CN114821079A - 一种基于变分自编码器的岩石裂缝信息识别方法及系统 - Google Patents

一种基于变分自编码器的岩石裂缝信息识别方法及系统 Download PDF

Info

Publication number
CN114821079A
CN114821079A CN202210595664.1A CN202210595664A CN114821079A CN 114821079 A CN114821079 A CN 114821079A CN 202210595664 A CN202210595664 A CN 202210595664A CN 114821079 A CN114821079 A CN 114821079A
Authority
CN
China
Prior art keywords
rock
resistivity
image
test piece
scanning
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.)
Pending
Application number
CN202210595664.1A
Other languages
English (en)
Inventor
汤继周
李玉伟
卢蔚
耿建华
靳少博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202210595664.1A priority Critical patent/CN114821079A/zh
Publication of CN114821079A publication Critical patent/CN114821079A/zh
Priority to US18/203,489 priority patent/US20230386069A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
    • G01N27/122—Circuits particularly adapted therefor, e.g. linearising circuits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/20—Investigating the presence of flaws
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/21—Indexing scheme for image data processing or generation, in general involving computational photography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • G06T2207/20044—Skeletonization; Medial axis transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/441—AI-based methods, deep learning or artificial neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Data Mining & Analysis (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Geometry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Electrochemistry (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pulmonology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及一种基于变分自编码器的岩石裂缝信息识别方法及系统，属于石油工程岩石力学压裂试验技术领域。对多个岩石试件中的每一岩石试件进行微电阻率扫描成像试验和CT扫描试验，得到岩石试件的训练用微电阻率分布二维图像和训练用CT扫描三维图像，以对初始变分自编码器进行训练，得到训练好的变分自编码器。在实际应用中，先获取待测岩石的微电阻率分布二维图像，利用训练好的变分自编码器即可重建得到CT扫描三维图像，从而能够精准确定待测岩石的裂缝信息，且成本低。

