CN114036829B - 地质剖面图生成方法、系统、设备及存储介质 - Google Patents
地质剖面图生成方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN114036829B CN114036829B CN202111288646.0A CN202111288646A CN114036829B CN 114036829 B CN114036829 B CN 114036829B CN 202111288646 A CN202111288646 A CN 202111288646A CN 114036829 B CN114036829 B CN 114036829B
- Authority
- CN
- China
- Prior art keywords
- geological profile
- drilling
- virtual
- profile
- generator
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Abstract
本申请涉及一种地质剖面图生成方法、系统、设备及存储介质,方法包括:构建地质剖面图和钻孔数据的训练样本集;构建GCN网络的提取模型,将钻孔数据样本集输入提取模型,得到钻孔数据样本集的全局空间相关性特征;以CNN为框架,构建GAN网络结构的生成器和判别器,生成器用于以钻孔数据样本集为输入,以相应的全局空间相关性特征为约束,生成虚拟地质剖面图,判别器用于优化虚拟地质剖面图;对生成器以及判别器进行交替训练,直至虚拟地质剖面图的精度达到预设值时停止训练;将待测区域的实际钻孔数据输入训练好的生成器以及判别器,生成待测区域的虚拟地质剖面图。本申请具有地质剖面图生成精度高的技术效果。
Description
技术领域
本申请涉及测绘科学技术领域,尤其是涉及一种地质剖面图生成方法、系统、设备及存储介质。
背景技术
随着智慧城市和新型城镇化建设不断推进,很多城市在当前建设的基础上,需要开展“地下空间、资源、环境、灾害”等多要素的城市地质综合调查,构建全市域、重点区、示范区以及精品区四个尺度的三维地质模型,实现城市地下空间的透明化,以有效支撑地下空间资源的协同开发利用,最终实现精准支撑城市地下资源科学和综合开发利用的目标。
地质剖面图是反映地层结构和岩体属性特征的重要成果图件,是地层在垂向上最直观最有效的表达方式。它直观且形象得表达了地层结构构造和沉积规律,是系统分析区域或局部的地质条件、正确指导地下资源的开发利用以及决策相关工程的实施和建设的依据之一。
传统的地质剖面图生成的方法有基于人工绘制的方法、基于三维模型的剖切方法以及基于GIS的剖面图自动生成方法。其中,基于人工绘制的方法以地质专家的先验知识作为依据,但会耗费大量的时间和人力物力;基于三维地质模型剖切的方法中地质模型由钻孔等一手数据资料生成,精度存在一定的误差,在剖切过程中剖面图的精度具有很大的不确定性;基于GIS的剖面图自动生成方法相较于前者具有自动化及精度较优的优点,但其更多针对某一个研究区域,不具有普适性。随着深度学习技术的快速发展,地质领域的相关研究学者选择使用卷积神经网络(CNN)的相关模型对地质剖面图、三维地质模型等进行生成,受限于感受野智能随着网络深度缓慢线性增加的影响,导致网络难以捕捉到大范围的全局空间相关性信息,降低了相关成果图件的精度。如何更好的利用大范围内多钻孔地层属性的空间相关性信息,以优化地质剖面图的生成结果目前尚无相关解决方案。
发明内容
有鉴于此,本申请提供一种地质剖面图生成方法、系统、设备及存储介质,用以解决神经网络难以捕捉到大范围的全局空间相关性信息,导致地质剖面图生成精度低的技术问题。
为了解决上述问题,第一方面,本发明提供一种地质剖面图生成方法,包括以下步骤:
构建地质剖面图和钻孔数据的训练样本集;
构建GCN网络的提取模型,将所述钻孔数据样本集输入所述提取模型,得到钻孔数据样本集的全局空间相关性特征;
以CNN为框架,构建GAN网络结构的生成器,所述生成器用于以所述钻孔数据样本集为输入,以相应的全局空间相关性特征为约束,生成虚拟地质剖面图;
以CNN为框架,构建GAN网络结构的判别器,所述判别器用于对所述虚拟地质剖面图和地质剖面图样本集中相应的实际地质剖面图进行对比,以优化所述虚拟地质剖面图;
对所述生成器以及所述判别器进行交替训练,直至虚拟地质剖面图的精度达到预设值时停止训练;
将待测区域的实际钻孔数据输入训练好的生成器以及判别器,生成待测区域的虚拟地质剖面图。
可选的,构建地质剖面图和钻孔数据的训练样本集,具体为:
收集实际钻孔数据以及相应的实际地质剖面图;
