训练数据,建立所述深度学习训练数据库。
进一步地,所述从所述二维网格图像中提取地层层序数据,建立地层层序数据库,具体为:
按照从顶部到底部的扫描顺序扫描所述二维网格图像,获取所述二维网格图像中的所有网格的属性值;
将所述二维网格图像中的所有网格的属性值整理为有序数列,得到所述地层层序数据,建立所述地层层序数据库。
进一步地,所述根据所述三维网格图像构建深度神经网络,利用所述深度学习训练数据集训练所述深度神经网络,具体为:
分别根据所述三维网格图像的顶面高程数据和底面高程数据,构建顶面深度神经网络和底面深度神经网络,利用所述深度学习训练数据集训练所述顶面深度神经网络和所述底面深度神经网络;
当累计训练次数达到预设训练次数或网络损失小于预设损失值时,停止训练所述顶面深度神经网络和所述底面深度神经网络,得到训练后的顶面深度神经网络和训练后的底面深度神经网络。
进一步地,所述基于训练后的深度神经网络预测所述三维网格图像中待模拟网格的目标属性值的曲面网格体,并将所述曲面网格体中所有待模拟网格的属性值设置为所述目标属性值,建立初始地质模型,具体为:
将所述三维网格图像中的每一待模拟网格的坐标分别输入所述训练后的顶面深度神经网络和所述训练后的底面深度神经网络,得到所述目标属性值在所述待模拟网格的顶面高程数据和底面高程数据;
根据所有所述待模拟网格的顶面高程数据和底面高程数据,得到顶面和底面之间的所述曲面网格体,将所述曲面网格体中的所有待模拟网格的属性值设置为所述目标属性值,建立所述初始地质模型。
进一步地,所述根据所述空间模式数据库对所述初始地质模型进行序贯模拟,得到中间地质模型,具体为:
根据所述初始地质模型中的所有待模拟网格生成第二随机路径;
沿所述第二随机路径依次访问每一所述待模拟网格,根据以所述待模拟网格为中心的模板与所述初始地质模型中的已模拟网格的重叠区域,从所述空间模式数据库中筛选若干个候选模板;
从所有所述候选模板中选择一个作为目标模板,将所述目标模板粘贴至所述以所述待模拟网格为中心的模板处,得到所述中间地质模型。
进一步地,所述根据所述地层层序数据库对所述中间地质模型进行地层层序校验,在校验成功时将所述中间地质模型作为地质模型,具体为:
提取所述中间地质模型中的每一待模拟网格的地层层序数据,并将所述待模拟网格的地层层序数据与所述地层层序数据库中的地层层序数据匹配,若匹配成功,则将所述中间地质模型作为地质模型。
第二方面,本发明一实施例提供一种融合深度学习和多点统计学的地质建模装置,包括:
图像转换模块,用于将获取的二维训练图像导入三维模拟网格,得到在三维空间中表示的二维网格图像,并在所述三维模拟网格中将所述二维训练图像转换为三维训练图像,得到三维网格图像;
数据库建立模块,用于分别从所述三维网格图像中提取空间模式数据和深度学习训练数据,建立空间模式数据库和深度学习训练数据集,并从所述二维网格图像中提取地层层序数据,建立地层层序数据库;
模型初建模块,用于根据所述三维网格图像构建深度神经网络,利用所述深度学习训练数据集训练所述深度神经网络,基于训练后的深度神经网络预测所述三维网格图像中待模拟网格的目标属性值的曲面网格体,并将所述曲面网格体中所有待模拟网格的属性值设置为所述目标属性值,建立初始地质模型;
模型校验模块,用于根据所述空间模式数据库对所述初始地质模型进行序贯模拟,得到中间地质模型,并根据所述地层层序数据库对所述中间地质模型进行地层层序校验,在校验成功时将所述中间地质模型作为地质模型,在校验失败时重新进行序贯模拟和地层层序校验直至得到所述地质模型;
模型优化模块,用于根据所述三维训练图像对所述地质模型进行多尺度迭代模拟,得到优化后的地质模型,并在当前尺度达到预设精度且累计迭代次数达到预设迭代次数时,将当前所述优化后的地质模型作为输出的最优地质模型。
本发明的实施例,具有如下有益效果:
通过将获取的二维训练图像导入三维模拟网格,得到在三维空间中表示的二维网格图像,并在三维模拟网格中将二维训练图像转换为三维训练图像,得到三维网格图像,分别从三维网格图像中提取空间模式数据和深度学习训练数据,建立空间模式数据库和深度学习训练数据集,并从二维网格图像中提取地层层序数据,建立地层层序数据库,根据三维网格图像构建深度神经网络,利用深度学习训练数据集训练深度神经网络,基于训练后的深度神经网络预测三维网格图像中待模拟网格的目标属性值的曲面网格体,并将曲面网格体中所有待模拟网格的属性值设置为目标属性值,建立初始地质模型,根据空间模式数据库对初始地质模型进行序贯模拟,得到中间地质模型,并根据地层层序数据库对中间地质模型进行地层层序校验,在校验成功时将中间地质模型作为地质模型,在校验失败时重新进行序贯模拟和地层层序校验直至得到地质模型,根据三维训练图像对地质模型进行多尺度迭代模拟,得到优化后的地质模型,并在当前尺度达到预设精度且累计迭代次数达到预设迭代次数时,将当前优化后的地质模型作为输出的最优地质模型,实现建立最优地质模型。相比于现有技术,本发明的实施例通过在三维模拟网格中将二维训练图像转换为三维训练图像,得到三维网格图像后,利用深度神经网络提取三维网格图像中的地质结构的全局空间特征来建立初始地质模型,并对初始地质模型进行序贯模拟和地层层序校验,利用多尺度EM迭代最终实现建立最优地质模型,能够融合深度学习和多点统计学进行地质建模,对具有各向异性、方向延展性、非平稳特征的地质体或地质结构进行合理的三维重构,有利于建立精细化的地质模型。
附图说明
图1为本发明第一实施例中的一种融合深度学习和多点统计学的地质建模方法的流程示意图;
图2为本发明第一实施例中的一种融合深度学习和多点统计学的地质建模方法的数据流图;
图3为本发明第一实施例中示例的二维网格图像;
图4为本发明第一实施例中示例的为未赋值网格P赋予属性值的过程示意图;
图5为本发明第一实施例中示例的为未赋值网格q赋予属性值的过程示意图;
图6为本发明第一实施例中示例的三维网格图像;
图7为本发明第一实施例中示例的地层层序提取的过程示意图;
图8为本发明第一实施例中示例的深度神经网络的网络架构图;
图9为本发明第二实施例中的一种融合深度学习和多点统计学的地质建模装置的结构示意图。
具体实施方式
下面将结合本发明中的附图,对本发明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。
需要说明的是,文中的步骤编号,仅为了方便具体实施例的解释,不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的服务器执行,且下文均以边缘服务器作为执行主体为例进行说明。
如图1所示,第一实施例提供一种融合深度学习和多点统计学的地质建模方法,包括步骤S1~S5:
S1、将获取的二维训练图像导入三维模拟网格,得到在三维空间中表示的二维网格图像,并在三维模拟网格中将二维训练图像转换为三维训练图像,得到三维网格图像;
S2、分别从三维网格图像中提取空间模式数据和深度学习训练数据,建立空间模式数据库和深度学习训练数据集,并从二维网格图像中提取地层层序数据,建立地层层序数据库;
