CN114078183A - 多孔介质三维结构的重建方法、装置、设备及介质 - Google Patents
多孔介质三维结构的重建方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114078183A CN114078183A CN202111285107.1A CN202111285107A CN114078183A CN 114078183 A CN114078183 A CN 114078183A CN 202111285107 A CN202111285107 A CN 202111285107A CN 114078183 A CN114078183 A CN 114078183A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- porous medium
- dimensional structure
- sample
- image
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种多孔介质三维结构的重建方法、装置、设备及介质,本发明提供的多孔介质三维结构的重建方法、装置、设备及介质,通过基于多孔介质三维图像样本的样本切片数据对生成性对抗神经网络进行三维岩样沉积排列特征学习和特征迁移训练获得三维结构重建模型,由于该模型在训练过程中引入了三维岩样沉积排列特征学习和特征迁移训练环节,可以根据二维数字岩心图像得到更加真实的多孔介质的三维结构信息,提高了多孔介质三维结构重建过程的效率,且重建得到的三维结构可参考价值更高。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种多孔介质三维结构的重建方法、装置、设备及介质。
背景技术
在水岩动力学领域,常利用数字岩心数据研究多孔介质的水动力学特征、渗透性能和软化机理,但是高分辨率的三维数字岩心数据成本极高,难以获得,而且受限于岩样的不确定性,不同的岩心具有不尽相同的三维结构,岩石的形成与成岩作用、成岩环境有极强的关联,因此,从岩石的成岩规律、沉积规律出发对多孔介质的三维结构重建是很有必要的。
目前已有的基于机器学习的多孔介质三维结构的重建方法,仅利用数据集盲目学习数据特征,并未考虑多孔介质三维结构的非均质特征和结构排列规则,导致重建的多孔介质三维结构与真实结构偏差较大,可参考价值低,且重建效率难以保证。
发明内容
本发明提供一种多孔介质三维结构的重建方法、装置、设备及介质,用以解决现有技术中基于机器学习的多孔介质三维结构的重建方法重建的多孔介质三维结构与真实结构偏差较大,可参考价值低,且重建效率难以保证的缺陷。
第一方面,本发明提供一种多孔介质三维结构的重建方法,该方法包括:
获取二维数字岩心图像;
将所述二维数字岩心图像输入三维结构重建模型,得到所述三维结构重建模型输出的三维结构数据;
其中,所述三维结构重建模型是基于多孔介质三维图像样本的样本切片数据集对生成性对抗神经网络进行三维岩样沉积排列特征学习和特征迁移训练得到的。
根据本发明提供的一种多孔介质三维结构的重建方法,所述三维结构重建模型的训练过程,包括:
获取多孔介质三维图像样本,并根据所述多孔介质三维图像样本,生成样本切片数据集;
提取所述样本切片数据集的三维岩样沉积排列特征分布信息,并构建交叉训练数据集;
通过所述交叉训练数据集对预先建立的生成性对抗神经网络进行三维岩样沉积排列特征学习和特征迁移训练,得到三维结构重建模型。
根据本发明提供的一种多孔介质三维结构的重建方法,所述多孔介质三维图像样本为多孔介质的计算机断层扫描图像或扫描电子显微镜图像。
根据本发明提供的一种多孔介质三维结构的重建方法,提取所述样本切片数据集的三维岩样沉积排列特征分布信息,包括:
逐次获取所述样本切片数据集中各页样本切片的第一特征分布指标,得到所述样本切片数据集的三维岩样沉积排列特征分布信息;
其中,所述第一特征分布指标用于描述相邻两页样本切片之间的特征过渡关系。
根据本发明提供的一种多孔介质三维结构的重建方法,所述三维结构重建模型包括:
切片生成层,用于根据所述二维数字岩心图像,逐页生成多孔介质切片;
误差计算层,用于记录当前页多孔介质切片的第二特征分布指标,并与所述样本切片数据集中与所述当前页多孔介质切片对应的样本切片的第一特征分布指标进行比对,确定所述当前页多孔介质切片的特征分布误差;
误差判定层,用于对所述当前页多孔介质切片进行特征分布误差判断,若所述当前页多孔介质切片的特征分布误差超过预设误差阈值,则重新生成当前页多孔介质切片,否则,保留当前页多孔介质切片;
结构重建层,用于将特征分布误差判断后的各页多孔介质切片进行整合,得到三维结构数据。
根据本发明提供的一种多孔介质三维结构的重建方法,获取二维数字岩心图像之后,还包括:
从所述二维数字岩心图像中提取多孔介质的渗流通道和矿物骨架信息;
对所述多孔介质的渗流通道和矿物骨架信息进行标准化处理;