设置地层属性编码,并为每一地层属性编码设置相应的类别值,根据所述类别值为每一个地层属性设置相应的灰度值;
基于每一地层属性的灰度值,根据所述实际钻孔数据生成与所述实际地质剖面图范围相同的钻孔图像;
采用预设尺寸的窗口分别在所述实际地质剖面图中和所述钻孔图像中以预设步长进行滑动,将所述实际地质剖面图和所述钻孔图像分割为多个存在重叠区域的图像数据,得到实际地质剖面图数据集和实际钻孔图像数据集;
根据实际地质剖面图数据集构建虚拟钻孔图像数据集;
将所述实际地质剖面图数据集以及虚拟钻孔图像数据集按照设定比例划分为训练集和测试集,将实际地质剖面图数据集和实际钻孔图像数据集作为验证集,得到地质剖面图和钻孔数据的训练样本集。
可选的,构建GCN网络的提取模型,将所述钻孔数据样本集输入所述提取模型,得到钻孔数据样本集的全局空间相关性特征,具体为:
针对所述钻孔数据样本集中地层属性未知的钻孔点,计算其与各地层属性已知的钻孔点之间的距离,选取距离最近的设定个数的地层属性已知的钻孔点,作为与地层属性未知的钻孔点具有邻接关系的邻近点,基于所述邻近点获取钻孔地层属性的全局空间相关性的邻接矩阵,并根据各所述邻接点的地层属性获取与所述全局相关性邻接矩阵对应的特征矩阵;
将所述邻接矩阵和所述特征矩阵输入所述提取模型,得到所述全局空间相关性特征。
可选的,基于所述邻近点获取钻孔地层属性的全局空间相关性的邻接矩阵,还包括:
根据拉普拉斯算子方式对所述邻接矩阵进行规范化。
可选的,所述生成器用于以所述钻孔数据样本集为输入,以相应的全局空间相关性特征为约束,生成虚拟地质剖面图,具体为:
所述生成器用于对所述钻孔数据样本集进行一层卷积后的结果进行横向连接,然后进行卷积和归一化操作,得到虚拟地质剖面图插值结果,并将所述虚拟地质剖面图插值结果输入argmax函数生成所述虚拟地质剖面图。
可选的,对所述生成器以及所述判别器进行交替训练,直至虚拟地质剖面图的精度达到预设值时停止训练,具体为:
组合所述生成器和所述判别器得到组合CGAN网络,对所述生成器以及所述判别器进行交替训练,生成器与判别器在训练中对抗博弈直至平衡,采用损失函数衡量所述组合CGAN网络精度,在损失值收敛时停止训练。
可选的,所述组合CGAN网络中生成器与判别器对抗博弈,具体为:
利用所述生成器生成一次虚拟地质剖面图,利用所述判别器对所述虚拟地质剖面图进行判断,构建损失函数计算判别器的判别损失值,利用所述判别损失值对所述判别器进行优化;
保持判别器不变,利用生成器再次生成虚拟地质剖面图,构建损失函数计算生成器的生成损失值,利用所述生成损失值对所述生成器进行优化。
第二方面,本申请还提供一种地质剖面图生成系统,所述系统包括:
样本集模块,用于构建地质剖面图和钻孔数据的训练样本集;
提取模块,用于构建GCN网络的提取模型,将所述钻孔数据样本集输入所述提取模型,得到钻孔数据样本集的全局空间相关性特征;
建模训练模块,用于以CNN为框架,构建GAN网络结构的生成器,所述生成器用于以所述钻孔数据样本集为输入,以相应的全局空间相关性特征为约束,生成虚拟地质剖面图;以CNN为框架,构建GAN网络结构的判别器,所述判别器用于对所述虚拟地质剖面图和地质剖面图样本集中相应的实际地质剖面图进行对比,以优化所述虚拟地质剖面图;对所述生成器以及所述判别器进行交替训练,直至虚拟地质剖面图的精度达到预设值时停止训练;
生成模块,用于将待测区域的实际钻孔数据输入训练好的生成器以及判别器,生成待测区域的虚拟地质剖面图。
第三方面,本申请提供的一种计算机设备,采用如下的技术方案:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述地质剖面图生成方法的步骤。
第四方面,本申请提供的一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述地质剖面图生成方法的步骤。
本发明的有益效果是:本发明提供了一种基于全局空间相关性约束的地质剖面图生成方法,提取钻孔数据的全局空间相关性特征,使用GCN网络对全局空间相关性进行初步提取使用,作为条件约束输入生成器中生成初步的虚拟地质剖面图,后在生成器与判别器的对抗中生成最佳精度的虚拟地质剖面图。本发明对钻孔的全局空间相关性信息进行有效利用,实现以相同的钻孔输入获取更高精度的地质剖面图,进而提升其应用价值。
附图说明
图1为本申请提供的地质剖面图生成方法一实施例的方法流程图;
图2为本申请提供的地质剖面图生成方法一实施例的模型结构图。
具体实施方式
下面结合附图来具体描述本申请的优选实施例,其中,附图构成本申请一部分,并与本申请的实施例一起用于阐释本申请的原理,并非用于限定本申请的范围。
在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请提供了一种地质剖面图生成方法、系统、设备、计算机设备及存储介质,以下分别进行详细说明。
