CN114519781B - 一种基于循环神经网络的岩心图像三维重建方法 - Google Patents

Abstract

本发明公开了一种基于循环神经网络的岩心图像三维重建方法，包括以下步骤：(1)设计基于循环神经网络的新型岩心图像三维重建网络结构3D‑PMRNN；(2)设计基于长短时记忆网络和和自编码模型的三维岩心图像生成模型；(3)设计基于梯度图像的损失函数L_g；(4)设计基于孔隙度的损失函数L_porosity；(5)基于上述模型与损失函数，完成训练，获得图像三维重建模型3D‑PMRNN；(6)基于所述的3D‑PMRNN模型，利用其中的生成模型，完成对数字岩心图像的三维重建。本发明提出的网络具有较好的稳定性，对均质、非均质岩心图像均有较好的重建效果，在石油地质领域有重要的应用价值。

Description

一种基于循环神经网络的岩心图像三维重建方法

技术领域

本发明属于微观结构三维重建技术领域，具体涉及一种基于循环神经网络的逐层三维重建方法，尤其涉及岩心微观结构的三维图像重建方法。

背景技术

随着国民经济的发展，油气资源的需求不断扩大，油气田的勘探和开发逐步由常规储层转向非常规储层。针对非常规储层的研究与开发，传统的岩石物理实验遇到难以克服的问题(如低孔隙度低渗透率岩石驱替困难，裂缝发育的碳酸盐岩难以取到有代表性的岩心等)。基于数字岩心的三维重建方法通过建模、定量分析和模拟地层的各种特性，解决了困扰岩石物理实验的诸多难题，为非常规储层的资源勘探开发、地质科学勘探提供重要的基础研究数据，是近年来国内外重要的发展方向。数字岩心三维重建可分为两个技术路径，第一种为硬件扫描的直接重建法。该法利用CT(computed tomography，电子计算机断层扫描技术)等成像设备，直接对待重建的样本进行扫描，从而重建其三维结构。但CT扫描成像存在分辨率与样本尺寸的矛盾问题。为了得到高精度的三维结构，需要获取高分辨率的孔隙结构图像，但扫描的样本尺寸受到制约，使岩样的代表性有所欠缺。故很难通过直接扫描法获得精度高且样本代表性好的三维结构。第二种数字岩心重建方法为模型重建法。与直接模型重建方法不同，模型重建法利用通常仅利用有限的二维图像，通过学习其模式和数据分布，从而重建其对应的三维结构。即是说，它通常使用包含在二维图像中的有限信息完成三维重建。目前，基于模型的三维重建方法主要有：基于优化的重建方法、基于多点统计的重建方法、基于超维的重建方法和基于机器学习的重建方法。其中前两类方法可以归纳为传统的模型重建方法。该类方法存在重建效率低，重建尺寸与时间复杂度呈几何倍增关系，生成样本的多样性不足等问题，难以应用于实际的工业场景。

随着计算机算法，特别是机器学习和深度学习算法的不断演进，基于深度学习的三维重建方法越来越受到人们的重视。近年来，越来越多的学者开始关注并利用深度学习方法进行数字岩心的三维重建。其中应用最成功，也是最普遍的方法是基于生成对抗网络的三维重建方法。Lukas于2017年在Physical Review E发表一篇名为Reconstruction ofthree-dimensional porous media using generative adversarial neural networks的学术论文，首次将生成对抗网络应用于数字岩心的三维重建。之后，大量学者对生成对抗网络家族模型进行改进，得到了准确率更高，速度更快的生成模型。但基于生成对抗模型的岩心图像三维重建方法存在以下几个严重的问题：

1、需要的训练样本较多：生成对抗模型需要大量的真实样本指导模型收敛，其对训练样本数量的要求至少在几千个以上，这在客观上加大了制作模型训练集的难度。

2、生成对抗网络模型对显存要求高：Lukas最初提出的生成对抗模型，仅能对尺寸大小为64³的样本进行重建。经过不断的发展，目前主流的生成对抗重建模型也仅能对128³大小的样本进行重建。对重建样本尺寸的限制了其更广泛的应用。