基于标准化处理后所述多孔介质的渗流通道和矿物骨架信息,对所述二维数字岩心图像对应的二维结构进行渗透性分析,得到第一渗透性指标数据。
根据本发明提供的一种多孔介质三维结构的重建方法,将所述二维数字岩心图像输入三维结构重建模型,得到所述三维结构重建模型输出的三维结构数据之后,还包括:
对所述三维结构数据进行渗透性分析,得到第二渗透性指标数据。
第二方面,本发明还提供一种多孔介质三维结构的重建装置,该装置包括:
获取模块,用于获取二维数字岩心图像;
处理模块,用于将所述二维数字岩心图像输入三维结构重建模型,得到所述三维结构重建模型输出的三维结构数据;
其中,所述三维结构重建模型是基于多孔介质三维图像样本的样本切片数据集对生成性对抗神经网络进行三维岩样沉积排列特征学习和特征迁移训练得到的。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述多孔介质三维结构的重建方法的步骤。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述多孔介质三维结构的重建方法的步骤。
本发明提供的多孔介质三维结构的重建方法、装置、设备及介质,通过基于多孔介质三维图像样本的样本切片数据对生成性对抗神经网络进行三维岩样沉积排列特征学习和特征迁移训练获得三维结构重建模型,由于该模型在训练过程中引入了三维岩样沉积排列特征学习和特征迁移训练环节,可以根据二维数字岩心图像得到更加真实的多孔介质的三维结构信息,提高了多孔介质三维结构重建过程的效率,且重建得到的三维结构可参考价值更高。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的多孔介质三维结构的重建方法的流程示意图之一;
图2是本发明提供的多孔介质三维结构的重建方法的流程示意图之二;
图3是三维结构重建模型的训练及数据处理原理示意图;
图4是用于特征迁移的Berea砂岩样本的三维图像;
图5是多孔介质的二维切片二值图;
图6是利用DCGAN训练三维结构重建模型过程中记录的数据结果图;
图7是利用Cycle-GAN训练得到的三维结构重建模型将Berea砂岩沉积特征迁移重建得的多孔介质三维几何结构示意图;
图8(a)是利用Dual-GAN训练三维结构重建模型时基于已知的二维图像生成新的二维图像过程的示意图;
图8(b)是利用Disco-GAN训练三维结构重建模型时基于已知的二维图像生成新的二维图像过程的示意图;
图8(c)是利用Cycle-GAN训练三维结构重建模型时基于已知的二维图像生成新的二维图像过程的示意图;
图9是渗透性指标的加速计算方案的实现原理示意图;
图10是本发明提供的多孔介质三维结构的重建装置的结构示意图;
图11是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,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作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。
图1示出了本发明实施例提供的多孔介质三维结构的重建方法,该方法包括:
步骤110:获取二维数字岩心图像;
步骤120:将二维数字岩心图像输入三维结构重建模型,得到三维结构重建模型输出的三维结构数据;
其中,三维结构重建模型是基于多孔介质三维图像样本的样本切片数据集对生成性对抗神经网络进行三维岩样沉积排列特征学习和特征迁移训练得到的。
图2示出了本发明实施例提供的多孔介质三维结构的重建方法的详细实现流程示意图,主要包括三维结构重建模型的构建与训练环节以及应用三维结构重建模型实现三维结构重建环节。
其中,三维结构重建模型的构建与训练环节包括训练用数据的创建、神经网络的选取以及神经网络的特性学习与特征迁移训练。应用三维结构重建模型实现三维结构重建环节包括逐页生成切片、逐切片进行误差验证以及插值获得三维结构。
本实施例主要通过三维结构重建模型实现多孔介质三维结构的重建,结合附图2和图3,三维结构重建模型的训练过程,具体包括:
首先,获取多孔介质三维图像样本,并根据多孔介质三维图像样本,生成样本切片数据集。
其中,多孔介质三维图像样本可以是多孔介质的CT(Computed Tomography,计算机断层扫描)图像、SEM(Scanning Electron Microscope,扫描电子显微镜)图像等灰度图像,也可以采用RGB图像格式的图像数据。图4示出了用于特征迁移的Berea砂岩样本的三维图像。
之后将多孔介质三维图像样本按照预设厚度进行切割处理,生成样本切片数据,并构建得到样本切片数据集。样本切片本质上是二维切片图像,如图5所示为多孔介质的二维切片二值图。
需要说明的是,本实施例中样本切片数据和二维数字岩心图像数据的分辨率尺寸默认值分别设定为400×400×400和8000×8000,因此用户在使用的过程中需要首先检查内存数据是否足够。