Description

一种基于变分自编码器的岩石裂缝信息识别方法及系统
技术领域
本发明涉及石油工程岩石力学压裂试验技术领域，特别是涉及一种基于微电阻率扫描成像技术与深度学习变分自编码器的岩石裂缝信息识别方法及系统。
背景技术
中国非常规油气资源丰富，大力推动其勘探开发对缓解能源供需矛盾、调整能源结构会起到至关重要的作用。然而非常规油气储层物性普遍较差(一般渗透率小于0.1×10-3μm2，孔隙度小于10％)，故常采用水力压裂技术进行储层改造，以提升油气开采效率，而压裂效果的优劣很大程度上依赖水力压裂的波及区域，也就是储层改造体积。因此，明确压裂过程中复杂缝网形成机理对精准预测储层改造体积具有重要意义。
目前，通过室内水力压裂物模实验有助于掌握裂缝扩展规律以及复杂缝网形成机理。开展物模实验需对岩石试件进行裂缝监测，现今主要的监测手段有声发射技术和CT扫描技术，两种技术相对成熟，但也有其局限性。例如，声发射技术不能对岩石内部裂缝进行精准定位，因此，很难准确描述岩石内部裂缝的空间位置、数量、走向、长度、宽度等信息，且该技术需布置大量探头记录监测数据，数据容量大，处理过程费时费力。CT扫描技术虽能精准获取岩石内部裂缝信息，但测试费用昂贵。
基于此，亟需一种成本低但与CT扫描技术所获取的岩石裂缝信息精度相同的岩石裂缝信息识别方法及系统。
发明内容
本发明的目的是提供一种基于变分自编码器的岩石裂缝信息识别方法及系统，能够精准获取岩石裂缝信息，且成本低。
为实现上述目的，本发明提供了如下方案：
一种基于变分自编码器的岩石裂缝信息识别方法，所述识别方法包括：
获取多个岩石试件；
对于每一所述岩石试件，利用微电阻率扫描成像试验系统对所述岩石试件进行微电阻率扫描成像试验，得到所述岩石试件的训练用微电阻率分布二维图像；对所述岩石试件进行CT扫描试验，得到所述岩石试件的训练用CT扫描三维图像；
以所有所述岩石试件的训练用微电阻率分布二维图像和训练用CT扫描三维图像作为输入，对初始变分自编码器进行训练，得到训练好的变分自编码器；
利用所述微电阻率扫描成像试验系统对待测岩石进行微电阻率扫描成像试验，得到所述待测岩石的微电阻率分布二维图像；并以所述微电阻率分布二维图像作为输入，利用所述训练好的变分自编码器重建得到CT扫描三维图像；根据所述CT扫描三维图像确定所述待测岩石的裂缝信息；所述裂缝信息包括裂缝的位置、数量、走向、长度和宽度。
一种基于变分自编码器的岩石裂缝信息识别系统，所述识别系统包括：
训练模块，用于获取多个岩石试件；对于每一所述岩石试件，利用微电阻率扫描成像试验系统对所述岩石试件进行微电阻率扫描成像试验，得到所述岩石试件的训练用微电阻率分布二维图像；对所述岩石试件进行CT扫描试验，得到所述岩石试件的训练用CT扫描三维图像；以所有所述岩石试件的训练用微电阻率分布二维图像和训练用CT扫描三维图像作为输入，对初始变分自编码器进行训练，得到训练好的变分自编码器；
识别模块，用于利用所述微电阻率扫描成像试验系统对待测岩石进行微电阻率扫描成像试验，得到所述待测岩石的微电阻率分布二维图像；并以所述微电阻率分布二维图像作为输入，利用所述训练好的变分自编码器重建得到CT扫描三维图像；根据所述CT扫描三维图像确定所述待测岩石的裂缝信息；所述裂缝信息包括裂缝的位置、数量、走向、长度和宽度。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明用于提供一种基于变分自编码器的岩石裂缝信息识别方法及系统，对多个岩石试件中的每一岩石试件进行微电阻率扫描成像试验和CT扫描试验，得到岩石试件的训练用微电阻率分布二维图像和训练用CT扫描三维图像，以对初始变分自编码器进行训练，得到训练好的变分自编码器。在实际应用中，先获取待测岩石的微电阻率分布二维图像，利用训练好的变分自编码器即可重建得到CT扫描三维图像，从而能够精准确定待测岩石的裂缝信息，且成本低。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例1所提供的识别方法的方法流程图；
图2为本发明实施例1所提供的识别方法的技术路线；
图3为本发明实施例1所提供的微电阻率扫描试验系统的结构示意图；
图4为本发明实施例1所提供的固定装置的结构示意图；
图5为本发明实施例1所提供的电扣在极板上的分布示意图；
图6为本发明实施例1所提供的Freeman链码值的示意图；
图7为本发明实施例1所提供的编码器神经网络结构的示意图；
图8为本发明实施例1所提供的解码器神经网络结构的示意图；
图9为本发明实施例2所提供的识别系统的系统框图。
符号说明：