3、生成对抗网络模型不易训练：由于生成对抗网络采用了对抗训练的方式，导致其对超参数的设置十分敏感，模型训练过程中容易出现梯度反传消失，模型坍塌等现象，导致模型训练失败。

针对生成对抗网络模型的不足，本发明提出了一种基于循环神经网络的岩心图像三维重建新型网络结构，以生成更大尺度的数字岩心三维图像，提高重建的稳定性与多样性。

发明内容

本发明的目的就在于为了解决上述问题而提供一种基于循环神经网络的岩心图像三维重建方法。

本发明通过以下技术方案实现上述目的：

(1)设计基于循环神经网络的新型岩心图像三维重建网络结构3D-PMRNN；

(2)设计基于长短时记忆网络和和自编码模型的三维岩心图像生成模型；

(3)设计基于梯度图像的损失函数L_g；

(4)设计基于孔隙度的损失函数L_porosity；

(5)基于上述模型与损失函数，完成训练，获得图像三维重建模型3D-PMRNN；

(6)基于所述的3D-PMRNN模型，利用其中的生成模型，完成对数字岩心图像的三维重建。

上述方法的基本原理如下：

循环神经网络多用于处理序列数据，特别在机器翻译，语言建模，语音识别等领域有较为广泛的应用。鉴于循环神经网络对处理序列数据有较为明显的优势，本发明提出一种基于循环神经网络的岩心图像三维重建方法。该方法构成的网络模型由两部分组成，一个是生成模型，一个是参考模型。在模型训练阶段，通过生成模型学习训练数据的分布，并引入由参考模型生成的高斯噪声，提高模型的准确性和多样性，完成对模型的训练。在模型的生成阶段，仅需输入当前帧的图像及标准高斯噪声至生成模型，则模型即会生成下一帧的图像。通过如此往复循环地生成，可以逐层重建出符合训练样本数据分布的数字岩心三维结构。

附图说明

图1是本发明基于循环神经网络的岩心图像三维重建方法的流程框图；

图2是本发明提出的基于循环神经网络的新型岩心图像三维重建网络结构3D-PMRNN；

图3是3D-PMRNN模型的生成模型及其循环序列生成时的展开图；

图4是3D-PMRNN模型中生成模型的网络结构图；

图5对均质岩心图像的三维重建视觉对比图；

图6对均质岩心图像的统计函数量化对比图；

图7对非均质岩心图像的三维重建视觉对比图；

图8对非均质岩心图像的统计函数量化对比图；

图9对非均质岩心图像的局部孔隙度函数对比图。

具体实施方式

下面参照附图更详细地描述本发明的实施方式。虽然附图及下文给出了本发明的实施方式，但是本发明可以多种形式实现，而不被附图及下文描述的实施方式所限制。提供附图及下文描述的实施方式是为了能够让本发明更加完整及准确地被本领域技术人员所理解。