首先,如图1所示,本申请实施例提供了一种地质剖面图生成方法,包括以下步骤:
S1、构建地质剖面图和钻孔数据的训练样本集;
S2、构建GCN网络的提取模型,将所述钻孔数据样本集输入所述提取模型,得到钻孔数据样本集的全局空间相关性特征;
S3、以CNN为框架,构建GAN网络结构的生成器,所述生成器用于以所述钻孔数据样本集为输入,以相应的全局空间相关性特征为约束,生成虚拟地质剖面图;
S4、以CNN为框架,构建GAN网络结构的判别器,所述判别器用于对所述虚拟地质剖面图和地质剖面图样本集中相应的实际地质剖面图进行对比,以优化所述虚拟地质剖面图;
S5、对所述生成器以及所述判别器进行交替训练,直至虚拟地质剖面图的精度达到预设值时停止训练;
S6、将待测区域的实际钻孔数据输入训练好的生成器以及判别器,生成待测区域的虚拟地质剖面图。
本实施例首先构建训练样本集用于神经网络的训练,随后在训练神经网络之间,先构建提取模型,对钻孔数据的全局空间相关性特征进行提取,以全局空间相关性特征作为约束,对后续生成器对虚拟地质剖面图的生成进行约束,使得生成器能够捕捉到大范围的全局空间相关性信息,生成精度更高的虚拟地质剖面图。神经网络模型的构建,以CNN为框架,构建GAN网络结构的生成器,以钻孔数据样本集为输入,以钻孔数据的全局空间相关性特征为约束,生成虚拟地质剖面图;以CNN为框架,构建GAN网络结构的判别器,以虚拟地质剖面图与实际地质剖面图进行对比,以优化虚拟地质剖面图;生成器与判别器交替进行训练,直到二者达到平衡,生成的虚拟地质剖面图的精度达到预设值时,整体网络模型停止训练,获取到最终的与输入的实际剖面图较接近的虚拟地质剖面图生成。
本实施例提取钻孔数据的全局空间相关性特征,使用GCN网络对全局空间相关性进行初步提取使用,作为条件约束输入生成器中生成初步的虚拟地质剖面图,后在生成器与判别器的对抗中生成最佳精度的虚拟地质剖面图。本发明对钻孔的全局空间相关性信息进行有效利用,实现以相同的钻孔输入获取更高精度的地质剖面图,进而提升其应用价值。
在一实施例中,构建地质剖面图和钻孔数据的训练样本集,具体为:
收集实际钻孔数据以及相应的实际地质剖面图;
设置地层属性编码,并为每一地层属性编码设置相应的类别值,根据所述类别值为每一个地层属性设置相应的灰度值;
基于每一地层属性的灰度值,根据所述实际钻孔数据生成与所述实际地质剖面图范围相同的钻孔图像;
采用预设尺寸的窗口分别在所述实际地质剖面图中和所述钻孔图像中以预设步长进行滑动,将所述实际地质剖面图和所述钻孔图像分割为多个存在重叠区域的图像数据,得到实际地质剖面图数据集和实际钻孔图像数据集;
根据实际地质剖面图数据集构建虚拟钻孔图像数据集;
将所述实际地质剖面图数据集以及虚拟钻孔图像数据集按照设定比例划分为训练集和测试集,将实际地质剖面图数据集和实际钻孔图像数据集作为验证集,得到地质剖面图和钻孔数据的训练样本集。
具体的,根据已有的先验知识,统一规范地层属性编码,给予统一的类别值,并按照1V1的对照关系为每一个地层属性设置可视化剖面图中的灰度值。为了统一标准,本实施例中地层属性类别与灰度值的对应关系式如下:
Valuei=(Classi-1)×20+1;
其中,i表示地层属性编码进行reshape一维排列后的位置,Classi表示点i的类别值,Valuei表示点i的灰度值。
根据规范后的数据库格式(.mdb)的钻孔数据,生成与现有地质剖面图相同范围的钻孔图像;
以预设尺寸和预设步长的窗口在地质剖面图和钻孔图像中滑动,将二者统一分割成有一定重叠的预设尺寸的图像数据;
使用构建好的实际地质剖面图数据集构建虚拟钻孔图像数据集,以丰富样本数据集。构建虚拟钻孔图像的方式为:将实际地质剖面图中所选择的虚拟列钻孔保留原始类别及像素值,而其余未选择处设置为0,公式如下:
其中,Valuei'表示所选择的虚拟钻孔的灰度值,Valuei表示所选择的虚拟钻孔在实际地质剖面图中的灰度值,Columnselect表示所选择的虚拟钻孔在实际地质剖面图中的列数,otherwise表示其它情形。
对实际地质剖面图数据集和虚拟钻孔图像数据集按照17:3(≈5:1)的比例构建训练集和测试集,即样本集中85%的数据作为训练集,15%的数据作为测试集。同时,将实际地质剖面图数据集和实际钻孔图像数据集作为验证集。
在一实施例中,构建GCN网络的提取模型,将所述钻孔数据样本集输入所述提取模型,得到钻孔数据样本集的全局空间相关性特征,具体为:
针对所述钻孔数据样本集中地层属性未知的钻孔点,计算其与各地层属性已知的钻孔点之间的距离,选取距离最近的设定个数的地层属性已知的钻孔点,作为与地层属性未知的钻孔点具有邻接关系的邻近点,基于所述邻近点获取钻孔地层属性的全局空间相关性的邻接矩阵,并根据各所述邻接点的地层属性获取与所述全局相关性邻接矩阵对应的特征矩阵;