S3、根据三维网格图像构建深度神经网络,利用深度学习训练数据集训练深度神经网络,基于训练后的深度神经网络预测三维网格图像中待模拟网格的目标属性值的曲面网格体,并将曲面网格体中所有待模拟网格的属性值设置为目标属性值,建立初始地质模型;
S4、根据空间模式数据库对初始地质模型进行序贯模拟,得到中间地质模型,并根据地层层序数据库对中间地质模型进行地层层序校验,在校验成功时将中间地质模型作为地质模型,在校验失败时重新进行序贯模拟和地层层序校验直至得到地质模型;
S5、根据三维训练图像对地质模型进行多尺度迭代模拟,得到优化后的地质模型,并在当前尺度达到预设精度且累计迭代次数达到预设迭代次数时,将当前优化后的地质模型作为输出的最优地质模型。
如图2所示,作为示例性地,在步骤S1中,预设模拟参数,模拟参数包括模拟尺度的个数、每一模拟尺度的模拟网格的边长尺寸、迭代次数、序贯模拟的模板尺寸、深度神经网络的训练次数等,将用于模拟的多个二维训练图像(2D TIs)导入到三维模拟网格中,得到在三维空间中表示的二维网格图像,并在三维模拟网格中将每一个二维训练图像都转换为三维训练图像(3D TIs),得到三维网格图像。
在步骤S2中,从三维网格图像中提取空间模式数据,建立空间模式数据库,从三维网格图像中提取深度学习训练数据,建立深度学习训练数据集,并从二维网格图像中提取地层层序数据,建立地层层序数据库。
在步骤S3中,根据三维网格图像构建深度神经网络,利用深度学习训练数据集训练深度神经网络,基于训练后的深度神经网络预测三维网格图像中待模拟网格的目标属性值的曲面网格体,并将曲面网格体中所有待模拟网格的属性值设置为目标属性值,建立初始地质模型(R0)。其中,目标属性值是三维网格图像中存在的属性值,即已知的属性值。
在步骤S4中,根据空间模式数据库对初始地质模型进行序贯模拟,得到中间地质模型,并根据地层层序数据库对中间地质模型进行地层层序校验,若检验成功,则将校验成功的中间地质模型作为地质模型,否则重新根据空间模式数据库对初始地质模型进行序贯模拟,直至得到地质模型(R1)。
在步骤S5中,根据三维训练图像对地质模型进行多尺度迭代模拟,得到优化后的地质模型,并在当前尺度达到预设精度且累计迭代次数达到预设迭代次数时,将当前优化后的地质模型作为输出的最优地质模型。
本实施例通过在三维模拟网格中将二维训练图像转换为三维训练图像,得到三维网格图像后,利用深度神经网络提取三维网格图像中的地质结构的全局空间特征来建立初始地质模型,并对初始地质模型进行序贯模拟和地层层序校验,利用多尺度EM迭代最终实现建立最优地质模型,能够融合深度学习和多点统计学进行地质建模,对具有各向异性、方向延展性、非平稳特征的地质体或地质结构进行合理的三维重构,有利于建立精细化的地质模型。
在优选的实施例当中,所述在三维模拟网格中将二维训练图像转换为三维训练图像,得到三维网格图像,具体为:根据二维网格图像中的所有未赋值网格生成第一随机路径;通过第一移动窗口沿第一随机路径依次访问每一未赋值网格,统计在第一移动窗口内且在未赋值网格周边的所有已赋值网格的属性值,将出现次数最多的一属性值作为未赋值网格的属性值;在第一移动窗口遍历所有未赋值网格后,得到三维网格图像。
作为示例性地,为了执行多点统计学序贯模拟过程以及生成深层学习训练数据,二维训练图像被转换为三维训练图像并导入三维模拟网格(SG)中,其转换过程具体为:首先,将用于模拟的二维训练图像导入到三维模拟网格(SG)中,得到二维网格图像,二维网格图像如图3所示。然后,构建第一随机路径以访问二维网格图像中的所有未赋值网格,网格区域的厚度大于或等于预设模板的长边长度,其扩展过程是沿着三维模拟网格的水平方向逐层展开的,每层使用大小为3×3(个网格)的第一移动窗口来访问第一随机路径中的每一未赋值网格,通过第一移动窗口从未赋值网格周边的所有已赋值网格中选择出现次数最多的属性值作为该未赋值网格的属性值,例如,p和q为待扩展的未赋值网格,当第一移动窗口在未赋值网格p时,统计第一移动窗口中的所有已赋值网格的属性值的出现次数,将出现次数最多的属性值赋值给当前未赋值网格p后,第一移动窗口移动至下一个未赋值网格q进行赋值,其中,为未赋值网格p、q赋予属性值的过程示意图分别如图4和图5所示,图4、图5中的灰色块表示已赋值网格,白色块表示未赋值网格,选择框表示第一移动窗口。最后,重复执行上述操作,直到遍历完第一随机路径中的所有未赋值网格,便可在三维模拟网格中获得厚度约为一个模板大小的三维网格图像,三维网格图像如图6所示。
在优选的实施例当中,所述分别从三维网格图像中提取空间模式数据和深度学习训练数据,建立空间模式数据库和深度学习训练数据集,具体为:通过第二移动窗口访问三维网格图像中的每一网格,计算在第二移动窗口内的所有网格的空间模式的相似度,得到相似度数据;在第二移动窗口遍历三维网格图像中的所有网格后,对所有相似度数据进行模式聚类,得到空间模式数据,建立空间模式数据库;将三维网格图像中存在的属性值作为目标属性值,从三维网格图像中提取与目标属性值对应的网格的顶面高程数据和底面高程数据;对所有顶面高程数据和所有底面高程数据进行归一化处理,得到深度学习训练数据,建立深度学习训练数据库。
作为示例性地,考虑到MPS方法需要利用模板对训练图像进行扫描以获得地质数据的空间模式。为减少扫描训练图像的次数和时间,本实施例在构建三维网格图像后,提取地质结构的空间特征并建立空间模式数据库,建立深度学习训练数据集。
搜索模式使用以预设模板的长边长度为边长的正方体作为第二移动窗口,通过第二移动窗口遍历三维网格图像中的所有网格,根据第二移动窗口所获取的各个网格的空间模式之间的相似度进行模式聚类,即可获得模式数据库P。其中,各个网格的空间模式之间的相似度采用汉明距离来计算,即:
式(1)中,l’、m’和n’分别代表模板的高、长和宽,PTI和PR分别为训练图像(TI)和实际地层的空间模式。
根据三维网格图像中的目标属性值Atti,提取其对应的网格(x,y)的最高顶面高程数据hmax(x,y,Atti)与最低底面高程数据hmin(x,y,Atti),遍历三维网格图像中已知数据的网格区域后分别构成顶面高程数据库Hmax(Atti)与底面高程数据库Hmin(Atti),即:
hmax(x,y,Atti)∈Hmax(Atti),hmin(x,y,Atti)∈Hmin(Atti)m,i=1,2,3,…I,x=0,1,2,…m,y=0,1,2,…n,其中,I代表模拟区域内的属性总数,m和n分别代表初始尺度下模拟网格的长和宽,对所有顶面高程数据和所有底面高程数据进行归一化处理,得到深度学习训练数据,建立深度学习训练数据库。
在优选的实施例当中,所述从二维网格图像中提取地层层序数据,建立地层层序数据库,具体为:按照从顶部到底部的扫描顺序扫描二维网格图像,获取二维网格图像中的所有网格的属性值;将二维网格图像中的所有网格的属性值整理为有序数列,得到地层层序数据,建立地层层序数据库。
