CN115115783B - 一种模拟页岩基质纳微米孔隙的数字岩心构建方法及系统 - Google Patents
一种模拟页岩基质纳微米孔隙的数字岩心构建方法及系统 Download PDFInfo
- Publication number
- CN115115783B CN115115783B CN202210805277.6A CN202210805277A CN115115783B CN 115115783 B CN115115783 B CN 115115783B CN 202210805277 A CN202210805277 A CN 202210805277A CN 115115783 B CN115115783 B CN 115115783B
- Authority
- CN
- China
- Prior art keywords
- core
- discriminant
- dual
- network
- data set
- 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
- 239000011148 porous material Substances 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 title claims abstract description 40
- 238000010276 construction Methods 0.000 title claims abstract description 33
- 239000011435 rock Substances 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000002591 computed tomography Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008485 antagonism Effects 0.000 claims description 15
- 230000009977 dual effect Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000035699 permeability Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005553 drilling Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000036571 hydration Effects 0.000 description 2
- 238000006703 hydration reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000002734 clay mineral Substances 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- 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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06T2207/20081—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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种模拟页岩基质纳微米孔隙的数字岩心构建方法及系统，本发明通过获取CT扫描页岩基质岩心数据，将所述CT扫描页岩基质岩心数据经过预处理后得到岩心训练数据集；基于双判别器生成对抗网络，构建网络模型，并将所述岩心训练数据集与高斯噪声对所述网络进行训练，得到较优模型；逐步优化所述网络参数并训练网络，得到双判别器生成对抗网络的最优模型；将随机噪声输入到所述最优模型中，得到目标数字岩心。与现有技术相比，本发明解决了传统构建页岩基质数字岩心方法时间长、成本高的问题，提高了页岩基质纳微米级孔隙三维重构精度。
Description
技术领域
本发明涉及一种页岩基质数字岩心三维重构方法，尤其是涉及一种模拟页岩基质纳微米孔隙的数字岩心构建方法及系统。
背景技术
随着全球能源需求的不断增长和油气资源开发面临的诸多挑战，能源安全成为许多国家面临的重要问题。解决能源问题的途径之一是开发新能源，其中页岩气是目前技术以及经济条件下天然气勘探开发的重要领域。页岩地层压实程度高、结构致密，微纳米级孔隙发育，从纳米到微米级均有分布，孔隙渗透率在10-3～10-7mD之间，孔隙度一般小于5％，属于典型的超低孔低渗地层。页岩地层黏土矿物含量高，水化作用强，此外其脆性矿物含量也很高，在构造应力作用下极易形成天然裂缝和诱导裂缝，因此容易造成井壁失稳，发生钻井事故。
为维护页岩井壁稳定，结合井壁失稳主要影响因素及机理，基于微纳米尺度的页岩井壁失稳机理，需要将固相封堵与水化抑制有机结合，而有效封堵是当前解决页岩井壁失稳的水基钻井液关键技术。有效封堵页岩纳微米孔隙的关键便是建立行之有效的封堵评价方法，筛选封堵效果优良的封堵剂。而这两方面的定性及定量的研究需要以真实页岩基质孔隙结构或近似结构作为研究基础。由于页岩硬脆性较强，易破碎，井下完整岩心的获取更是难上加难。因此，页岩基质数字岩心的构建对后续获取数字岩心微观孔隙结构以及封堵颗粒流动特征做出了基础性工作，同时更为建立封堵评价方法及筛选封堵剂做出了举足轻重的贡献。