1-岩石试件；2-极板；3-固定装置；4-LCR数字电桥测试仪；5-电成像处理部件。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例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。
本发明的目的是提供一种用于获取岩石精准裂缝信息的岩石裂缝信息识别方法及系统，能够精确地刻画岩石在压裂试验过程中形生的裂缝，结构简单，操作方便，且实施成本较低。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
本实施例用于提供一种基于变分自编码器的岩石裂缝信息识别方法，如图1和图2所示，所述识别方法包括：
S1：获取多个岩石试件；
本实施例的岩石试件可为长方体或者正方体，优选为正方体，尺寸可为100mm×100mm×100mm。
S2：对于每一所述岩石试件，利用微电阻率扫描成像试验系统对所述岩石试件进行微电阻率扫描成像试验，得到所述岩石试件的训练用微电阻率分布二维图像；对所述岩石试件进行CT扫描试验，得到所述岩石试件的训练用CT扫描三维图像；
如图3所示，本实施例所用的微电阻率扫描成像试验系统包括通信连接的电阻率测量部件和电成像处理部件5。电阻率测量部件用于对岩石试件1的两个相对表面的电阻率进行测量，得到电阻率数据，电成像处理部件5用于对电阻率数据进行成像，得到电成像图像，并对电成像图像进行图像预处理和裂缝信息提取，得到裂缝信息。
具体的，如图4所示，电阻率测量部件包括LCR数字电桥测试仪4、固定装置3和两块极板2。极板2为绝缘材质，作用为固定电扣并标定电扣的位置，每一块极板2的第一侧面上均布设有多个电扣，电扣可以选用直径为5mm的圆形电扣。对于极板2的设计与电扣排布，本实施例在对极板2进行设计时应充分考虑到岩石试件1(待测岩石)和电扣的尺寸大小，电扣的绝缘问题以及极板2面积的最大化利用，故极板2的第一侧面可紧密排布凹槽，以用于放置电扣，即在极板2的第一侧面上设置有多排无间隙的凹槽，每一排凹槽内均设置有多个无间隙的电扣，且相邻两排凹槽内的电扣交错设置。具体的，如图5所示，根据岩石试件1(待测岩石)尺寸，电扣尺寸大小以及考虑到电扣的绝缘问题，将每块极板2的第一侧面布设15排紧密相间的凹槽，每排凹槽可布设15个电扣，排与排之间的电扣交错布置，能够最大化利用每块极板2的面积，使每块极板2的第一侧面上可以尽量布置更多的电扣。
在测量状态下，即在进行电阻率测试时，先进行试件浸泡，将岩石试件1(待测岩石)浸泡在饱和盐水中至充分饱和，使盐水充分渗透到岩石试件1(待测岩石)内部，盐水在电阻率测试中充当电解质的作用。再将两块极板2和岩石试件1(待测岩石)放置在固定装置3上，一块极板2的第一侧面与岩石试件1(待测岩石)的第一表面相贴合，另一块极板2的第一侧面与岩石试件1的第二表面相贴合，第一表面和第二表面为岩石试件1的两个相对表面。固定装置3用于对两块极板2施加均匀的压力，使极板2上的电扣与第一表面和第二表面紧密贴合，即紧密地贴在岩石试件1(待测岩石)的两个相对表面(对立面)。LCR数字电桥测试仪4与每一电扣电连接，每一电扣通过导线与LCR数字电桥测试仪4相连接，保证LCR数字电桥测试仪4能够准确识别每个电扣的电信号，LCR数字电桥测试仪4用于测量两个相对表面的平均电阻，进一步换算获得每一电扣所在位置区域的电阻率，从而得到电阻率数据。
LCR数字电桥测试仪4连接到配套的电成像处理部件5，电成像处理部件5用于记录岩石试件1(待测岩石)在测试中各个部位的电阻率数据，再对电阻率数据进行成像，得到电成像图像，并对电成像图像进行图像预处理和裂缝信息提取，得到裂缝信息。
具体的，对电阻率数据进行成像，得到电成像图像可以包括：对电阻率数据进行色度标定，得到空间颜色值，再按照电扣的位置将空间颜色值进行排列，得到电成像图像。电阻率数据经过色度标定后，映射生成色谱图像，从而得到岩石试件1(待测岩石)各个部位的颜色矩阵，再根据每个极板2上电扣所在的位置，将颜色矩阵按照方位位置绘制到计算机屏幕上，最终可获得视觉直观的电成像图像。
其中，色度标定过程包括：确定测量得到的电阻率数据的最大值和最小值，分别记为Emax和Emin；确定RGB颜色空间的最大值和最小值，分别记为Kmax和Kmin，将RGB颜色空间与电阻率数据通过两个中间传递参数M和Eoffset建立联系，即确定Kj＝Ei×M+Eoffset这一公式中的中间传递参数M和Eoffset的值，以使Emin经过上述公式可以变为Kmin，使Emax经过上述公式可以变为Kmax，Kj为每个电阻率值对应的空间颜色值；Ei为每个电扣测量的电阻率值。然后利用上述公式将每个电扣测量所得的电阻率值转化为颜色空间对应的颜色值。