作为示例性地,对二维网格图像,即所有二维训练图像,从顶部到底部,逐个像素扫描后将各个网格的属性值整理为有序数列的形式,即可获得各个网格所在位置的地层层序数据,如图7所示,Sa在位置a处获取地质对象从上到下可储存为“Strata A→Strata B→Strata C→Strata D”,Sb为在位置b处获得的地质属性次序存为“Strata A→Fault→Strata D→Strata E→Strata F”,扫描所有二维训练图像以提取可能存在的地层层序,合并归类后,获得的有序合集即为地层层序数据库Ds。
在优选的实施例当中,所述根据三维网格图像构建深度神经网络,利用深度学习训练数据集训练深度神经网络,具体为:分别根据三维网格图像的顶面高程数据和底面高程数据,构建顶面深度神经网络和底面深度神经网络,利用深度学习训练数据集训练顶面深度神经网络和底面深度神经网络;当累计训练次数达到预设训练次数或网络损失小于预设损失值时,停止训练顶面深度神经网络和底面深度神经网络,得到训练后的顶面深度神经网络和训练后的底面深度神经网络。
作为示例性地,针对地质属性的顶面高程数据序列和底面高程数据序列,分别对应地构建顶面深度神经网络Mmax(i)和底面深度神经网络Mmin(i),用于学习其分布特点。将Hmax(Atti)和Hmin(Atti)的值进行归一化处理后作为深度学习训练数据训练顶面深度神经网络Mmax(i)和底面深度神经网络Mmin(i),即模拟网格的坐标(x,y)作为输入数据,(x,y)的地质属性值Atti所对应的hmax(x,y,Atti)与hmin(x,y,Atti)作为标签,对顶面深度神经网络Mmax(i)和底面深度神经网络Mmin(i)进行训练。其中,两个深度神经网络的损失函数可统一表达为:
式(2)中,max和min分别代表地质属性埋深的最大值和最小值,hk′(x,y,Atti)是输入为(x,y)时深层神经网络的输出结果,m和n为模拟网格在x和y方向大小。
深度神经网络可采用BP神经网络,包含8个隐藏层,总共261451个参数,其基本架构如图8所示。模拟的epoch上限为10000次,当网络损失值稳定小于预设损失值0.5×10-5时,提前终止训练。对于每个地质属性值Atti,都可以获得训练后的顶面深度神经网络Mmax(i)及其对应的底面深度神经网络Mmin(i)。
在优选的实施例当中,所述基于训练后的深度神经网络预测三维网格图像中待模拟网格的目标属性值的曲面网格体,并将曲面网格体中所有待模拟网格的属性值设置为目标属性值,建立初始地质模型,具体为:将三维网格图像中的每一待模拟网格的坐标分别输入训练后的顶面深度神经网络和训练后的底面深度神经网络,得到目标属性值在待模拟网格的顶面高程数据和底面高程数据;根据所有待模拟网格的顶面高程数据和底面高程数据,得到顶面和底面之间的曲面网格体,将曲面网格体中的所有待模拟网格的属性值设置为目标属性值,建立初始地质模型。
作为示例性地,在获得训练后的顶面深度神经网络Mmax(i)及其对应的底面深度神经网络Mmin(i)后,遍历三维网格图像,获取三维网格图像中的所有待模拟网格的坐标,将每一待模拟网格的坐标(x,y)输入Mmax(i)和Mmin(i)中,即可分别预测目标属性值Atti在该坐标下的顶、底面高程数据hk′(x,y,Atti)。在完成遍历之后可获得三维模拟网格范围内目标属性值Atti的顶面和底面的曲面模型,即顶面和底面之间的曲面网格体。
将目标属性值Atti的顶底面导入三维模拟网格中,将顶底面高程数据hk′(x,y,Atti)之间的待模拟网格都填充为该目标属性值Atti,即对模拟地质结构面之间的网格进行填充,获得由深度学习构建的地质属性Atti的初始地质模型。
需要注意的是,在使用深度神经网络进行三维模拟的过程中,首先对与各个地层有错切关系的破碎带进行模拟,然后再模拟其他地质属性。当其他地质属性的模拟结果相冲突时,将冲突的网格还原为待模拟网格。对三维网格图像中存在的所有地质属性Atti都执行上述操作,直到三维网格图像中所有地质属性模拟完毕,即可获得初始地质模型R0。
在优选的实施例当中,所述根据空间模式数据库对初始地质模型进行序贯模拟,得到中间地质模型,具体为:根据初始地质模型中的所有待模拟网格生成第二随机路径;沿第二随机路径依次访问每一待模拟网格,根据以待模拟网格为中心的模板与初始地质模型中的已模拟网格的重叠区域,从空间模式数据库中筛选若干个候选模板;从所有候选模板中选择一个作为目标模板,将目标模板粘贴至以待模拟网格为中心的模板处,得到中间地质模型。
作为示例性地,由于在利用深度神经网络全局提取三维网格图像中的地质结构的空间特征来建立初始地质模型的过程中,未考虑到各地质对象之间的局部拓扑及语义关系,导致建立的初始地质模型R0中依然存在部分未赋值网格,甚至可能存在一定的地层层序错误。因此,本实施例结合地层层序数据库与空间模式数据库,采用序贯模拟来对初始地质模型R0进行完善,具体过程如下:
1、定义第二随机路径来遍历初始地质模型R0中的所有待模拟网格;
2、根据第二随机路径上以当前访问的待模拟网格为中心的模板与初始地质模型中的已模拟网格的重叠区域,在空间模式数据库P中搜索一定数量,即满足预设个数Q的候选模板,根据这些候选模板与以当前访问的待模拟网格为中心的模板之间的距离使用反距离方法确定每个候选模板被选上的概率即:
依照这些候选模板被选上的概率从中选择一个,粘贴至初始地质模型R0中以当前访问的待模拟网格为中心的模板处;
3、重复上述步骤,直到完成遍历路径,得到中间地质模型R1’。
在优选的实施例当中,所述根据地层层序数据库对中间地质模型进行地层层序校验,在校验成功时将中间地质模型作为地质模型,具体为:提取中间地质模型中的每一待模拟网格的地层层序数据,并将待模拟网格的地层层序数据与地层层序数据库中的地层层序数据匹配,若匹配成功,则将中间地质模型作为地质模型。
作为示例性地,遍历中间地质模型R1’中的所有待模拟网格,对待模拟网格(x,y)所处的区域,以有序数列的形式提取其地层层序数据sx,y,并将地层层序数据sx,y与地层层序数据库Ds中的地层层序数据匹配,当且sx,y也不为Ds中任一数列的非空子集时,即代表当前坐标下垂直区域的地层层序错误,此时应对该网格重新进行序贯模拟,直到中间地质模型R1’中不存在地层层序错误,即可输出地质模型R1。
在优选的实施例当中,所述根据三维训练图像对地质模型进行多尺度迭代模拟,具体为:结合多尺度策略,采用EM-like算法对地质模型进行多次迭代模拟。
作为示例性地,在每个尺度的模拟中,首先获取该尺度下的三维训练图像,再对地质模型R1升采样后的模型R2’执行多次迭代,其中每个迭代过程都包括搜索过程和更新过程。
在搜索过程中,地质模型R1升采样后的模型R2’中的每个网格u∈R被随机分配一个从三维训练图像中随机抽取的候选模板并计算该候选模板与初始地质模型中以该网格为中心的模板之间的相似度,然后参考改进后的Patch Match方法(Yang et al.,2016),通过两个步骤实现搜索过程:第一步是传播过程,对每个网格u,计算网格u周边的网格un的候选模板与模板之间的相似度,选择其中具有相似度最大值的模板作为新的第二步是随机过程,对每个网格u,以其候选模板在三维网格图像中的网格为中心设置搜索窗口,在该搜索窗口中的随机提取一个模板与当前候选模板比较其与之间的距离。如果存在与更相似的模板则将作为新的在搜索每个窗口之后,通过根据预设参数按照倍率减小窗口大小以继续搜索,直到窗口大小小于模板大小。