然后,提取样本切片数据集的三维岩样沉积排列特征分布信息,并构建交叉训练数据集。
具体地,提取样本切片数据集的三维岩样沉积排列特征分布信息的过程,包括:
逐次获取样本切片数据集中各页样本切片的第一特征分布指标,得到样本切片数据集的三维岩样沉积排列特征分布信息;
其中,第一特征分布指标用于描述相邻两页样本切片之间的特征过渡关系。
可以理解的是,为了促进和指导基于二维多孔介质切片图像的三维结构重建,本实施例利用SWD(Sliced Wasserstein Distance,切片瓦瑟斯坦距离)指标作为第一特征分布指标,逐切片记录三维岩样的沉积排列特征分布情况,从而利用SWD指标描述相邻两个样本切片之间的特征过渡信息。具体地,SWD指标的计算公式如下:
式中,W(pgenerate,pground truth)表示生成解与真解的Wasserstein距离,pgenerate表示生成解,pground truth表示真解,表示联合分布集合,γ表示联合分布集合中任一联合分布,y1表示生成解对应的随机变量,y2表示真解对应的随机变量。
在获得各切片的SWD指标之后,输入信息交叉融合指标cross_number,可以生成特征迁移阶段需要训练的交叉训练数据集。
最后,通过交叉训练数据集对预先建立的生成性对抗神经网络进行沉积排列特征学习和特征迁移训练,得到三维结构重建模型。
本实施例利用交叉训练数据集对生成性对抗神经网络进行特性学习和特性迁移训练,该训练过程包括配对训练和非配对训练,最后通过迭代训练得到生成性对抗神经网络的判别器和生成器对应的模型训练参数。
然后选取一组生成器对二维数字岩心图像进行三维结构重建,并逐切片记录SWD指标,通过与三维样本数据集的SWD指标进行比较,若误差不超过预设误差阈值,比如误差不超过±0.5,则保存生成器模型并继续生成新的二维切片信息,若误差超过预设误差阈值,比如误差超过±0.5,则重新选取一组新的生成器模型参数,判别误差后再次生成新的二维切片信息,逐页生成二维切片,直至得到完整的三维多孔介质几何结构。
可以理解的是,本实施例的生成性对抗神经网络可以选用DCGAN(DeepConvolution Generate Adversarial Networks,深度卷积生成式对抗神经网络)、Cycle-GAN、Disco-GAN和Dual-GAN,上述神经网络均可以理解为“图像-图像”翻译模型,通过训练可以实现与样本切片数据集的成对训练模式,用于逐切片生成多孔介质的二维新结构,逐页生成有助于详细控制生成结构的特征分布信息,通过控制生成结构的特征分布信息与样本数据集的特征分布信息在接近的阈值范围内,从而得到更真实的三维孔隙结构。
需要说明的是,通过Cycle-GAN、Disco-GAN或Dual-GAN训练三维结构重建模型的过程中,需要提供信息交叉融合指标和生成图片分辨率大小,并需要手动确定训练迭代次数、学习率、batch的大小,用于生成具有差异的多孔介质二维切片,以便逐切片插值根据切片尺寸生成三维多孔介质。
通过DCGAN训练三维结构重建模型的过程中,需要提供随机种子数的最大值和最小值,并需要手动确定训练迭代次数、学习率、batch的大小和生成图像的分辨率大小,用于生成不同尺度的三维多孔介质。图6示出了利用DCGAN训练三维结构重建模型过程中记录的数据结果,从图6中整体的统计图可以看出,随着迭代次数的增加生成器和判别器对应的损失函数值,若判别器损失越低,说明判别器判断生成器生成的图像是假的概率越大,相反,若生成器损失越低,说明生成的图像越贴近真实状态。在右上方的统计图中,中间黑线对应的纵坐标为0.5,表示判别器和生成器的损失值比为1:1,所以在收敛稳定后期,从中提取比值为1:1的结果,与迭代获得的最终结果进行比较,可以判断哪个结果更接近真实状态。
可以理解的是,基于SWD指标指导训练获得的三维结构重建模型的交叉训练数据集数和误差可以根据用户的需求手动调整,对于DCGAN而言,需要利用随机种子的设定生成多个生成器,以实现三维多孔介质的生成。
相应地,利用上述训练好的三维结构重建模型对二维数字岩心图像进行三维结构重建的过程,具体包括:
首先,根据二维数字岩心图像,逐页生成多孔介质切片。
然后,记录当前页多孔介质切片的第二特征分布指标,并与预先获得的样本切片数据集中与当前页多孔介质切片对应的样本切片的第一特征分布指标进行比对,确定当前页多孔介质切片的特征分布误差。
接着,对当前页多孔介质切片进行特征分布误差判断,若当前页多孔介质切片的特征分布误差超过预设误差阈值,则重新生成当前页多孔介质切片,否则,保留当前页多孔介质切片。
最后,将特征分布误差判断后的各页多孔介质切片进行整合,重建完整的三维结构信息。
可以理解的是,上述第二特征分布指标与第一特征分布指标类似,第二特征分布指标用于描述相邻两个多孔介质切片之间的特征过渡关系,且与第一特征分布指标相同的,第二特征分布指标也采用SWD指标。