对电成像图像进行图像预处理和裂缝信息提取，得到裂缝信息可以包括：
(1)对电成像图像进行灰度化、图像增强、图像去噪、图像分割和图像滤波，得到滤波后二值图像；对滤波后二值图像进行图像细化，得到预处理后图像；
其中，灰度化包括以下步骤：①图像灰度化：将电成像图像进行HSV色彩变化，即将电成像图像转换到HSV色彩空间，再提取其中亮度通道(即V通道)的图片作为灰度图像。②灰度变换：采用灰度值线性变换的方法，将灰度图像中已有的灰度值方位拉伸到0～255整个灰度级，得到灰度化后图像。
灰度值线性变换所用的公式为：
Figure BDA0003667972570000061
其中，g(x,y)为线性变换后的灰度化后图像在坐标(x,y)处的灰度值；f(x,y)max为线性变换前的灰度图像的灰度最大值；f(x,y)min为线性变换前的灰度图像的灰度最小值；f(x,y)为线性变换前的灰度图像在坐标(x,y)处的灰度值。
其中，图像增强可以包括：采用直方图均衡化增强方法，使灰度化后图像的图像灰度均匀分布到整个灰度方位内，得到增强后图像，提高图像的对比度，从而使裂缝信息更加突出，与原线性刻度的图像相比展示出了更多的细节，使整个图像更柔和。
其中，图像去噪可以包括：考虑到后期对图像进行分割时需要提取裂缝信息，故在去除噪声过程中，需要尽可能地保留图像边缘信息，因此采用中值滤波法对增强后图像进行降噪处理，得到去噪后图像。
其中，图像分割可以包括：采用Otsu最佳全局阈值法对去噪后图像进行分割处理，去除图像背景信息，突出裂缝信息，得到初步二值图像。
其中，图像滤波可以包括：对于初步二值图像，利用去除小区域算法去除背景中的噪点，利用去除小孔洞算法去除裂缝内部的噪点，得到滤波后二值图像。
其中，图像细化可以包括：形态学膨胀，骨架提取和剔除骨架毛刺。则对滤波后二值图像进行图像细化，得到预处理后图像可以包括：首先对滤波后二值图像进行形态学膨胀处理，得到膨胀后图像；然后利用Zhang-Suen算法(也称为Zhang-快速并行算法)提取膨胀后图像中的裂缝骨架，得到裂缝骨架图；最后剔除裂缝骨架图中的裂缝骨架上的毛刺，得到预处理后图像。
裂缝骨架毛刺剔除的具体实施步骤可以包括：
①统计裂缝骨架图中节点和端点的信息：采用3×3大小的滑窗对裂缝骨架图中每个像素点进行遍历，以当前像素点作为滑窗中心点，统计滑窗内总像素点的个数，若总个数为2，则视当前像素点为端点；若总个数为3，则视当前像素点为既不是端点也不是节点的普通点；若总个数大于或者等于4，则视当前像素点为节点；
②从每个端点开始出发，计算其到每个节点的长度，得到支链长度；
③对支链长度进行判断，将长度过小的支链视为毛刺进行去除。若支链长度小于某一预设长度，则认为该支链长度过小。
(2)根据滤波后二值图像确定裂缝的位置、数量和面积；根据预处理后图像确定裂缝的走向和长度；并根据面积和长度计算裂缝的宽度，得到裂缝信息。
其中，根据滤波后二值图像确定裂缝的位置、数量和面积可以包括：裂缝的位置可从滤波后二值图像直接观察获得，裂缝的数量和面积可通过计算滤波后二值图像的连通域来获得，裂缝数量可通过对滤波后二值图像进行基于8连通方式的连通域算法处理，采用统计学的方法对图像中连通域个数进行统计，统计得到的连通域个数即为裂缝数量；裂缝面积可通过计算各连通域的面积，即可得到各裂缝的面积。具体计算方式为：先对滤波后二值图像进行连通域算法(cv2.connected Components)处理，其中搜索方式为8连通搜索，将不同的连通域用不同的数字从小到大(从1开始)进行标记，所得到的标记最大的数字即为裂缝的数量，各数字对应的像素点总数即为每条裂缝的面积。
其中，根据预处理后图像确定裂缝的走向和长度可以包括：对于预处理后图像中的每一条裂缝，对该裂缝进行Freeman八方向链码编写，得到该裂缝所包括的每一像素点的Freeman链码值；根据每一像素点的Freeman链码值确定该裂缝的走向和长度，即通过对Freeman链码值的处理获取每条裂缝的走向及长度信息。
在进行Freeman八方向链码编写时使用八方向搜索方式，具体是指采用3×3像素大小的、以选取点为中心的滑窗范围进行搜索，搜索范围为选取点周围的8个邻域像素点，得到每一像素点的Freeman链码值。
具体的，裂缝走向的获取方式为：裂缝走向信息由Freeman链码值获取，其中Freeman链码值为奇数时，代表走向为斜45°方向，Freeman链码值为偶数时，代表走向为水平或者垂直。如图6所示，链码值1、2、3、4、5、6、7、0分别代表不同的方向，即通过Freeman链码值可得出裂缝走向的8个方向(0°、45°、90°、135°、180°、225°、270°、315°、360°)，实际裂缝走向会与计算值产生误差，例如当裂缝走向介于0～45°时，最大偏差为22.5°，当裂缝的真实宽度为100时，计算裂缝宽度为100/cos(22.5°)＝108.24，与裂缝的真实宽度很接近，故此种偏差可忽略不计。