在进行搜索过程后,对模拟网格进行更新。由于使用了多个三维训练图像,因此,需要集成多个三维训练图像中所获取的候选模板假设三维训练图像的数量为w,则模拟网格中网格u有w个候选模板当前待模拟网格的更新值则取w个候选模板中心网格的属性值中出现次数最多的一个。
在每个迭代中,通常执行几次搜索,而只执行一次更新。对非最精细尺度下的模拟结果进行升采样后再执行EM迭代的过程,直到最终输出最精细尺度下的地质模型,即最优地质模型。
如图9所示,第二实施例提供一种融合深度学习和多点统计学的地质建模装置,包括:图像转换模块21,用于将获取的二维训练图像导入三维模拟网格,得到在三维空间中表示的二维网格图像,并在三维模拟网格中将二维训练图像转换为三维训练图像,得到三维网格图像;数据库建立模块22,用于分别从三维网格图像中提取空间模式数据和深度学习训练数据,建立空间模式数据库和深度学习训练数据集,并从二维网格图像中提取地层层序数据,建立地层层序数据库;模型初建模块23,用于根据三维网格图像构建深度神经网络,利用深度学习训练数据集训练深度神经网络,基于训练后的深度神经网络预测三维网格图像中待模拟网格的目标属性值的曲面网格体,并将曲面网格体中所有待模拟网格的属性值设置为目标属性值,建立初始地质模型;模型校验模块24,用于根据空间模式数据库对初始地质模型进行序贯模拟,得到中间地质模型,并根据地层层序数据库对中间地质模型进行地层层序校验,在校验成功时将中间地质模型作为地质模型,在校验失败时重新进行序贯模拟和地层层序校验直至得到地质模型;模型优化模块25,用于根据三维训练图像对地质模型进行多尺度迭代模拟,得到优化后的地质模型,并在当前尺度达到预设精度且累计迭代次数达到预设迭代次数时,将当前优化后的地质模型作为输出的最优地质模型。
作为示例性地,通过图像转换模块21,预设模拟参数,模拟参数包括模拟尺度的个数、每一模拟尺度的模拟网格的边长尺寸、迭代次数、序贯模拟的模板尺寸、深度神经网络的训练次数等,将用于模拟的多个二维训练图像(2D TIs)导入到三维模拟网格中,得到在三维空间中表示的二维网格图像,并在三维模拟网格中将每一个二维训练图像都转换为三维训练图像(3D TIs),得到三维网格图像。
通过数据库建立模块22,从三维网格图像中提取空间模式数据,建立空间模式数据库,从三维网格图像中提取深度学习训练数据,建立深度学习训练数据集,并从二维网格图像中提取地层层序数据,建立地层层序数据库。
通过模型初建模块23,根据三维网格图像构建深度神经网络,利用深度学习训练数据集训练深度神经网络,基于训练后的深度神经网络预测三维网格图像中待模拟网格的目标属性值的曲面网格体,并将曲面网格体中所有待模拟网格的属性值设置为目标属性值,建立初始地质模型(R0)。其中,目标属性值是三维网格图像中存在的属性值,即已知的属性值。
通过模型校验模块24,根据空间模式数据库对初始地质模型进行序贯模拟,得到中间地质模型,并根据地层层序数据库对中间地质模型进行地层层序校验,若检验成功,则将校验成功的中间地质模型作为地质模型,否则重新根据空间模式数据库对初始地质模型进行序贯模拟,直至得到地质模型(R1)。
通过模型优化模块25,根据三维训练图像对地质模型进行多尺度迭代模拟,得到优化后的地质模型,并在当前尺度达到预设精度且累计迭代次数达到预设迭代次数时,将当前优化后的地质模型作为输出的最优地质模型。
本实施例通过在三维模拟网格中将二维训练图像转换为三维训练图像,得到三维网格图像后,利用深度神经网络提取三维网格图像中的地质结构的全局空间特征来建立初始地质模型,并对初始地质模型进行序贯模拟和地层层序校验,利用多尺度EM迭代最终实现建立最优地质模型,能够融合深度学习和多点统计学进行地质建模,对具有各向异性、方向延展性、非平稳特征的地质体或地质结构进行合理的三维重构,有利于建立精细化的地质模型。
在优选的实施例当中,所述在三维模拟网格中将二维训练图像转换为三维训练图像,得到三维网格图像,具体为:根据二维网格图像中的所有未赋值网格生成第一随机路径;通过第一移动窗口沿第一随机路径依次访问每一未赋值网格,统计在第一移动窗口内且在未赋值网格周边的所有已赋值网格的属性值,将出现次数最多的一属性值作为未赋值网格的属性值;在第一移动窗口遍历所有未赋值网格后,得到三维网格图像。
作为示例性地,为了执行多点统计学序贯模拟过程以及生成深层学习训练数据,通过图像转换模块21,二维训练图像被转换为三维训练图像并导入三维模拟网格(SG)中,其转换过程具体为:首先,将用于模拟的二维训练图像导入到三维模拟网格(SG)中,得到二维网格图像。然后,构建第一随机路径以访问二维网格图像中的所有未赋值网格,网格区域的厚度大于或等于预设模板的长边长度,其扩展过程是沿着三维模拟网格的水平方向逐层展开的,每层使用大小为3×3(个网格)的第一移动窗口来访问第一随机路径中的每一未赋值网格,通过第一移动窗口从未赋值网格周边的所有已赋值网格中选择出现次数最多的属性值作为该未赋值网格的属性值,例如,p和q为待扩展的未赋值网格,当第一移动窗口在未赋值网格p时,统计第一移动窗口中的所有已赋值网格的属性值的出现次数,将出现次数最多的属性值赋值给当前未赋值网格p后,第一移动窗口移动至下一个未赋值网格q进行赋值。最后,重复执行上述操作,直到遍历完第一随机路径中的所有未赋值网格,便可在三维模拟网格中获得厚度约为一个模板大小的三维网格图像。
在优选的实施例当中,所述分别从三维网格图像中提取空间模式数据和深度学习训练数据,建立空间模式数据库和深度学习训练数据集,具体为:通过第二移动窗口访问三维网格图像中的每一网格,计算在第二移动窗口内的所有网格的空间模式的相似度,得到相似度数据;在第二移动窗口遍历三维网格图像中的所有网格后,对所有相似度数据进行模式聚类,得到空间模式数据,建立空间模式数据库;将三维网格图像中存在的属性值作为目标属性值,从三维网格图像中提取与目标属性值对应的网格的顶面高程数据和底面高程数据;对所有顶面高程数据和所有底面高程数据进行归一化处理,得到深度学习训练数据,建立深度学习训练数据库。
作为示例性地,考虑到MPS方法需要利用模板对训练图像进行扫描以获得地质数据的空间模式。为减少扫描训练图像的次数和时间,本实施例通过数据库建立模块22,在构建三维网格图像后,提取地质结构的空间特征并建立空间模式数据库,建立深度学习训练数据集。
搜索模式使用以预设模板的长边长度为边长的正方体作为第二移动窗口,通过第二移动窗口遍历三维网格图像中的所有网格,根据第二移动窗口所获取的各个网格的空间模式之间的相似度进行模式聚类,即可获得模式数据库P。其中,各个网格的空间模式之间的相似度采用汉明距离来计算,即:
式(4)中,l’、m’和n’分别代表模板的高、长和宽,PTI和PR分别为训练图像(TI)和实际地层的空间模式。