将所述邻接矩阵和所述特征矩阵输入所述提取模型,得到所述全局空间相关性特征。
在本实施例中,构建GCN网络提取钻孔地层属性的全局空间相关性信息特征,以欧式距离为标准,根据地理学第一定律,构建未知点与已知地层属性点的全局空间相关性邻接矩阵和对应的特征矩阵。具体的,先对未知点与已知地层属性钻孔点的欧式距离进行排序,依据地理学第一定律选取最邻近的n个点,确认未知点与所选点间具有邻接关系,获取到钻孔地层属性的全局空间相关性邻接矩阵,并根据各所选点的地层属性确立与邻接矩阵对应的特征矩阵。
本实施例采用欧式距离构建未知地层与已知钻孔间的全局空间相关性邻接矩阵和权重矩阵,使用GCN网络对全局空间相关性进行初步提取使用,作为条件约束输入生成器中生成初步虚拟地质剖面图。
在一实施例中,基于所述邻近点获取钻孔地层属性的全局空间相关性的邻接矩阵,还包括:
根据拉普拉斯算子方式对所述邻接矩阵进行规范化。
为了保证邻接矩阵的可靠性,依据拉普拉斯算子的方式对邻接矩阵进行规范化。用表示度矩阵,即将邻接矩阵上的每一行进行求和,作为对角线上的值得到的矩阵;为添加了自环边且无向图对称的邻接矩阵,计算规范化邻接矩阵的公式为:
在本实施例中,以规范化后的邻接矩阵和特征矩阵为输入,获取钻孔地层属性的全局空间相关性特征信息。
在一实施例中,所述生成器用于以所述钻孔数据样本集为输入,以相应的全局空间相关性特征为约束,生成虚拟地质剖面图,具体为:
所述生成器用于对所述钻孔数据样本集进行一层卷积后的结果进行横向连接,然后进行卷积和归一化操作,得到虚拟地质剖面图插值结果,并将所述虚拟地质剖面图插值结果输入argmax函数生成所述虚拟地质剖面图。
以CNN为框架,构建GAN网络结构的生成器,以钻孔数据样本集为输入,以钻孔数据全局空间相关性特征为约束,生成虚拟地质剖面图。在本实施例中,使用获取到的钻孔地层属性全局空间相关性特征信息的方式对此数据与实际钻孔图像数据集进行一层卷积后的结果进行concatenate横向连接。随后对该数据不断进行卷积及归一化操作,以获取到虚拟地质剖面图的插值结果,使用argmax函数获取到虚拟地质剖面图。
以CNN为框架,构建GAN网络结构的判别器,将虚拟地质剖面图与实际地质剖面图进行对比,根据对比结果优化虚拟地质剖面图。同时,判别器依据实际地质剖面图数据对虚拟地质剖面图进行判别,以对生成器训练起到监督促进的作用。
在一实施例中,对所述生成器以及所述判别器进行交替训练,直至虚拟地质剖面图的精度达到预设值时停止训练,具体为:
组合所述生成器和所述判别器得到组合CGAN网络,对所述生成器以及所述判别器进行交替训练,生成器与判别器在训练中对抗博弈直至平衡,采用损失函数衡量所述组合CGAN网络精度,在损失值收敛时停止训练。
生成器和判别器组合形成GCN-CGAN结构的网络模型,以钻孔地层属性的全局空间相关性特征信息为约束,生成器与判别器交替进行训练,对抗博弈中达到平衡以生成地质剖面图,虚拟地质剖面图的精度达到预设值时,GCN-CGAN结构的网络模型停止训练,获取到最终的以假乱真的虚拟地质剖面图生成结果。
在一实施例中,所述组合CGAN网络中生成器与判别器对抗博弈,具体为:
利用所述生成器生成一次虚拟地质剖面图,利用所述判别器对所述虚拟地质剖面图进行判断,构建损失函数计算判别器的判别损失值,利用所述判别损失值对所述判别器进行优化;
保持判别器不变,利用生成器再次生成虚拟地质剖面图,构建损失函数计算生成器的生成损失值,利用所述生成损失值对所述生成器进行优化。
本实施例中,生成器与判别器对抗博弈训练具体包括以下步骤:
首先利用生成器生成一次虚拟地质剖面图,利用BCELOSS损失函数计算判别器的判别结果为“假”的损失值,作为第一损失值,记为Dfakeloss;随后训练判别器,再次利用BCELOSS损失函数计算将其判别为“真”的损失值,作为第二损失值,记为Drealloss;最后根据公式Dloss=Dfakeloss+Drealloss计算第三损失值,得到判别器的损失值,并在训练过程中对上述三个损失函数均进行反向传播,以更好的优化判别器;
在上一步骤中对判别器进行训练后,冻结判别器网络,即保持判别器各参数不变,利用生成器生成虚拟地质剖面图,并依据BCELOSS损失函数和CELOSS损失函数对其进行损失值的计算,分别记为Gbceloss和Gceloss,最终依据公式Gloss=Gceloss+Gbceloss计算生成器的损失值,并在训练过程中对上述三个损失函数均进行反向传播,以更好的优化生成器。
优选的,为了更好的对生成器和判别器进行训练,每训练一次生成器时训练三次判别器。