裂缝长度的获取方式为：对于每一条裂缝，裂缝长度的计算公式如下：
L＝WoNo+WeNe；
其中，L为岩石试件1(待测岩石)中裂缝的长度；Wo为Freeman链码值为偶数时的权重；No为裂缝中Freeman链码值为偶数时的个数；We为Freeman链码值为奇数时的权重；Ne为裂缝中Freeman链码值为奇数时的个数。
利用上述计算公式可分别计算每一条裂缝的长度，水力压裂产生的裂缝比较迂曲，可以分别计算每条裂缝水平和垂直方向(即链码值为偶数)，45度方向(即链码值为奇数)的裂缝，两者相加求和。每条裂缝含有众多3×3像素大小区域，每条裂缝长度即为这些区域裂缝长度大小之和。
在获取裂缝的长度和面积后，则裂缝宽度的计算公式为：
Figure BDA0003667972570000081
其中，ba为裂缝的宽度；S为裂缝的面积；L为裂缝的长度。
经过灰度化、图像增强、图像去噪、图像分割、图像滤波和图像细化这一图像预处理流程后可以获得预处理后图像，并可在上述预处理流程中进行裂缝参数提取，最终确定裂缝数量和每一裂缝的位置、走向、长度和宽度，以得到裂缝信息，裂缝信息以截面二维图像的形式呈现。
基于上述介绍的微电阻率扫描成像试验系统，利用微电阻率扫描成像试验系统对岩石试件1进行微电阻率扫描成像试验，得到岩石试件1的训练用微电阻率分布二维图像可以包括：
对于岩石试件1的任意两个相对表面，执行以下操作：
(1)在对岩石试件1进行压裂试验之前，先将岩石试件1在饱和盐水中浸泡至充分饱和，使盐水充分渗透到岩石内部，盐水在电阻率测试中充当电解质的作用。然后利用电阻率测量部件对该两个相对表面的电阻率进行测量，得到压裂前电阻率数据。最后利用电成像处理部件5对压裂前电阻率数据进行处理，得到压裂前裂缝信息。
(2)在对岩石试件1进行压裂试验之后，先将岩石试件1在饱和盐水中浸泡至充分饱和，使盐水充分渗透到岩石内部，盐水在电阻率测试中充当电解质的作用。然后利用电阻率测量部件对该两个相对表面的电阻率进行测量，得到压裂后电阻率数据。最后利用电成像处理部件5对压裂后电阻率数据进行处理，得到压裂后裂缝信息。
(3)令压裂后裂缝信息减去压裂前裂缝信息，得到该两个相对表面对应的裂缝信息。岩石试件1的所有两个相对表面对应的裂缝信息组成训练用微电阻率分布二维图像。
以立方体形状的岩石试件1为例，本实施例需要对岩石试件1在压裂试验前、后进行两次测试，且每次测试都需要对岩石试件1的三组对立面(两个相对表面)进行测试，通过对比岩石试件1在压裂试验前、后的微电阻率截面二维图像，即可获得岩石试件1在压裂试验中形成的二维图像裂缝信息，每组对立面的裂缝信息可以形成一张二维图像，所有二维图像组成训练用微电阻率分布二维图像。
利用微电阻率扫描成像试验系统分别对压裂试验前及压裂试验后的岩石试件1进行测试及图像处理，获得压裂试验前、后岩石试件1的裂缝信息，经对比分析，压裂试验后岩石试件1的裂缝信息减去压裂试验前岩石中的裂缝信息，即可获得岩石试件1在压裂试验过程中产生的裂缝信息，即训练用微电阻率分布二维图像。
S2中，对岩石试件1进行CT扫描试验，得到岩石试件1的训练用CT扫描三维图像可以包括：CT扫描试验可获得岩石试件1的CT扫描三维图像，CT扫描试验分两次进行，分别获取压裂试验前、后岩石试件1的CT扫描三维图像，通过两次得到的CT扫描三维图像的信息对比，即可获得岩石试件1在压裂试验过程中产生的精准裂缝信息，即获得训练用CT扫描三维图像，岩石试件1内部的精准裂缝信息(包含裂缝的位置、数量、走向、长度和宽度)以三维图像的形式呈现。
S3：以所有所述岩石试件的训练用微电阻率分布二维图像和训练用CT扫描三维图像作为输入，对初始变分自编码器进行训练，得到训练好的变分自编码器；
如图7和图8所示，深度学习变分自编码器用于构建微电阻率分布二维图像与CT扫描三维图像之间的映射关系，其可分为两部分：编码器神经网络结构和解码器神经网络结构，编码器神经网络结构可对CT扫描三维图像进行处理，以此获得微电阻率分布二维图像，解码器神经网络结构可对微电阻率分布二维图像进行处理，获得CT扫描三维图像。
本实施例所用的基于深度学习算法的变分自编码器(variational autoencoder，VAE)，其本质是构建微电阻率分布二维图像和CT扫描三维图像(岩体裂隙空间分布)之间的映射关系。变分自编码器是基于表征学习的生成器模型，其与传统自编码器不同之处在于，前者将概率分布加于隐空间之上，进而学习这个分布使得解码器的输出分布与观测数据保持一致。