根据三维网格图像中的目标属性值Atti,提取其对应的网格(x,y)的最高顶面高程数据hmax(x,y,Atti)与最低底面高程数据hmin(x,y,Atti),遍历三维网格图像中已知数据的网格区域后分别构成顶面高程数据库Hmax(Atti)与底面高程数据库Hmin(Atti),即:
hmax(x,y,Atti)∈Hmax(Atti),hmin(x,y,Atti)∈Hmin(Atti)m,i=1,2,3,…I,x=0,1,2,…m,y=0,1,2,…n,其中,I代表模拟区域内的属性总数,m和n分别代表初始尺度下模拟网格的长和宽,对所有顶面高程数据和所有底面高程数据进行归一化处理,得到深度学习训练数据,建立深度学习训练数据库。
在优选的实施例当中,所述从二维网格图像中提取地层层序数据,建立地层层序数据库,具体为:按照从顶部到底部的扫描顺序扫描二维网格图像,获取二维网格图像中的所有网格的属性值;将二维网格图像中的所有网格的属性值整理为有序数列,得到地层层序数据,建立地层层序数据库。
作为示例性地,通过数据库建立模块22,对二维网格图像,即所有二维训练图像,从顶部到底部,逐个像素扫描后将各个网格的属性值整理为有序数列的形式,即可获得各个网格所在位置的地层层序数据,扫描所有二维训练图像以提取可能存在的地层层序,合并归类后,获得的有序合集即为地层层序数据库Ds。
在优选的实施例当中,所述根据三维网格图像构建深度神经网络,利用深度学习训练数据集训练深度神经网络,具体为:分别根据三维网格图像的顶面高程数据和底面高程数据,构建顶面深度神经网络和底面深度神经网络,利用深度学习训练数据集训练顶面深度神经网络和底面深度神经网络;当累计训练次数达到预设训练次数或网络损失小于预设损失值时,停止训练顶面深度神经网络和底面深度神经网络,得到训练后的顶面深度神经网络和训练后的底面深度神经网络。
作为示例性地,通过模型初建模块23,针对地质属性的顶面高程数据序列和底面高程数据序列,分别对应地构建顶面深度神经网络Mmax(i)和底面深度神经网络Mmin(i),用于学习其分布特点。将Hmax(Atti)和Hmin(Atti)的值进行归一化处理后作为深度学习训练数据训练顶面深度神经网络Mmax(i)和底面深度神经网络Mmin(i),即模拟网格的坐标(x,y)作为输入数据,(x,y)的地质属性值Atti所对应的hmax(x,y,Atti)与hmin(x,y,Atti)作为标签,对顶面深度神经网络Mmax(i)和底面深度神经网络Mmin(i)进行训练。其中,两个深度神经网络的损失函数可统一表达为:
式(5)中,max和min分别代表地质属性埋深的最大值和最小值,hk′(x,y,Atti)是输入为(x,y)时深层神经网络的输出结果,m和n为模拟网格在x和y方向大小。
深度神经网络可采用BP神经网络,包含8个隐藏层,总共261451个参数。模拟的epoch上限为10000次,当网络损失值稳定小于预设损失值0.5×10-5时,提前终止训练。对于每个地质属性值Atti,都可以获得训练后的顶面深度神经网络Mmax(i)及其对应的底面深度神经网络Mmin(i)。
在优选的实施例当中,所述基于训练后的深度神经网络预测三维网格图像中待模拟网格的目标属性值的曲面网格体,并将曲面网格体中所有待模拟网格的属性值设置为目标属性值,建立初始地质模型,具体为:将三维网格图像中的每一待模拟网格的坐标分别输入训练后的顶面深度神经网络和训练后的底面深度神经网络,得到目标属性值在待模拟网格的顶面高程数据和底面高程数据;根据所有待模拟网格的顶面高程数据和底面高程数据,得到顶面和底面之间的曲面网格体,将曲面网格体中的所有待模拟网格的属性值设置为目标属性值,建立初始地质模型。
作为示例性地,通过模型初建模块23,在获得训练后的顶面深度神经网络Mmax(i)及其对应的底面深度神经网络Mmin(i)后,遍历三维网格图像,获取三维网格图像中的所有待模拟网格的坐标,将每一待模拟网格的坐标(x,y)输入Mmax(i)和Mmin(i)中,即可分别预测目标属性值Atti在该坐标下的顶、底面高程数据hk′(x,y,Atti)。在完成遍历之后可获得三维模拟网格范围内目标属性值Atti的顶面和底面的曲面模型,即顶面和底面之间的曲面网格体。
将目标属性值Atti的顶底面导入三维模拟网格中,将顶底面高程数据hk′(x,y,Atti)之间的待模拟网格都填充为该目标属性值Atti,即对模拟地质结构面之间的网格进行填充,获得由深度学习构建的地质属性Atti的初始地质模型。
需要注意的是,在使用深度神经网络进行三维模拟的过程中,首先对与各个地层有错切关系的破碎带进行模拟,然后再模拟其他地质属性。当其他地质属性的模拟结果相冲突时,将冲突的网格还原为待模拟网格。对三维网格图像中存在的所有地质属性Atti都执行上述操作,直到三维网格图像中所有地质属性模拟完毕,即可获得初始地质模型R0。
在优选的实施例当中,所述根据空间模式数据库对初始地质模型进行序贯模拟,得到中间地质模型,具体为:根据初始地质模型中的所有待模拟网格生成第二随机路径;沿第二随机路径依次访问每一待模拟网格,根据以待模拟网格为中心的模板与初始地质模型中的已模拟网格的重叠区域,从空间模式数据库中筛选若干个候选模板;从所有候选模板中选择一个作为目标模板,将目标模板粘贴至以待模拟网格为中心的模板处,得到中间地质模型。
作为示例性地,由于在利用深度神经网络全局提取三维网格图像中的地质结构的空间特征来建立初始地质模型的过程中,未考虑到各地质对象之间的局部拓扑及语义关系,导致建立的初始地质模型R0中依然存在部分未赋值网格,甚至可能存在一定的地层层序错误。因此,本实施例通过模型校验模块24,结合地层层序数据库与空间模式数据库,采用序贯模拟来对初始地质模型R0进行完善,具体过程如下:
1、定义第二随机路径来遍历初始地质模型R0中的所有待模拟网格;
2、根据第二随机路径上以当前访问的待模拟网格为中心的模板与初始地质模型中的已模拟网格的重叠区域,在空间模式数据库P中搜索一定数量,即满足预设个数Q的候选模板,根据这些候选模板与以当前访问的待模拟网格为中心的模板之间的距离使用反距离方法确定每个候选模板被选上的概率即:
依照这些候选模板被选上的概率从中选择一个,粘贴至初始地质模型R0中以当前访问的待模拟网格为中心的模板处;
3、重复上述步骤,直到完成遍历路径,得到中间地质模型R1’。
在优选的实施例当中,所述根据地层层序数据库对中间地质模型进行地层层序校验,在校验成功时将中间地质模型作为地质模型,具体为:提取中间地质模型中的每一待模拟网格的地层层序数据,并将待模拟网格的地层层序数据与地层层序数据库中的地层层序数据匹配,若匹配成功,则将中间地质模型作为地质模型。
作为示例性地,通过模型校验模块24,遍历中间地质模型R1’中的所有待模拟网格,对待模拟网格(x,y)所处的区域,以有序数列的形式提取其地层层序数据sx,y,并将地层层序数据sx,y与地层层序数据库Ds中的地层层序数据匹配,当且sx,y也不为Ds中任一数列的非空子集时,即代表当前坐标下垂直区域的地层层序错误,此时应对该网格重新进行序贯模拟,直到中间地质模型R1’中不存在地层层序错误,即可输出地质模型R1。