基于上述三维结构重建方案,本实施例在SWD指标指导下,通过Cycle-GAN训练得到三维结构重建模型,利用构建的三维结构重建模型将Berea砂岩沉积特征迁移重建,最终获得的多孔介质三维几何结构如图7所示。
图8(a)示出了利用Dual-GAN训练三维结构重建模型时基于已知的二维图像生成新的二维图像的过程,Dual-GAN网络里包括两个生成器和两个判别器,Domain A和DomainB是两个包含不同特征的样本数据集,其中一个生成器基于随机生成的Domain A生成相应的二维仿真图像集fake B,另一个生成器则基于Domain B生成相应的二维仿真图像集fakeA。
类似地,图8(b)示出了利用Disco-GAN训练三维结构重建模型时基于已知的二维图像生成新的二维图像的过程,Dual-GAN网络里同样包括两个生成器和两个判别器,可以分别基于两个不同的样本数据集生成相应的仿真二维图像集。
图8(c)示出了利用Cycle-GAN训练三维结构重建模型时基于已知的二维图像生成新的二维图像的过程,Cycle-GAN网络里同样包括两个生成器和两个判别器,可以分别基于两个不同的样本数据集生成相应的仿真二维图像集。
更优地,参见附图2,本发明实施例提供的一种多孔介质三维结构的重建方法,还包括二维渗透性分析环节,该环节包括:
首先,从二维数字岩心图像中提取多孔介质的渗流通道和矿物骨架信息。
然后,对多孔介质的渗流通道和矿物骨架信息进行标准化处理,本实施例统一图像的尺寸为256×256、位深为3,并进行灰度处理。
最后,基于标准化处理后多孔介质的渗流通道和矿物骨架信息,对二维数字岩心图像对应的二维结构进行渗透性分析,得到第一渗透性指标数据。
更优地,在获得多孔介质的三维结构数据之后,还包括:
对三维结构数据进行渗透性分析,得到第二渗透性指标数据。
为了在三维结构重建的同时,向用户展示更多的关于多孔介质的信息,本实施例引入了渗透性分析功能,具体对标准化处理的多孔介质二维几何结构和三维重建得到的三维几何结构,利用LBM(Lattice-Boltzmann-methods,格子玻尔兹曼方法)进行渗透性分析,最终输出可视化结构和渗透性指标,这里的可视化结构包括多孔介质的二维结构、三维结构等结构信息,渗透性指标包括绝对渗透系数、相对渗透系数以及有效渗透系数等信息中的一种或任几种。
需要说明的是,由于格子玻尔兹曼方法的计算效率较低,为此,本实施例增设了渗透性指标的加速计算方案,如图9所示,本实施例利用GPU加速技术改写了格子玻尔兹曼方法的计算代码和计算函数,通过PyTorch框架和CUDA(Compute Unified DeviceArchitecture,计算统一设备架构)实现多核计算,加速数值计算过程,从而实现更高倍数的加速效果。
具体地,考虑到CPU计算的核较少,并且CPU适用于复杂命令的计算,而GPU是专门用于处理图像计算单元的,不支持复杂命令,但是计算核非常多,因此,本实施例采用GPU进行数据计算。
同时,考虑到正常的数值计算,是利用数组的数据格式,而数组的数据格式是不支持在GPU上计算的,torch库的tensor数据格式支持与CUDA建立连接,可以实现GPU计算,因此可以利用加速函数将LBM这种数值方法中用到的一些数据的数据格式修改为tensor,并从CPU转移至GPU上,利用CUDA实现加速计算。
此外,为了使计算效率更高,本实施例以张量的形式,将图像中的渗流通道提取出来,可以得到更优的计算效果。
本发明实施例提供的多孔介质三维结构的重建方法,通过生成性对抗神经网络和特征分布指标(即SWD指标)指导对二维多孔介质图像进行三维结构重建,生成了更贴近真实几何结构的三维结构,并利用特征分布指标控制已有样本数据集的几何特征迁移,从而实现三维结构的重建。
同时,本方法还改写了LBM计算代码,利用GPU加速功能提升了渗透性分析的计算效率,从而能够快速、准确地分析三维多孔介质的渗透性能,而且克服了传统重建方法的盲目生成、信息消失的现象,获得的三维几何结构可参考价值更高。
可以理解的是,本实施例提供的多孔介质三维结构的重建方法在实际应用过程中是通过代码驱动实现的,用户仅需要提供图像数据和PyThon开发环境,系统运行过程中需要用到的代码库按照要求进行安装即可实现利用生成对抗性神经网络实现多孔介质三维结构重建工作。
下面对本发明提供的多孔介质三维结构的重建装置进行描述,下文描述的多孔介质三维结构的重建装置与上文描述的多孔介质三维结构的重建方法可相互对应参照。
图10示出了本发明实施例提供的多孔介质三维结构的重建装置,该装置包括:
获取模块101,用于获取二维数字岩心图像;
处理模块102,用于将二维数字岩心图像输入三维结构重建模型,得到三维结构重建模型输出的三维结构数据;
其中,三维结构重建模型是基于多孔介质三维图像样本的样本切片数据集对生成性对抗神经网络进行三维岩样沉积排列特征学习和特征迁移训练得到的。
本实施例中处理模块102通过三维结构重建模型实现多孔介质的三维结构重建,其中,三维结构重建模型的训练过程,具体包括:
首先,获取多孔介质三维图像样本,并根据多孔介质三维图像样本,生成样本切片数据集;