具体的,本实施例构建网络模型以及训练的过程如图2所示,基于钻孔数据计算邻接矩阵和特征矩阵,提取得到全局空间相关性特征,然后将钻孔数据输入生成器生成虚拟地质剖面图,同时在生成器生成虚拟地质剖面图的过程中以全局空间相关性特征作为约束,使得生成器得以提取全局特征,提高虚拟地质剖面图生成精度。为了进一步提高虚拟地质剖面图精度,构建判别器,判别器对虚拟地质剖面图与实际地质剖面图进行对比,判断虚拟地质剖面图与实际地质剖面图的相似性是否达到设定要求,如果是,则判定虚拟地质剖面图为“真”,即real,否则判定虚拟地质剖面图为“假”,即fake;判定为fake时,计算相应的损失值Gloss进行反向传播,对生成器进行优化训练,判断为real时,计算相应的损失值Dloss进行反向传播,对判别器进行优化训练,判别器与生成器在训练过程中相互对抗博弈,直至平衡,最后利用训练好的模型输出精度达到要求的虚拟地质剖面图。
在基于全局空间相关性约束的GCN-CGAN的整体网络训练过程中,对各个损失函数进行反向传播的同时,采用梯度下降算法,当损失值收敛时,网络训练完毕,对网络模型参数进行保存,并根据试验情况对包括学习率、批次大小以及权值衰减系数超参数进行调试。
训练完毕后,利用训练好的的模型对未有剖面数据的区域进行依据钻孔数据的地质剖面图的生成。
本发明使用GCN网络提取区域内钻孔地层属性的全局空间相关性信息,使利用深度学习技术考虑钻孔的全局空间相关性成为可能,以此作为以CNN模型为基础的CGAN网络的条件约束,实现以相同的钻孔输入获取更高精度的地质剖面图,进而提升其应用价值。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本实施例还提供一种地质剖面图生成系统,该地质剖面图生成系统与上述实施例中地质剖面图生成方法一一对应。该地质剖面图生成系统包括:
样本集模块,用于构建地质剖面图和钻孔数据的训练样本集;
提取模块,用于构建GCN网络的提取模型,将所述钻孔数据样本集输入所述提取模型,得到钻孔数据样本集的全局空间相关性特征;
建模训练模块,用于以CNN为框架,构建GAN网络结构的生成器,所述生成器用于以所述钻孔数据样本集为输入,以相应的全局空间相关性特征为约束,生成虚拟地质剖面图;以CNN为框架,构建GAN网络结构的判别器,所述判别器用于对所述虚拟地质剖面图和地质剖面图样本集中相应的实际地质剖面图进行对比,以优化所述虚拟地质剖面图;对所述生成器以及所述判别器进行交替训练,直至虚拟地质剖面图的精度达到预设值时停止训练;
生成模块,用于将待测区域的实际钻孔数据输入训练好的生成器以及判别器,生成待测区域的虚拟地质剖面图。
关于地质剖面图生成系统的具体限定可以参见上文中对于地质剖面图生成方法的限定,在此不再赘述。上述地质剖面图生成系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
基于上述地质剖面图生成方法,本申请还相应提供了一种计算机设备,该计算机设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该计算机设备包括包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述地质剖面图生成方法的步骤。
本实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述地质剖面图生成方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。
Claims (7)
1.一种地质剖面图生成方法,其特征在于,包括以下步骤:
构建地质剖面图和钻孔数据的训练样本集;
构建GCN网络的提取模型,将所述钻孔数据样本集输入所述提取模型,得到钻孔数据样本集的全局空间相关性特征;
以CNN为框架,构建GAN网络结构的生成器,所述生成器用于以所述钻孔数据样本集为输入,以相应的全局空间相关性特征为约束,生成虚拟地质剖面图;
以CNN为框架,构建GAN网络结构的判别器,所述判别器用于对所述虚拟地质剖面图和地质剖面图样本集中相应的实际地质剖面图进行对比,以优化所述虚拟地质剖面图;
对所述生成器以及所述判别器进行交替训练,直至虚拟地质剖面图的精度达到预设值时停止训练;
将待测区域的实际钻孔数据输入训练好的生成器以及判别器,生成待测区域的虚拟地质剖面图;
所述构建地质剖面图和钻孔数据的训练样本集,具体为:
收集实际钻孔数据以及相应的实际地质剖面图;
设置地层属性编码,并为每一地层属性编码设置相应的类别值,根据所述类别值为每一个地层属性设置相应的灰度值;
基于每一地层属性的灰度值,根据所述实际钻孔数据生成与所述实际地质剖面图范围相同的钻孔图像;