在训练时，CT扫描三维图像导入编码器神经网络结构可获得微电阻率分布二维图像，将微电阻率分布二维图像引入解码器神经网络结构中，进而重建CT扫描三维图像。变分自编码器将描述裂缝信息的概率分布加于隐空间之上，进而学习这个分布使得解码器的输出分布与观测数据保持一致。特别地，隐空间输出向量由编码器所学得的分布抽样而来。变分自编码器的输入数据为从代表真实裂缝信息的分布抽样而来(具体表现为2D微电阻率成像)，编码器和解码器通过最小化重构误差联合训练得到，重构误差的量度为参数后验分布与真实后验分布的KL散度。
S4：利用所述微电阻率扫描成像试验系统对待测岩石进行微电阻率扫描成像试验，得到所述待测岩石的微电阻率分布二维图像；并以所述微电阻率分布二维图像作为输入，利用所述训练好的变分自编码器重建得到CT扫描三维图像；根据所述CT扫描三维图像确定所述待测岩石的裂缝信息；所述裂缝信息包括裂缝的位置、数量、走向、长度和宽度。
S4中，利用微电阻率扫描成像试验系统对待测岩石进行微电阻率扫描成像试验，得到待测岩石的微电阻率分布二维图像与S2中利用微电阻率扫描成像试验系统对岩石试件1进行微电阻率扫描成像试验，得到岩石试件1的训练用微电阻率分布二维图像的过程相同，只需将S2中的岩石试件1替换为待测岩石即可，在此不再赘述。
本实施例所提供的一种基于微电阻率扫描成像技术与深度学习变分自编码器获取岩石精准裂缝信息的识别方法，主要通过微电阻率扫描成像试验与CT扫描试验获取岩石试件1的微电阻率分布二维图像和CT扫描三维图像，通过深度学习变分自编码器构建微电阻率分布二维图像和CT扫描三维图像之间的映射关系，用于检测岩石经压裂试验后产生的裂缝信息，为岩石压裂试验提供了一项新的裂缝信息精准刻画方法，与声发射技术相比，对裂缝识别更加精准，可以对裂缝空间位置、数量、走向、长度和宽度信息进行精确描述，与CT扫描技术相比，经费预算少，且操作相对简单。
实施例2：
本实施例用于提供一种基于变分自编码器的岩石裂缝信息识别系统，如图9所示，所述识别系统包括：
训练模块M1，用于获取多个岩石试件；对于每一所述岩石试件，利用微电阻率扫描成像试验系统对所述岩石试件进行微电阻率扫描成像试验，得到所述岩石试件的训练用微电阻率分布二维图像；对所述岩石试件进行CT扫描试验，得到所述岩石试件的训练用CT扫描三维图像；以所有所述岩石试件的训练用微电阻率分布二维图像和训练用CT扫描三维图像作为输入，对初始变分自编码器进行训练，得到训练好的变分自编码器；
识别模块M2，用于利用所述微电阻率扫描成像试验系统对待测岩石进行微电阻率扫描成像试验，得到所述待测岩石的微电阻率分布二维图像；并以所述微电阻率分布二维图像作为输入，利用所述训练好的变分自编码器重建得到CT扫描三维图像；根据所述CT扫描三维图像确定所述待测岩石的裂缝信息；所述裂缝信息包括裂缝的位置、数量、走向、长度和宽度。
本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于变分自编码器的岩石裂缝信息识别方法，其特征在于，所述识别方法包括：
获取多个岩石试件；
对于每一所述岩石试件，利用微电阻率扫描成像试验系统对所述岩石试件进行微电阻率扫描成像试验，得到所述岩石试件的训练用微电阻率分布二维图像；对所述岩石试件进行CT扫描试验，得到所述岩石试件的训练用CT扫描三维图像；
以所有所述岩石试件的训练用微电阻率分布二维图像和训练用CT扫描三维图像作为输入，对初始变分自编码器进行训练，得到训练好的变分自编码器；
利用所述微电阻率扫描成像试验系统对待测岩石进行微电阻率扫描成像试验，得到所述待测岩石的微电阻率分布二维图像；并以所述微电阻率分布二维图像作为输入，利用所述训练好的变分自编码器重建得到CT扫描三维图像；根据所述CT扫描三维图像确定所述待测岩石的裂缝信息；所述裂缝信息包括裂缝的位置、数量、走向、长度和宽度。
2.根据权利要求1所述的识别方法，其特征在于，所述微电阻率扫描成像试验系统包括通信连接的电阻率测量部件和电成像处理部件；
所述电阻率测量部件用于对所述岩石试件的两个相对表面的电阻率进行测量，得到电阻率数据；所述电成像处理部件用于对所述电阻率数据进行成像，得到电成像图像，并对所述电成像图像进行图像预处理和裂缝信息提取，得到裂缝信息。
3.根据权利要求2所述的识别方法，其特征在于，所述电阻率测量部件包括LCR数字电桥测试仪、固定装置和两块极板；每一块所述极板的第一侧面上均布设有多个电扣；