在优选的实施例当中,所述根据三维训练图像对地质模型进行多尺度迭代模拟,具体为:结合多尺度策略,采用EM-like算法对地质模型进行多次迭代模拟。
作为示例性地,通过模型优化模块25,在每个尺度的模拟中,首先获取该尺度下的三维训练图像,再对地质模型R1升采样后的模型R2’执行多次迭代,其中每个迭代过程都包括搜索过程和更新过程。
在搜索过程中,地质模型R1升采样后的模型R2’中的每个网格u∈R被随机分配一个从三维训练图像中随机抽取的候选模板并计算该候选模板与初始地质模型中以该网格为中心的模板之间的相似度,然后参考改进后的Patch Match方法(Yang et al.,2016),通过两个步骤实现搜索过程:第一步是传播过程,对每个网格u,计算网格u周边的网格un的候选模板与模板之间的相似度,选择其中具有相似度最大值的模板作为新的第二步是随机过程,对每个网格u,以其候选模板在三维网格图像中的网格为中心设置搜索窗口,在该搜索窗口中的随机提取一个模板与当前候选模板比较其与之间的距离。如果存在与更相似的模板则将作为新的在搜索每个窗口之后,通过根据预设参数按照倍率减小窗口大小以继续搜索,直到窗口大小小于模板大小。
在进行搜索过程后,对模拟网格进行更新。由于使用了多个三维训练图像,因此,需要集成多个三维训练图像中所获取的候选模板假设三维训练图像的数量为w,则模拟网格中网格u有w个候选模板当前待模拟网格的更新值则取w个候选模板中心网格的属性值中出现次数最多的一个。
在每个迭代中,通常执行几次搜索,而只执行一次更新。对非最精细尺度下的模拟结果进行升采样后再执行EM迭代的过程,直到最终输出最精细尺度下的地质模型,即最优地质模型。
综上所述,实施本发明的实施例,具有如下有益效果:
通过将获取的二维训练图像导入三维模拟网格,得到在三维空间中表示的二维网格图像,并在三维模拟网格中将二维训练图像转换为三维训练图像,得到三维网格图像,分别从三维网格图像中提取空间模式数据和深度学习训练数据,建立空间模式数据库和深度学习训练数据集,并从二维网格图像中提取地层层序数据,建立地层层序数据库,根据三维网格图像构建深度神经网络,利用深度学习训练数据集训练深度神经网络,基于训练后的深度神经网络预测三维网格图像中待模拟网格的目标属性值的曲面网格体,并将曲面网格体中所有待模拟网格的属性值设置为目标属性值,建立初始地质模型,根据空间模式数据库对初始地质模型进行序贯模拟,得到中间地质模型,并根据地层层序数据库对中间地质模型进行地层层序校验,在校验成功时将中间地质模型作为地质模型,在校验失败时重新进行序贯模拟和地层层序校验直至得到地质模型,根据三维训练图像对地质模型进行多尺度迭代模拟,得到优化后的地质模型,并在当前尺度达到预设精度且累计迭代次数达到预设迭代次数时,将当前优化后的地质模型作为输出的最优地质模型,实现建立最优地质模型。本发明的实施例通过在三维模拟网格中将二维训练图像转换为三维训练图像,得到三维网格图像后,利用深度神经网络提取三维网格图像中的地质结构的全局空间特征来建立初始地质模型,并对初始地质模型进行序贯模拟和地层层序校验,利用多尺度EM迭代最终实现建立最优地质模型,能够融合深度学习和多点统计学进行地质建模,对具有各向异性、方向延展性、非平稳特征的地质体或地质结构进行合理的三维重构,有利于建立精细化的地质模型。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
Claims (6)
1.一种融合深度学习和多点统计学的地质建模方法,其特征在于,包括:
将获取的二维训练图像导入三维模拟网格,得到在三维空间中表示的二维网格图像,并在所述三维模拟网格中将所述二维训练图像转换为三维训练图像,得到三维网格图像;
所述在所述三维模拟网格中将所述二维训练图像转换为三维训练图像,得到三维网格图像,具体为:
根据所述二维网格图像中的所有未赋值网格生成第一随机路径;
通过第一移动窗口沿所述第一随机路径依次访问每一所述未赋值网格,统计在所述第一移动窗口内且在所述未赋值网格周边的所有已赋值网格的属性值,将出现次数最多的一属性值作为所述未赋值网格的属性值;
在所述第一移动窗口遍历所有所述未赋值网格后,得到所述三维网格图像;
分别从所述三维网格图像中提取空间模式数据和深度学习训练数据,建立空间模式数据库和深度学习训练数据集,并从所述二维网格图像中提取地层层序数据,建立地层层序数据库;
根据所述三维网格图像构建深度神经网络,利用所述深度学习训练数据集训练所述深度神经网络,基于训练后的深度神经网络预测所述三维网格图像中待模拟网格的目标属性值的曲面网格体,并将所述曲面网格体中所有待模拟网格的属性值设置为所述目标属性值,建立初始地质模型;
所述根据所述三维网格图像构建深度神经网络,利用所述深度学习训练数据集训练所述深度神经网络,具体为:
分别根据所述三维网格图像的顶面高程数据和底面高程数据,构建顶面深度神经网络和底面深度神经网络,利用所述深度学习训练数据集训练所述顶面深度神经网络和所述底面深度神经网络;
当累计训练次数达到预设训练次数或网络损失小于预设损失值时,停止训练所述顶面深度神经网络和所述底面深度神经网络,得到训练后的顶面深度神经网络和训练后的底面深度神经网络;
所述基于训练后的深度神经网络预测所述三维网格图像中待模拟网格的目标属性值的曲面网格体,并将所述曲面网格体中所有待模拟网格的属性值设置为所述目标属性值,建立初始地质模型,具体为:
将所述三维网格图像中的每一待模拟网格的坐标分别输入所述训练后的顶面深度神经网络和所述训练后的底面深度神经网络,得到所述目标属性值在所述待模拟网格的顶面高程数据和底面高程数据;
根据所有所述待模拟网格的顶面高程数据和底面高程数据,得到顶面和底面之间的所述曲面网格体,将所述曲面网格体中的所有待模拟网格的属性值设置为所述目标属性值,建立所述初始地质模型;
根据所述空间模式数据库对所述初始地质模型进行序贯模拟,得到中间地质模型,并根据所述地层层序数据库对所述中间地质模型进行地层层序校验,在校验成功时将所述中间地质模型作为地质模型,在校验失败时重新进行序贯模拟和地层层序校验直至得到所述地质模型;
根据所述三维训练图像对所述地质模型进行多尺度迭代模拟,得到优化后的地质模型,并在当前尺度达到预设精度且累计迭代次数达到预设迭代次数时,将当前所述优化后的地质模型作为输出的最优地质模型。
2.如权利要求1所述的融合深度学习和多点统计学的地质建模方法,其特征在于,所述分别从所述三维网格图像中提取空间模式数据和深度学习训练数据,建立空间模式数据库和深度学习训练数据集,具体为:
通过第二移动窗口访问所述三维网格图像中的每一网格,计算在所述第二移动窗口内的所有网格的空间模式的相似度,得到相似度数据;
在所述第二移动窗口遍历所述三维网格图像中的所有网格后,对所有所述相似度数据进行模式聚类,得到所述空间模式数据,建立所述空间模式数据库;
将所述三维网格图像中存在的属性值作为所述目标属性值,从所述三维网格图像中提取与所述目标属性值对应的网格的顶面高程数据和底面高程数据;