采用预设尺寸的窗口分别在所述实际地质剖面图中和所述钻孔图像中以预设步长进行滑动,将所述实际地质剖面图和所述钻孔图像分割为多个存在重叠区域的图像数据,得到实际地质剖面图数据集和实际钻孔图像数据集;
根据实际地质剖面图数据集构建虚拟钻孔图像数据集;
将所述实际地质剖面图数据集以及虚拟钻孔图像数据集按照设定比例划分为训练集和测试集,将实际地质剖面图数据集和实际钻孔图像数据集作为验证集,得到地质剖面图和钻孔数据的训练样本集;
所述构建GCN网络的提取模型,将所述钻孔数据样本集输入所述提取模型,得到钻孔数据样本集的全局空间相关性特征,具体为:
针对所述钻孔数据样本集中地层属性未知的钻孔点,计算其与各地层属性已知的钻孔点之间的距离,选取距离最近的设定个数的地层属性已知的钻孔点,作为与地层属性未知的钻孔点具有邻接关系的邻接点,基于所述邻接点获取钻孔地层属性的全局空间相关性的邻接矩阵,并根据各所述邻接点的地层属性获取与所述全局相关性邻接矩阵对应的特征矩阵;
将所述邻接矩阵和所述特征矩阵输入所述提取模型,得到所述全局空间相关性特征;
所述以CNN为框架,构建GAN网络结构的生成器,所述生成器用于以所述钻孔数据样本集为输入,以相应的全局空间相关性特征为约束,生成虚拟地质剖面图,具体为:
所述生成器用于对所述钻孔数据样本集进行一层卷积后的结果进行横向连接,然后进行卷积和归一化操作,得到虚拟地质剖面图插值结果,并将所述虚拟地质剖面图插值结果输入argmax函数生成所述虚拟地质剖面图。
2.根据权利要求1所述的地质剖面图生成方法,其特征在于,基于所述邻接点获取钻孔地层属性的全局空间相关性的邻接矩阵,还包括:
根据拉普拉斯算子方式对所述邻接矩阵进行规范化。
3.根据权利要求1所述的地质剖面图生成方法,其特征在于,对所述生成器以及所述判别器进行交替训练,直至虚拟地质剖面图的精度达到预设值时停止训练,具体为:
组合所述生成器和所述判别器得到组合CGAN网络,对所述生成器以及所述判别器进行交替训练,生成器与判别器在训练中对抗博弈直至平衡,采用损失函数衡量所述组合CGAN网络精度,在损失值收敛时停止训练。
4.根据权利要求3所述的地质剖面图生成方法,其特征在于,所述组合CGAN网络中生成器与判别器对抗博弈,具体为:
利用所述生成器生成一次虚拟地质剖面图,利用所述判别器对所述虚拟地质剖面图进行判断,构建损失函数计算判别器的判别损失值,利用所述判别损失值对所述判别器进行优化;
保持判别器不变,利用生成器再次生成虚拟地质剖面图,构建损失函数计算生成器的生成损失值,利用所述生成损失值对所述生成器进行优化。
5.一种地质剖面图生成系统,其特征在于,所述系统包括:
样本集模块,用于构建地质剖面图和钻孔数据的训练样本集;
提取模块,用于构建GCN网络的提取模型,将所述钻孔数据样本集输入所述提取模型,得到钻孔数据样本集的全局空间相关性特征;
建模训练模块,用于以CNN为框架,构建GAN网络结构的生成器,所述生成器用于以所述钻孔数据样本集为输入,以相应的全局空间相关性特征为约束,生成虚拟地质剖面图;以CNN为框架,构建GAN网络结构的判别器,所述判别器用于对所述虚拟地质剖面图和地质剖面图样本集中相应的实际地质剖面图进行对比,以优化所述虚拟地质剖面图;对所述生成器以及所述判别器进行交替训练,直至虚拟地质剖面图的精度达到预设值时停止训练;
生成模块,用于将待测区域的实际钻孔数据输入训练好的生成器以及判别器,生成待测区域的虚拟地质剖面图;
所述样本集模块还用于收集实际钻孔数据以及相应的实际地质剖面图;
所述样本集模块还用于设置地层属性编码,并为每一地层属性编码设置相应的类别值,根据所述类别值为每一个地层属性设置相应的灰度值;
所述样本集模块还用于基于每一地层属性的灰度值,根据所述实际钻孔数据生成与所述实际地质剖面图范围相同的钻孔图像;
所述样本集模块还用于采用预设尺寸的窗口分别在所述实际地质剖面图中和所述钻孔图像中以预设步长进行滑动,将所述实际地质剖面图和所述钻孔图像分割为多个存在重叠区域的图像数据,得到实际地质剖面图数据集和实际钻孔图像数据集;
所述样本集模块还用于根据实际地质剖面图数据集构建虚拟钻孔图像数据集;
所述样本集模块还用于将所述实际地质剖面图数据集以及虚拟钻孔图像数据集按照设定比例划分为训练集和测试集,将实际地质剖面图数据集和实际钻孔图像数据集作为验证集,得到地质剖面图和钻孔数据的训练样本集;
所述提取模块还用于针对所述钻孔数据样本集中地层属性未知的钻孔点,计算其与各地层属性已知的钻孔点之间的距离,选取距离最近的设定个数的地层属性已知的钻孔点,作为与地层属性未知的钻孔点具有邻接关系的邻接点,基于所述邻接点获取钻孔地层属性的全局空间相关性的邻接矩阵,并根据各所述邻接点的地层属性获取与所述全局相关性邻接矩阵对应的特征矩阵;