然后,提取样本切片数据集的三维岩样沉积排列特征分布信息,并构建交叉训练数据集;
最后,通过交叉训练数据集对预先建立的生成性对抗神经网络进行三维岩样沉积排列特征学习和特征迁移训练,得到三维结构重建模型。
需要说明的是,上述三维结构重建模型训练过程中用到的多孔介质三维图像样本,可以是多孔介质的计算机断层扫描图像、扫描电子显微镜图像或RGB图像。
在本实施例中,上述提取样本切片数据集的三维岩样沉积排列特征分布信息的过程,具体包括:
逐次获取样本切片数据集中各页样本切片的第一特征分布指标,得到样本切片数据集的三维岩样沉积排列特征分布信息;
其中,第一特征分布指标用于描述相邻两页样本切片之间的特征过渡关系。
本实施例中处理模块102通过三维结构重建模型实现三维结构的重建,三维结构重建模型具体包括:
切片生成层,用于根据二维数字岩心图像,逐页生成多孔介质切片;
误差计算层,用于记录当前页多孔介质切片的第二特征分布指标,并与样本切片数据集中与当前页多孔介质切片对应的样本切片的第一特征分布指标进行比对,确定当前页多孔介质切片的特征分布误差;
误差判定层,用于对当前页多孔介质切片进行特征分布误差判断,若当前页多孔介质切片的特征分布误差超过预设误差阈值,则重新生成当前页多孔介质切片,否则,保留当前页多孔介质切片;
结构重建层,用于将特征分布误差判断后的各页多孔介质切片进行整合,得到三维结构数据。
可以理解的是,本实施例提到的第一特征分布指标和第二特征分布指标均为切片瓦瑟斯坦距离,用于描述相邻两个多孔介质切片之间的特征过渡关系。
更优地,上述多孔介质三维结构的重建装置,还包括:
渗透性分析模块,用于从二维数字岩心图像中提取多孔介质的渗流通道和矿物骨架信息;对多孔介质的渗流通道和矿物骨架信息进行标准化处理;并基于标准化处理后多孔介质的渗流通道和矿物骨架信息,对二维数字岩心图像对应的二维结构进行渗透性分析,得到第一渗透性指标数据。
进一步地,上述渗透性分析模块还用于对三维结构数据进行渗透性分析,得到第二渗透性指标数据。
图11示例了一种电子设备的实体结构示意图,如图11所示,该电子设备可以包括:处理器(processor)111、通信接口(Communications Interface)112、存储器(memory)113和通信总线114,其中,处理器111,通信接口112,存储器113通过通信总线114完成相互间的通信。处理器111可以调用存储器113中的逻辑指令,以执行多孔介质三维结构的重建方法,该方法包括:获取二维数字岩心图像;将二维数字岩心图像输入三维结构重建模型,得到三维结构重建模型输出的三维结构数据;其中,三维结构重建模型是基于多孔介质三维图像样本的样本切片数据集对生成性对抗神经网络进行三维岩样沉积排列特征学习和特征迁移训练得到的。
此外,上述的存储器113中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的多孔介质三维结构的重建方法,该方法包括:获取二维数字岩心图像;将二维数字岩心图像输入三维结构重建模型,得到三维结构重建模型输出的三维结构数据;其中,三维结构重建模型是基于多孔介质三维图像样本的样本切片数据集对生成性对抗神经网络进行三维岩样沉积排列特征学习和特征迁移训练得到的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的多孔介质三维结构的重建方法,该方法包括:获取二维数字岩心图像;将二维数字岩心图像输入三维结构重建模型,得到三维结构重建模型输出的三维结构数据;其中,三维结构重建模型是基于多孔介质三维图像样本的样本切片数据集对生成性对抗神经网络进行三维岩样沉积排列特征学习和特征迁移训练得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种多孔介质三维结构的重建方法,其特征在于,包括:
获取二维数字岩心图像;
将所述二维数字岩心图像输入三维结构重建模型,得到所述三维结构重建模型输出的三维结构数据;
其中,所述三维结构重建模型是基于多孔介质三维图像样本的样本切片数据集对生成性对抗神经网络进行三维岩样沉积排列特征学习和特征迁移训练得到的。
2.根据权利要求1所述的一种多孔介质三维结构的重建方法,其特征在于,所述三维结构重建模型的训练过程,包括:
获取多孔介质三维图像样本,并根据所述多孔介质三维图像样本,生成样本切片数据集;
提取所述样本切片数据集的三维岩样沉积排列特征分布信息,并构建交叉训练数据集;
通过所述交叉训练数据集对预先建立的生成性对抗神经网络进行三维岩样沉积排列特征学习和特征迁移训练,得到三维结构重建模型。
3.根据权利要求2所述的一种多孔介质三维结构的重建方法,其特征在于,所述多孔介质三维图像样本为多孔介质的计算机断层扫描图像或扫描电子显微镜图像。
4.根据权利要求2所述的一种多孔介质三维结构的重建方法,其特征在于,提取所述样本切片数据集的三维岩样沉积排列特征分布信息,包括:
逐次获取所述样本切片数据集中各页样本切片的第一特征分布指标,得到所述样本切片数据集的三维岩样沉积排列特征分布信息;
其中,所述第一特征分布指标用于描述相邻两页样本切片之间的特征过渡关系。
5.根据权利要求4所述的一种多孔介质三维结构的重建方法,其特征在于,所述三维结构重建模型包括:
切片生成层,用于根据所述二维数字岩心图像,逐页生成多孔介质切片;
误差计算层,用于获取当前页多孔介质切片的第二特征分布指标,并与所述样本切片数据集中与所述当前页多孔介质切片对应的样本切片的第一特征分布指标进行比对,确定所述当前页多孔介质切片的特征分布误差;
误差判定层,用于对所述当前页多孔介质切片进行特征分布误差判断,若所述当前页多孔介质切片的特征分布误差超过预设误差阈值,则重新生成当前页多孔介质切片,否则,保留当前页多孔介质切片;
结构重建层,用于将特征分布误差判断后的各页多孔介质切片进行整合,得到三维结构数据。
6.根据权利要求1所述的一种多孔介质三维结构的重建方法,其特征在于,获取二维数字岩心图像之后,还包括:
从所述二维数字岩心图像中提取多孔介质的渗流通道和矿物骨架信息;
对所述多孔介质的渗流通道和矿物骨架信息进行标准化处理;
基于标准化处理后所述多孔介质的渗流通道和矿物骨架信息,对所述二维数字岩心图像对应的二维结构进行渗透性分析,得到第一渗透性指标数据。
7.根据权利要求6所述的一种多孔介质三维结构的重建方法,其特征在于,将所述二维数字岩心图像输入三维结构重建模型,得到所述三维结构重建模型输出的三维结构数据之后,还包括:
对所述三维结构数据进行渗透性分析,得到第二渗透性指标数据。
8.一种多孔介质三维结构的重建装置,其特征在于,包括:
获取模块,用于获取二维数字岩心图像;
处理模块,用于将所述二维数字岩心图像输入三维结构重建模型,得到所述三维结构重建模型输出的三维结构数据;
其中,所述三维结构重建模型是基于多孔介质三维图像样本的样本切片数据集对生成性对抗神经网络进行三维岩样沉积排列特征学习和特征迁移训练得到的。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述多孔介质三维结构的重建方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述多孔介质三维结构的重建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111285107.1A CN114078183B (zh) | 2021-11-01 | 2021-11-01 | 多孔介质三维结构的重建方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111285107.1A CN114078183B (zh) | 2021-11-01 | 2021-11-01 | 多孔介质三维结构的重建方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114078183A true CN114078183A (zh) | 2022-02-22 |
CN114078183B CN114078183B (zh) | 2023-06-20 |
Family
ID=80283555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111285107.1A Active CN114078183B (zh) | 2021-11-01 | 2021-11-01 | 多孔介质三维结构的重建方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114078183B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511703A (zh) * | 2022-10-31 | 2022-12-23 | 北京安德医智科技有限公司 | 二维心脏超声切面图像的生成方法及装置、设备、介质 |
CN116862766A (zh) * | 2023-06-28 | 2023-10-10 | 北京金阳普泰石油技术股份有限公司 | 基于边缘生成模型的智能成图与迭代无缝拼接方法和装置 |
CN117195607A (zh) * | 2023-11-08 | 2023-12-08 | 苏州长光华芯光电技术股份有限公司 | 一种微纳空气孔三维模型的重建方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957003A (zh) * | 2016-04-25 | 2016-09-21 | 四川大学 | 基于学习的多孔介质超维重建方法 |
CN107449707A (zh) * | 2017-07-03 | 2017-12-08 | 中国石油天然气股份有限公司 | 页岩储层中不同尺度孔隙定量的三维表征确定方法和装置 |