对所有所述顶面高程数据和所有所述底面高程数据进行归一化处理,得到所述深度学习训练数据,建立所述深度学习训练数据库。
3.如权利要求1所述的融合深度学习和多点统计学的地质建模方法,其特征在于,所述从所述二维网格图像中提取地层层序数据,建立地层层序数据库,具体为:
按照从顶部到底部的扫描顺序扫描所述二维网格图像,获取所述二维网格图像中的所有网格的属性值;
将所述二维网格图像中的所有网格的属性值整理为有序数列,得到所述地层层序数据,建立所述地层层序数据库。
4.如权利要求1所述的融合深度学习和多点统计学的地质建模方法,其特征在于,所述根据所述空间模式数据库对所述初始地质模型进行序贯模拟,得到中间地质模型,具体为:
根据所述初始地质模型中的所有待模拟网格生成第二随机路径;
沿所述第二随机路径依次访问每一所述待模拟网格,根据以所述待模拟网格为中心的模板与所述初始地质模型中的已模拟网格的重叠区域,从所述空间模式数据库中筛选若干个候选模板;
根据所有所述候选模板与以当前访问的所述待模拟网格为中心的模板之间的距离,使用反距离方法确定每一所述候选模板的选中概率;
根据所有所述候选模板的选中概率,从所有所述候选模板中选择一个作为目标模板,将所述目标模板粘贴至所述以所述待模拟网格为中心的模板处,得到所述中间地质模型。
5.如权利要求1所述的融合深度学习和多点统计学的地质建模方法,其特征在于,所述根据所述地层层序数据库对所述中间地质模型进行地层层序校验,在校验成功时将所述中间地质模型作为地质模型,具体为:
提取所述中间地质模型中的每一待模拟网格的地层层序数据,并将所述待模拟网格的地层层序数据与所述地层层序数据库中的地层层序数据匹配,若匹配成功,则将所述中间地质模型作为地质模型。
6.一种融合深度学习和多点统计学的地质建模装置,其特征在于,包括:
图像转换模块,用于将获取的二维训练图像导入三维模拟网格,得到在三维空间中表示的二维网格图像,并在所述三维模拟网格中将所述二维训练图像转换为三维训练图像,得到三维网格图像;
所述在所述三维模拟网格中将所述二维训练图像转换为三维训练图像,得到三维网格图像,具体为:
根据所述二维网格图像中的所有未赋值网格生成第一随机路径;
通过第一移动窗口沿所述第一随机路径依次访问每一所述未赋值网格,统计在所述第一移动窗口内且在所述未赋值网格周边的所有已赋值网格的属性值,将出现次数最多的一属性值作为所述未赋值网格的属性值;
在所述第一移动窗口遍历所有所述未赋值网格后,得到所述三维网格图像;
数据库建立模块,用于分别从所述三维网格图像中提取空间模式数据和深度学习训练数据,建立空间模式数据库和深度学习训练数据集,并从所述二维网格图像中提取地层层序数据,建立地层层序数据库;
模型初建模块,用于根据所述三维网格图像构建深度神经网络,利用所述深度学习训练数据集训练所述深度神经网络,基于训练后的深度神经网络预测所述三维网格图像中待模拟网格的目标属性值的曲面网格体,并将所述曲面网格体中所有待模拟网格的属性值设置为所述目标属性值,建立初始地质模型;
所述根据所述三维网格图像构建深度神经网络,利用所述深度学习训练数据集训练所述深度神经网络,具体为:
分别根据所述三维网格图像的顶面高程数据和底面高程数据,构建顶面深度神经网络和底面深度神经网络,利用所述深度学习训练数据集训练所述顶面深度神经网络和所述底面深度神经网络;
当累计训练次数达到预设训练次数或网络损失小于预设损失值时,停止训练所述顶面深度神经网络和所述底面深度神经网络,得到训练后的顶面深度神经网络和训练后的底面深度神经网络;
所述基于训练后的深度神经网络预测所述三维网格图像中待模拟网格的目标属性值的曲面网格体,并将所述曲面网格体中所有待模拟网格的属性值设置为所述目标属性值,建立初始地质模型,具体为:
将所述三维网格图像中的每一待模拟网格的坐标分别输入所述训练后的顶面深度神经网络和所述训练后的底面深度神经网络,得到所述目标属性值在所述待模拟网格的顶面高程数据和底面高程数据;
根据所有所述待模拟网格的顶面高程数据和底面高程数据,得到顶面和底面之间的所述曲面网格体,将所述曲面网格体中的所有待模拟网格的属性值设置为所述目标属性值,建立所述初始地质模型;
模型校验模块,用于根据所述空间模式数据库对所述初始地质模型进行序贯模拟,得到中间地质模型,并根据所述地层层序数据库对所述中间地质模型进行地层层序校验,在校验成功时将所述中间地质模型作为地质模型,在校验失败时重新进行序贯模拟和地层层序校验直至得到所述地质模型;
模型优化模块,用于根据所述三维训练图像对所述地质模型进行多尺度迭代模拟,得到优化后的地质模型,并在当前尺度达到预设精度且累计迭代次数达到预设迭代次数时,将当前所述优化后的地质模型作为输出的最优地质模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111224702.4A CN113963123B (zh) | 2021-10-20 | 2021-10-20 | 一种融合深度学习和多点统计学的地质建模方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111224702.4A CN113963123B (zh) | 2021-10-20 | 2021-10-20 | 一种融合深度学习和多点统计学的地质建模方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113963123A CN113963123A (zh) | 2022-01-21 |
CN113963123B true CN113963123B (zh) | 2022-08-23 |
Family
ID=79465774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111224702.4A Active CN113963123B (zh) | 2021-10-20 | 2021-10-20 | 一种融合深度学习和多点统计学的地质建模方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113963123B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958470B (zh) * | 2023-07-25 | 2024-05-07 | 中山大学 | 一种融合马尔可夫链和多点统计学的地质建模方法和装置 |
CN117217095B (zh) * | 2023-10-13 | 2024-05-28 | 西南石油大学 | 一种基于深度学习求取地质属性建模中变差函数的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886216A (zh) * | 2014-04-04 | 2014-06-25 | 中国石油大学(北京) | 一种基于地质矢量信息的多点地质统计方法 |