所述提取模块还用于将所述邻接矩阵和所述特征矩阵输入所述提取模型,得到所述全局空间相关性特征;
所述建模训练模块还用于对所述钻孔数据样本集进行一层卷积后的结果进行横向连接,然后进行卷积和归一化操作,得到虚拟地质剖面图插值结果,并将所述虚拟地质剖面图插值结果输入argmax函数生成所述虚拟地质剖面图。
6.一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述地质剖面图生成方法的步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述地质剖面图生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111288646.0A CN114036829B (zh) | 2021-11-02 | 2021-11-02 | 地质剖面图生成方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111288646.0A CN114036829B (zh) | 2021-11-02 | 2021-11-02 | 地质剖面图生成方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114036829A CN114036829A (zh) | 2022-02-11 |
CN114036829B true CN114036829B (zh) | 2023-04-25 |
Family
ID=80142510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111288646.0A Active CN114036829B (zh) | 2021-11-02 | 2021-11-02 | 地质剖面图生成方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114036829B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109522B (zh) * | 2023-04-10 | 2023-07-14 | 北京飞渡科技股份有限公司 | 一种基于图神经网络的轮廓矫正方法、装置、介质及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960425A (zh) * | 2018-07-05 | 2018-12-07 | 广东工业大学 | 一种渲染模型训练方法、系统、设备、介质及渲染方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537742B (zh) * | 2018-03-09 | 2021-07-09 | 天津大学 | 一种基于生成对抗网络的遥感图像全色锐化方法 |
WO2020123097A1 (en) * | 2018-12-11 | 2020-06-18 | Exxonmobil Upstream Research Company | Training machine learning systems for seismic interpretation |
CN112132172A (zh) * | 2020-08-04 | 2020-12-25 | 绍兴埃瓦科技有限公司 | 基于图像处理的模型训练方法、装置、设备和介质 |
CN113239977B (zh) * | 2021-04-22 | 2023-03-24 | 武汉大学 | 多域图像转换模型的训练方法、装置、设备及存储介质 |
CN113269256A (zh) * | 2021-05-26 | 2021-08-17 | 广州密码营地科技有限公司 | 一种MiSrc-GAN模型的构建方法及应用 |
-
2021
- 2021-11-02 CN CN202111288646.0A patent/CN114036829B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960425A (zh) * | 2018-07-05 | 2018-12-07 | 广东工业大学 | 一种渲染模型训练方法、系统、设备、介质及渲染方法 |
Non-Patent Citations (1)
Title |
---|
毕思斯."基于地质图与钻孔数据的地质剖面自动生成技术研究".《南京师范大学硕士学位论文》.2012,1-57. * |
Also Published As
Publication number | Publication date |