在测量状态下，一块所述极板的第一侧面与所述岩石试件的第一表面相贴合，另一块所述极板的第一侧面与所述岩石试件的第二表面相贴合；所述第一表面和所述第二表面为所述岩石试件的两个相对表面；所述固定装置用于对两块所述极板施加压力，使所述电扣与所述第一表面和所述第二表面紧密贴合；所述LCR数字电桥测试仪与每一所述电扣电连接，所述LCR数字电桥测试仪用于测量得到电阻率数据。
4.根据权利要求3所述的识别方法，其特征在于，所述极板的第一侧面上设置有多排无间隙的凹槽，每一排所述凹槽内均设置有多个无间隙的所述电扣；相邻两排所述凹槽内的电扣交错设置。
5.根据权利要求3所述的识别方法，其特征在于，所述对所述电阻率数据进行成像，得到电成像图像具体包括：对所述电阻率数据进行色度标定，得到空间颜色值；按照所述电扣的位置将所述空间颜色值进行排列，得到电成像图像。
6.根据权利要求2所述的识别方法，其特征在于，所述对所述电成像图像进行图像预处理和裂缝信息提取，得到裂缝信息具体包括：
对所述电成像图像进行灰度化、图像增强、图像去噪、图像分割和图像滤波，得到滤波后二值图像；对所述滤波后二值图像进行图像细化，得到预处理后图像；
根据所述滤波后二值图像确定裂缝的位置、数量和面积；根据所述预处理后图像确定裂缝的走向和长度；并根据所述面积和所述长度计算裂缝的宽度，得到裂缝信息。
7.根据权利要求6所述的识别方法，其特征在于，所述对所述滤波后二值图像进行图像细化，得到预处理后图像具体包括：
对所述滤波后二值图像进行形态学膨胀处理，得到膨胀后图像；
利用Zhang-Suen算法提取所述膨胀后图像中的裂缝骨架，并剔除所述裂缝骨架上的毛刺，得到预处理后图像。
8.根据权利要求6所述的识别方法，其特征在于，所述根据所述预处理后图像确定裂缝的走向和长度具体包括：
对于所述预处理后图像中的每一条裂缝，对所述裂缝进行Freeman八方向链码编写，得到所述裂缝所包括的每一像素点的Freeman链码值；根据所述每一像素点的Freeman链码值确定所述裂缝的走向和长度。
9.根据权利要求2所述的识别方法，其特征在于，所述利用微电阻率扫描成像试验系统对所述岩石试件进行微电阻率扫描成像试验，得到所述岩石试件的训练用微电阻率分布二维图像具体包括：
对于所述岩石试件的任意两个相对表面，执行以下操作：
在对所述岩石试件进行压裂试验之前，将所述岩石试件在饱和盐水中浸泡至充分饱和，利用所述电阻率测量部件对所述两个相对表面的电阻率进行测量，得到压裂前电阻率数据；利用所述电成像处理部件对所述压裂前电阻率数据进行处理，得到压裂前裂缝信息；
在对所述岩石试件进行压裂试验之后，将所述岩石试件在饱和盐水中浸泡至充分饱和，利用所述电阻率测量部件对所述两个相对表面的电阻率进行测量，得到压裂后电阻率数据；利用所述电成像处理部件对所述压裂后电阻率数据进行处理，得到压裂后裂缝信息；
令所述压裂后裂缝信息减去所述压裂前裂缝信息，得到所述两个相对表面对应的裂缝信息；所述岩石试件的所有所述两个相对表面对应的裂缝信息组成所述训练用微电阻率分布二维图像。
10.一种基于变分自编码器的岩石裂缝信息识别系统，其特征在于，所述识别系统包括：
训练模块，用于获取多个岩石试件；对于每一所述岩石试件，利用微电阻率扫描成像试验系统对所述岩石试件进行微电阻率扫描成像试验，得到所述岩石试件的训练用微电阻率分布二维图像；对所述岩石试件进行CT扫描试验，得到所述岩石试件的训练用CT扫描三维图像；以所有所述岩石试件的训练用微电阻率分布二维图像和训练用CT扫描三维图像作为输入，对初始变分自编码器进行训练，得到训练好的变分自编码器；
识别模块，用于利用所述微电阻率扫描成像试验系统对待测岩石进行微电阻率扫描成像试验，得到所述待测岩石的微电阻率分布二维图像；并以所述微电阻率分布二维图像作为输入，利用所述训练好的变分自编码器重建得到CT扫描三维图像；根据所述CT扫描三维图像确定所述待测岩石的裂缝信息；所述裂缝信息包括裂缝的位置、数量、走向、长度和宽度。
CN202210595664.1A 2022-05-30 2022-05-30 一种基于变分自编码器的岩石裂缝信息识别方法及系统 Pending CN114821079A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210595664.1A CN114821079A (zh) 2022-05-30 2022-05-30 一种基于变分自编码器的岩石裂缝信息识别方法及系统
US18/203,489 US20230386069A1 (en) 2022-05-30 2023-05-30 Rock crack information identification method and system based on variational autoencoder