CN107818348A (zh) * | 2017-11-09 | 2018-03-20 | 上海电力学院 | 基于深度学习的空间数据随机模拟方法 |
WO2021051050A1 (en) * | 2019-09-12 | 2021-03-18 | Schlumberger Technology Corporation | Generating geological facies models with fidelity to the diversity and statistics of training images using improved generative adversarial networks |
-
2021
- 2021-10-20 CN CN202111224702.4A patent/CN113963123B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886216A (zh) * | 2014-04-04 | 2014-06-25 | 中国石油大学(北京) | 一种基于地质矢量信息的多点地质统计方法 |
CN107818348A (zh) * | 2017-11-09 | 2018-03-20 | 上海电力学院 | 基于深度学习的空间数据随机模拟方法 |
WO2021051050A1 (en) * | 2019-09-12 | 2021-03-18 | Schlumberger Technology Corporation | Generating geological facies models with fidelity to the diversity and statistics of training images using improved generative adversarial networks |
Non-Patent Citations (3)
Title |
---|
利用二维训练图像进行三维多点地质统计学模拟;A.Comunian等;《油气地球物理》;20130430;第11卷(第02期);第80-84页 * |
基于二维地质剖面的三维地质结构多点统计学模拟方法;郑天成等;《吉林大学学报(地球科学版)》;20190930;第49卷(第5期);第1497-1504页 * |
深度学习在地质储层属性预测中的应用研究;侯晓琳;《计算机应用与软件》;20200430;第37卷(第4期);第41-46页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113963123A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Arpat et al. | Conditional simulation with patterns | |
CN113963123B (zh) | 一种融合深度学习和多点统计学的地质建模方法及装置 | |
WO2021147529A1 (zh) | 基于更新概率比率恒定理论的多点地质统计叠前反演方法 | |
CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
CN108416841B (zh) | 基于局部搜索策略的多点统计三维地质模型自动重构方法 | |
CN110609320B (zh) | 一种基于多尺度特征融合的叠前地震反射模式识别方法 | |
US20110251833A1 (en) | Deterministic version of the multiple point geostatistics simulation/reconstruction method with the simulated/reconstructed values are directly taken from the training images without prior estimation of the conditional | |
CN110516724A (zh) | 可视化作战场景的高性能多层字典学习特征图像处理方法 | |
CN117593653B (zh) | 基于遥感监测的地质灾害预警方法 | |
CN108561127A (zh) | 一种基于随机模拟的地层压力预测方法 | |
CN102651144A (zh) | 一种地质体线性八叉树快速动态生成的方法 | |
CN114626886A (zh) | 一种调查问卷数据分析方法及系统 | |
Blunck et al. | In-place algorithms for computing (layers of) maxima | |
RU2718409C1 (ru) | Система восстановления трехмерной структуры образца породы | |
Xu | Deep mining method for high-dimensional big data based on association rule | |
CN118279507A (zh) | 融合多源异构数据的三维地质结构建模方法 | |
Mohammadmoradi et al. | Modified FILTERSIM Algorithm for Unconditional Simulation of Complex Spatial Geological Structures | |
EP3579026B1 (en) | Method of characterising a subsurface region using multiple point statistics | |
CN116958470B (zh) | 一种融合马尔可夫链和多点统计学的地质建模方法和装置 | |
CN108537883A (zh) | 一种基于MapReduce框架的地质建模方法 | |
CN117633658B (zh) | 岩石储层岩性识别方法及系统 | |
Avalos et al. | Multiple-point statistics: tools and methods | |
Hassaan et al. | Point cloud segmentation using hierarchical tree for architectural models | |
Guo et al. | A column searching-based multiple-point statistics for efficient image generation | |
Qiu et al. | A mineral resources quantitative assessment and 3D visualization system |
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 |