---|---|
CN114036829A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3397833B1 (en) | Machine learning for production prediction | |
CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
CN109800863B (zh) | 一种基于模糊理论和神经网络的测井相识别方法 | |
US11403554B2 (en) | Method and apparatus for providing efficient testing of systems by using artificial intelligence tools | |
US20130124171A1 (en) | Systems and methods for predicting well performance | |
CN114154427B (zh) | 基于深度学习的体积压裂裂缝扩展预测方法和系统 | |
CN109613623B (zh) | 一种基于残差网络的岩性预测方法 | |
US20230252290A1 (en) | System and method for well interference detection and prediction | |
Song et al. | Potential for vertical heterogeneity prediction in reservoir basing on machine learning methods | |
CN113902861A (zh) | 一种基于机器学习的三维地质建模方法 | |
CN114036829B (zh) | 地质剖面图生成方法、系统、设备及存储介质 | |
CN113065279A (zh) | 预测总有机碳含量的方法、装置、设备及存储介质 | |
Han et al. | Comprehensive analysis for production prediction of hydraulic fractured shale reservoirs using proxy model based on deep neural network | |
KR20140137210A (ko) | 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법 | |
EP3948365A1 (en) | Automatic calibration of forward depositional models | |
CN115186936A (zh) | 基于gnn模型的油田最优井网构建方法 | |
CN114091883A (zh) | 井漏风险层位钻前预测方法、装置、介质及设备 | |
Ahmadi et al. | A sensitivity study of FILTERSIM algorithm when applied to DFN modeling | |
US20230141334A1 (en) | Systems and methods of modeling geological facies for well development | |
CN112083144B (zh) | 断层启闭性预测方法、装置、计算机设备和存储介质 | |
CN116226623B (zh) | 基于SegNet分段模型的标志层划分方法、装置和计算机设备 | |
US20240037413A1 (en) | Computer-implemented method and computer-readable medium for drainage mesh optimization in oil and/or gas producing fields | |
US20230142526A1 (en) | Systems and methods of predictive decline modeling for a well | |
CN109272042B (zh) | 基于pr模型的小尺度裂缝建模方法、装置、设备及介质 | |
WO2024064009A1 (en) | Machine learning training for characterizing water injection and seismic prediction |
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 |