图1中，一种基于循环神经网络的新型岩心图像三维重建方法，具体可分为以下几个步骤：

(1)设计基于循环神经网络的新型岩心图像三维重建网络结构3D-PMRNN；

(2)设计基于长短时记忆网络和和自编码模型的三维岩心图像生成模型；

(3)设计基于梯度图像的损失函数L_g；

(4)设计基于孔隙度的损失函数L_porosity；

(5)基于上述模型与损失函数，完成训练，获得图像三维重建模型3D-PMRNN；

(6)基于所述的3D-PMRNN模型，利用其中的生成模型，完成对数字岩心图像的三维重建。

在所述步骤(1)中，本发明提出如图2所示的基于循环神经网络的数字岩心三维重建网络结构3D-PMRNN。网络由两部分组成，一个是生成模型，一个是参考模型。生成模型由一个编码器Encoder，一个长短时记忆网络LSTM_θ(循环神经网络单元)和一个解码器Decoder组成。参考模型由一个编码器Encoder以及一个长短时记忆网络LSTM_φ(循环神经网络单元)组成，其中参考模型与生成模型共用一个编码器。在训练阶段，通过对训练数据集进行随机切段采样，形成当前训练图像序列X_t:t+n＝{X_t,X_t+1,X_t+2…X_t+n}，其中在本发明实施实例中，训练数据集的尺寸大小为256×256×256，切段的长度n＝32，即，每次将沿着训练样本Z方向随机连续采样32张图像，如：{X₀,X₁,X₂…X₃₁}。在训练阶段，生成模型中的编码器通过学习训练图像序列的当前帧图像X_t，生成包含当前图像特征的特征隐向量Z_enc。同时，通过引入噪声向量Z_t，以期在总的特征向量Z_total中既保持当前帧图像的特征，又增加其多样性。整合后的总特征向量如式(1)所示：

Z_total＝Z_enc+Z_t (1)

其中在本发明实施实例中，Z_enc的维度为128×1×1，Z_t的维度为32×1×1，则总的特征向量噪声Z_total的维度为160×1×1。循环神经网络单元LSTM_φ通过循环学习特征向量Z_total，生成包含特征向量序列关系的向量g_t。最后，将g_t输入至解码器Decoder，最终生成下一帧的岩心图像

进而完成对整个生成图像序列的重建

在训练阶段中，参考模型通过编码器Encoder学习训练图像序列下一帧真实图像X_t+1的特征，并生成特征隐向量Z_reF。将Z_reF输入至循环神经网络单元LSTM_φ，使循环神经网络不断学习到训练样本数据的序列关系，生成符合标准高斯分布的特征向量。为了使从LSTM_φ生成的特征向量空间N(μ_φ(t),σ_φ(t))采样的特征向量Z_t符合标准高斯分布，引入KL散度进行特征空间的损失约束，其损失函数的表达式为：

其中

和p(z)分别指代特征向量空间N(μ_φ(t),σ_φ(t))的分布和标准高斯分布。

在所述步骤(2)中，设计构建如图3和图4所示的图像生成模型。当步骤(1)所示的三维重建模型3D-PMRNN完成训练之后，生成模型即完成对训练图像特征以及图像层间信息的学习。如图3所示，在岩心图像生成阶段，仅需在生成模型端输入第一张参考图像X_t-1，编码器即会将该图像编码为Z_enc。同时，为了丰富生成图像的多样性，在高斯空间采样噪声向量Z_t。由于在训练阶段已对噪声Z_t进行了约束，则将联合编码噪声Z_enc和高斯噪声Z_t输入至解码器，可以生成准确性与多样性皆备的合成图像。

为了使生成模型能够充分学习二维图像的特征，改进传统的U-NET网络结构。为了增加生成图像的多样性，克服因过拟合而导致的图像直接复制，在原始U-NET网络结构上加入基于逐点像素相加(pixel-wise)的高斯噪声。通过引入高斯噪声，可以有限加强生成图像的多样性。在本实施实例中，以编码器第一层特征图为例，当尺度为1×256×256的二维图像X_t通过第一层卷积层后，生成的特征图F₁＝64×128×128，则此时引入维度为N₁＝64×128×128的标准高斯噪声，与特征图F₁进行逐点像素相加，以增加生成网络的泛化性。

在所述步骤(3)中，为了增加模型生成图像的准确性，设计基于梯度图像的损失函数。对于真实的训练图像序列X_t:t+n＝{X_t,X_t+1,X_t+2…X_t+n}，定义其对应的梯度图像序列为G_1:n-1＝X_t+1:t+n-X_t:t+n-1，同理，对于重建后的生成图像序列

定义其对应的梯度图像序列为

则定义梯度图像的损失函数L_g为：

在所述步骤(4)中，为了更为准确地度量生成的数字岩心图像与真实训练图像的孔隙度差异，提出一种孔隙度损失L_porosity。孔隙度是衡量岩石中所含孔隙体积多少的一种参数。孔隙度反映岩石储存流体的能力，是储层储集性能的反映，其定义为