CN108416841A (zh) * | 2018-01-22 | 2018-08-17 | 中国地质大学(武汉) | 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 |
US20180253514A1 (en) * | 2017-03-01 | 2018-09-06 | International Business Machines Corporation | Capillary Network Simulations Based on a Low-Dimensional Representation of Porous Media |
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 |
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 |
CN110135311A (zh) * | 2019-05-06 | 2019-08-16 | 重庆科技学院 | 一种基于三维岩心扫描图像的孔隙与孔喉识别系统及方法 |
CN111243098A (zh) * | 2020-01-20 | 2020-06-05 | 中国矿业大学 | 非均质多孔介质三维孔隙结构有限元模型的构造方法 |
CN112634429A (zh) * | 2019-10-09 | 2021-04-09 | 四川大学 | 基于混合深度生成模型的岩心三维图像重建方法 |
CN112634428A (zh) * | 2019-10-09 | 2021-04-09 | 四川大学 | 一种基于双向循环生成网络的多孔介质三维图像重建方法 |
CN112862946A (zh) * | 2019-11-28 | 2021-05-28 | 四川大学 | 基于级联条件生成对抗网络的灰度岩心图像三维重建方法 |
-
2021
- 2021-11-01 CN CN202111285107.1A patent/CN114078183B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957003A (zh) * | 2016-04-25 | 2016-09-21 | 四川大学 | 基于学习的多孔介质超维重建方法 |
US20180253514A1 (en) * | 2017-03-01 | 2018-09-06 | International Business Machines Corporation | Capillary Network Simulations Based on a Low-Dimensional Representation of Porous Media |
CN107449707A (zh) * | 2017-07-03 | 2017-12-08 | 中国石油天然气股份有限公司 | 页岩储层中不同尺度孔隙定量的三维表征确定方法和装置 |
CN108416841A (zh) * | 2018-01-22 | 2018-08-17 | 中国地质大学(武汉) | 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 |
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 |
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 |
CN110135311A (zh) * | 2019-05-06 | 2019-08-16 | 重庆科技学院 | 一种基于三维岩心扫描图像的孔隙与孔喉识别系统及方法 |
CN112634429A (zh) * | 2019-10-09 | 2021-04-09 | 四川大学 | 基于混合深度生成模型的岩心三维图像重建方法 |
CN112634428A (zh) * | 2019-10-09 | 2021-04-09 | 四川大学 | 一种基于双向循环生成网络的多孔介质三维图像重建方法 |
CN112862946A (zh) * | 2019-11-28 | 2021-05-28 | 四川大学 | 基于级联条件生成对抗网络的灰度岩心图像三维重建方法 |
CN111243098A (zh) * | 2020-01-20 | 2020-06-05 | 中国矿业大学 | 非均质多孔介质三维孔隙结构有限元模型的构造方法 |
Non-Patent Citations (2)
Title |
---|
HE XIAOHAI.ETC: "Learning-based super-dimension (SD) reconstruction of porous media from a single two-dimensional image", 《IEEE》 * |