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210595664.1A CN114821079A (zh) 2022-05-30 2022-05-30 一种基于变分自编码器的岩石裂缝信息识别方法及系统

Publications (1)

Publication Number Publication Date
CN114821079A true CN114821079A (zh) 2022-07-29

Family

ID=82519991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210595664.1A Pending CN114821079A (zh) 2022-05-30 2022-05-30 一种基于变分自编码器的岩石裂缝信息识别方法及系统

Country Status (2)

Country Link
US (1) US20230386069A1 (zh)
CN (1) CN114821079A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116046810A (zh) * 2023-04-03 2023-05-02 云南通衢工程检测有限公司 基于rpc盖板破坏荷载的无损检测方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118096736B (zh) * 2024-04-23 2024-06-25 山东德源电力科技股份有限公司 用于集中器终端生产的外壳表面缺陷检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116046810A (zh) * 2023-04-03 2023-05-02 云南通衢工程检测有限公司 基于rpc盖板破坏荷载的无损检测方法

Also Published As

Publication number Publication date
US20230386069A1 (en) 2023-11-30

Similar Documents

Publication Publication Date Title
US20230386069A1 (en) Rock crack information identification method and system based on variational autoencoder
CN108732465B (zh) 一种基于小波变换和cnn的配电网故障定位方法
CN103996192B (zh) 基于高质量自然图像统计量模型的无参考图像质量评价方法
CN110415167B (zh) 一种基于数字图像技术的粗糙面裂隙生成方法及试验系统
CN105957059B (zh) 电子元件漏件检测方法和系统
CN103513285B (zh) 一种确定横向表面弛豫速率的方法及装置
CN108573225A (zh) 一种局部放电信号模式识别方法及系统
CN108009591A (zh) 一种基于深度学习的接触网关键部件识别方法
CN108764134A (zh) 一种适用于巡检机器人的多类型仪表自动定位与识别方法
CN110297041A (zh) 一种基于fcn与gru的3d编织复合材料缺陷检测方法
CN114359283A (zh) 基于Transformer的缺陷检测方法和电子设备
CN110146792A (zh) 基于生成对抗网络的变压器局部放电图谱生成方法
CN108734691A (zh) 一种输电线路缺陷图像识别方法
CN111753877B (zh) 一种基于深度神经网络迁移学习的产品质量检测方法
CN110503623A (zh) 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法
CN113655348A (zh) 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质
CN114494185A (zh) 一种基于rgb-t多尺度特征融合的电气设备故障检测方法
Sun et al. Partial discharge pattern recognition of transformers based on the gray-level co-occurrence matrix of optimal parameters
CN109272484B (zh) 一种基于视频图像的降雨检测方法
CN102707222B (zh) 一种基于字符串对比的异常频率点识别方法
Bai et al. Digital core 3d reconstruction based on micro-ct images via a deep learning method
CN109856688A (zh) 基于核磁测井双tw极化增强法的流体性质识别方法
CN116466408B (zh) 一种基于航磁数据的人工神经网络超基性岩识别方法
CN109030634A (zh) 电缆橡胶接头内部缺陷超声成像及绝缘评估方法及装置
CN108828687B (zh) 一种基于电成像面孔率的渗透率计算方法

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