其中V_p是三维岩心中孔隙的体积，即在三维岩心样本中属于孔隙相的像素个数；V为三维岩心总体积，即三维岩心的总体像素个数。为了使重建的三维结构与真实三维结构更接近，定义了一种基于孔隙度的损失函数L_porosity。其定义如下：

L_porosity＝|φ_real-φ_Fake| (6)

其中，φ_real为当前训练图像序列X_t:t+n中真实图像的孔隙度，φ_Fake为生成的图像序列

的孔隙度。

另外，在训练阶段还有一个像素重建损失L_rec。像素重建损失是衡量生成的图像序列

与真实的训练图像序列X_t:t+n＝{X_t,X_t+1,X_t+2…X_t+n}之间的像素误差，其表达示为：

通过损失函数的约束，使重建的三维样本在统计指标上与真实样本更为接近。则在训练阶段的总的损失函数L_total为：

L_total＝λ_recL_rec+λ_gL_g+λ_klL_kl+λ_porosityL_porosity (8)

在本实施实例中λ_rec、λ_g、λ_kl和λ_porosity分别取1，1，100，1000。

在所述步骤(5)中，基于上述设计的模型与损失函数，完成训练，获得图像三维重建模型3D-PMRNN。

在所述步骤(6)中，当训练完毕后，仅向生成模型输入一张参考图像X_t，则网络即可根据已学习到的层间信息，循环生成合成图像

即完成了基于循环神经网络的逐层三维图像重建。以本发明实施实例中，以生成尺度为256×256×256的三维岩心图像为例，最初需要给生成器输入参考图像X_i，通过生成器的循环迭代，生成剩余的255张岩心图像

则将参考图像与生成后的图像进行叠加，合成尺度为256×256×256的岩心图像

为证明本发明方法的有效性，本发明用对均质岩心图像和非均质岩心图像进行重建，通过视觉重建效果对比及统计函数量化对比，确定算法的有效性，相关的实验结果如下：

图5是针对均值岩心图像的三维重建结果，其中图(a)为参考图像，图(b)为真实目标图像，图(c)为重建图像。通过视觉比对可以看到，图(b)和图(c)中的三维结构具有较高的形态相似性，通过对比图(b)和图(c)中对三维结构三个正交切面的剖面图可知，生成图像在形态上与真实图像有较高的相似性，且生成图像的多校性也较好。图6展示了均质岩心三维重建后的统计函数量化对比。其中图(a)是两点相关函数对比，图(b)是线性路径函数对比，图(c)是两点簇函数对比，图(d)是局部孔隙度的对比。通过量化对比可知，通过本发明方法重建的三维模型在各项统计特征上与真实三维结构匹配度较高。

图7是针对非均质岩心图像的三维重建结果，其中图(a)为参考图像，图(b)为真实目标图像，图(c)为重建图像。从图(b)中可知，由于真实三维结构中有大体积颗粒嵌入，使三维结构存在明显的非均质性。通过对比图(b)与图(c)可知，重建的三维结构在形态上与真实三维结构有较好相似性，重建的三维图像存在明显的颗粒嵌入形态，说明生成模型学习到了真实岩心图像非均质特征。针对非均质岩心图像，从X，Y，Z三个方向对重建结构进行统计函数的对比，如图8所示。从图中可知，三个统计函数在X和Y方向的相似度较高，Z方向由于存在层间的不连续性，其统计函数存在一定的波动。图9展示了针对非均质岩心图像重建的局部孔隙度结果，从图中可知，重建图像与真实图像的局部孔隙度函数具有较高的相似性。

结合主观视觉效果及客观统计函数的比较和验证，可以看出本发明方法对于岩心图像具有较好的重建效果。综上所述，本发明是一种有效的岩心图像三维重建方法。该发明可以服务于石油地质领域，降低岩心样本图像采集的成本，提高岩心图像分析的准确性，在油气勘探、开采等实际应用中具有较大的价值。

Claims (3)