何延龙: "基于Hoshen-Kopelman算法的三维多孔介质模型中黏土矿物的构建", 《石油学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511703A (zh) * | 2022-10-31 | 2022-12-23 | 北京安德医智科技有限公司 | 二维心脏超声切面图像的生成方法及装置、设备、介质 |
CN115511703B (zh) * | 2022-10-31 | 2023-05-09 | 北京安德医智科技有限公司 | 二维心脏超声切面图像的生成方法及装置、设备、介质 |
CN116862766A (zh) * | 2023-06-28 | 2023-10-10 | 北京金阳普泰石油技术股份有限公司 | 基于边缘生成模型的智能成图与迭代无缝拼接方法和装置 |
CN117195607A (zh) * | 2023-11-08 | 2023-12-08 | 苏州长光华芯光电技术股份有限公司 | 一种微纳空气孔三维模型的重建方法 |
CN117195607B (zh) * | 2023-11-08 | 2024-02-27 | 苏州长光华芯光电技术股份有限公司 | 一种微纳空气孔三维模型的重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114078183B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114078183B (zh) | 多孔介质三维结构的重建方法、装置、设备及介质 | |
CN105224984B (zh) | 一种基于深度神经网络的数据类别识别方法及装置 | |
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 | |
EA032063B1 (ru) | Системы и способы усовершенствования прямого численного моделирования свойств материала из образцов горной породы и выявления неопределенности в свойствах материала | |
CN112581593B (zh) | 神经网络模型的训练方法及相关设备 | |
CN113296152A (zh) | 断层检测方法及装置 | |
CN114639102B (zh) | 基于关键点与尺寸回归的细胞分割方法和装置 | |
Ji et al. | A hybrid method for reconstruction of three-dimensional heterogeneous porous media from two-dimensional images | |
CN111368680B (zh) | 基于波原子变换的深度学习抗假频地震数据规则化方法 | |
CN117031539A (zh) | 一种自监督深度学习地震数据低频重建方法及系统 | |
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 | |
CN114996625A (zh) | 一种基于贝叶斯优化及自编码器的测井数据补全方法 | |
CN114818548A (zh) | 一种基于卷积生成对抗网络的含水层参数场反演方法 | |
CN112346126A (zh) | 低级序断层的识别方法、装置、设备及可读存储介质 | |
RU2718409C1 (ru) | Система восстановления трехмерной структуры образца породы | |
CN117152373B (zh) | 一种考虑裂缝的岩心级孔隙网络模型构建方法 | |
CN111856365A (zh) | 磁共振成像方法、磁共振成像方法及装置 | |
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 | |
CN116736372B (zh) | 一种基于谱归一化生成对抗网络的地震插值方法及系统 | |
CN116957991B (zh) | 三维模型补全方法 | |
CN117556710A (zh) | 一种基于神经网络及多点地质统计学储层相建模方法 | |
CN114862689A (zh) | 一种基于深度学习的岩心ct图像去噪方法 | |
CN116844054A (zh) | 基于并发生成对抗网络的储层模型多尺度精细表征方法 | |
KR20240052180A (ko) | 3d 모델 단순화 장치 및 방법 | |
CN114022631A (zh) | 基于深度卷积生成对抗网络的三维地质模型自动重构方法 |
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 |