1.一种基于循环神经网络的岩心图像三维重建方法，包括以下步骤：

(1)设计基于循环神经网络的新型岩心图像三维重建网络结构3D-PMRNN；

(2)设计基于长短时记忆网络和和自编码模型的三维岩心图像生成模型；

(3)设计基于梯度图像的损失函数L_g；

(4)设计基于孔隙度的损失函数L_porosity；

(5)基于上述模型与损失函数，完成训练，获得图像三维重建模型3D-PMRNN；

(6)基于所述的3D-PMRNN模型，利用其中的生成模型，完成对数字岩心图像的三维重建；

步骤(1)所述的设计基于循环神经网络的新型岩心图像三维重建网络结构3D-PMRNN，该结构由一个生成模型与一个参考模型构成；生成模型由一个编码器Encoder，一个长短时记忆网络LSTM_θ和一个解码器Decoder组成；参考模型由一个编码器Encoder以及一个长短时记忆网络LSTM_φ组成，其中参考模型与生成模型共用一个编码器Encoder；在训练阶段，通过对训练数据集进行随机切段采样，形成当前训练图像序列X_t:t+n＝{X_t,X_t+1,X_t+2…X_t+n}；生成模型中的编码器通过学习训练图像序列的当前帧图像X_t，生成包含当前图像特征的特征隐向量Z_enc；同时，参考模型通过编码器Encoder学习训练图像序列下一帧真实图像X_t+1的特征，并生成特征隐向量Z_ref；将Z_ref输入至循环神经网络单元LSTM_φ，使循环神经网络不断学习到训练样本数据的序列关系，生成符合标准高斯分布的特征向量；最后，对由LSTM_φ生成的噪声进行采样，在生成模型中引入噪声向量Z_t，将Z_enc与Z_t连接合并形成特征向量Z_total；循环神经网络单元LSTM_φ通过循环学习特征向量Z_total，生成包含特征向量序列关系的向量g_t；最后，将g_t输入至解码器Decoder，最终生成下一帧的岩心图像

步骤(2)所述的设计基于长短时记忆网络和和自编码模型的三维岩心图像生成模型，与传统的U-NET网络结构不同，为了增加生成图像的多样性，克服因过拟合而导致的图像直接复制，在原始U-NET网络结构上加入基于逐点像素相加的高斯噪声；通过引入高斯噪声，可以有限加强生成图像的多样性；通过训练，可使生成模型学习训练图像中的图像特征和图像间的层间关系特征；当模型训练完毕后，仅向生成模型输入一张参考图像X_t，则网络即可根据已学习到的层间信息，循环生成合成图像

即完成了基于循环神经网络的逐层三维图像重建。

2.根据权利要求1所述的基于循环神经网络的岩心图像三维重建方法，其特征在于步骤(3)所述的设计基于梯度图像的损失函数；对于真实的训练图像序列X_t:t+n＝{X_t,X_t+1,X_t+2…X_t+n}，定义其对应的梯度图像序列为G_1:n-1＝X_t+1:t+n-X_t:t+n-1，同理，对于重建后的生成图像序列，

定义其对应的梯度图像序列为

则定义梯度图像的损失函数L_g定义为：

至此，基于梯度图像的损失函数建立完成。

3.根据权利要求1所述的基于循环神经网络的岩心图像三维重建方法，其特征在于步骤(4)所述的设计基于孔隙度的损失函数L_porosity；为了更为准确地度量生成的数字岩心图像与真实训练图像的孔隙度差异，提出一种孔隙度损失L_porosity；孔隙度是衡量岩石中所含孔隙体积多少的一种参数；孔隙度反映岩石储存流体的能力，是储层储集性能的反映，其定义为

其中V_p是三维岩心中孔隙的体积，即在三维岩心样本中属于孔隙相的像素个数；V为三维岩心总体积，即三维岩心的总体像素个数；为了使重建的三维结构与真实三维结构更接近，定义了一种基于孔隙度的损失函数L_porosity；其定义如下：

L_porosity＝|φ_real-φ_fake|

其中，φ_real为当前训练图像序列X_t:t+n中真实图像的孔隙度，φ_fake为生成的图像序列

的孔隙度。

Images