然而，传统数字岩心的构建方法已较为成熟，有物理实验与数值模拟等方法。但传统方法应用场景较为局限，比如对于纳微米孔隙发育的超低渗页岩基质，孔隙吼道细微复杂，岩心重构时间会相当大，重构成本高，纳微米级别孔隙的岩心重建精度也不够高。近年来，深度学习随着硬件技术的提高得到了巨大的发展，因计算能力的大幅度提升，深度学习在图像领域得到了突出进步。深度学习通过学习原始样本的深层特征，从而能够使用少量样本建立目标模型，并且重建时间更短，精度更高。
有鉴于此，特提出本申请。
发明内容
本发明需要解决传统数字岩心重构方法中岩心重构时间长，重构成本高，对于纳微米孔隙发育的超低渗页岩基质重构精度低的问题，目的在于提供一种模拟页岩基质纳微米孔隙的数字岩心构建方法，缩短了重构时间，降低了成本，建立其精度更高的数字岩心模型。
本发明的技术方案为：
一种模拟页岩基质纳微米孔隙的数字岩心构建方法，包括：
获取页岩基质岩心训练数据集，页岩基质岩心训练数据集为经过预处理后的CT扫描岩心数据。
利用岩心训练数据集与高斯噪声对双判别器生成对抗网络进行训练，获得双判别器生成对抗网络模型；双判别器生成对抗网络为训练数字岩心的网络。
优化双判别器生成对抗网络的参数并训练网络，得到双判别器生成对抗网络的最优模型，其中，最优模型包括生成器以及从粗粒度方面判别的第一判别器和从细粒度方面判别的第二判别器。
将随机噪声输入到最优模型中，得到目标数字岩心。
进一步的，获取岩心训练数据集的具体方法包括：
对获取的岩心样本进行CT扫描，得到初始岩心图像。
对初始岩心图像使用中值滤波进行去噪处理，得到去噪后的岩心图像。
对去噪后的岩心图像进行二值化处理，得到岩心训练数据集。
进一步的，所述构建网络包括一个生成器和两个判别器，其中两个判别器采用不同的网络结构，第一判别器采用生成对抗网络中的判别器，第二判别器采用VGG16模型，使双判别器生成对抗网络在粗粒度方面和细粒度方面提升判别准确性，并反作用于生成器进行更好的生成样本，其中，所述粗粒度方面指对页岩岩心骨架和孔隙结构特征的低精度判别，所述细粒度方面指对页岩基质纳微米孔隙结构特征的高精度判别。
进一步的，最优模型获得的具体步骤包括：
将岩心训练数据集输入到双判别器生成对抗网络，获得初级岩心伪样本。
将岩心训练数据集与初级岩心伪样本输入双判别器生成对抗网络，获得高级岩心伪样本。
第一判别器采用二阶交叉熵损失方法，对岩心训练数据集与高级岩心伪样本进行对比，获得第一判别器损失。
第二判别器采用均方误差损失方法，通过增加深度从细粒度层面有效提升页岩基质纳微米级孔隙特征学习，对岩心训练数据集与高级岩心伪样本进行对比，获得第二判别器损失。
将第一判别器损失与第二判别器损失进行加权平均，确定双判别器生成对抗网络中第一判别器和第二判别器总损失，优化双判别器生成对抗网络的参数并训练网络，直到总损失之和的绝对值达到最小值时，获得最优模型。
进一步的，将岩心训练数据集输入到双判别器生成对抗网络，获得初级岩心伪样本，包括：
将岩心训练数据集输入到双判别器生成对抗网络中，第一判别器与第二判别器通过对岩心样本的特征学习，获得初级岩心语义特征。
将初级岩心语义特征和高斯噪声输入生成器，进行岩心模拟样本的生成，获得初级岩心伪样本。
进一步的，所述将岩心训练数据集与初级岩心伪样本输入双判别器生成对抗网络，获得高级岩心伪样本，包括：
将岩心训练数据集与初级岩心伪样本输入到双判别器生成对抗网络中，第一判别器和第二判别器分别针对粗粒度方面和细粒度方面对岩心样本的特征继续学习，获得高级岩心语义特征.。
将高级岩心语义特征和高斯噪声输入到所述网络中的生成器中，获得高级岩心伪样本。
进一步的，在最优模型中，损失函数Lossi的具体表达式为：
BCELossi为第一判别器的损失函数，MSELossi为第二判别器的损失函数。
进一步的，双判别器生成对抗网络的参数包括Epoch、Adam优化器参数以及初始学习率参数中的至少一种。
本发明还提供一种模拟页岩基质纳微米孔隙的数字岩心构建系统，包括获取模块、训练模块、优化模块、生成模块。
获取模块，通过获取原始岩心数据集；原始岩心数据集为经CT扫描后岩心数据集。
训练模块，用于利用岩心训练数据集与高斯噪声对双判别器生成对抗网络进行训练，获得双判别器生成对抗网络模型，其中，双判别器生成对抗网络为训练数字岩心的网络。
优化模块，用于优化双判别器生成对抗网络的参数并训练网络，得到双判别器生成对抗网络的最优模型，其中，最优模型包括用于从粗粒度方面判别的第一判别器和用于从细粒度方面判别的第二判别器。
生成模块，用于将随机噪声输入到最优模型中，得到目标数字岩心。
本发明与现有技术相比，具有如下的优点和突出效果：
使用模拟页岩基质纳微米孔隙的数字岩心构建方法，通过双判别器从粗、细粒度层面获取页岩基质纳微米级孔隙结构特征，解决了传统岩心重构方法中重构成本较高、重构时间较长、纳微米级孔隙超低渗岩心重建精度低等问题。
解决了基于深度学习的岩心三维重构方法中，纳微米级孔隙页岩基质岩心样本生成精度低的问题。该方法利用两种不同的判别器进行语义识别，从粗粒度和细粒度两方面对原始岩心图像进行学习，样本特征提取更充分，尤其是在细粒度方面采用VGG16网络大幅提高了页岩基质的重建精度。
使用本模拟页岩基质纳微米孔隙的数字岩心构建方法，在构建双判别器的基础上，对于一些致密的纳微米孔隙页岩基质能够在时间较短、成本较低的情况进行三维重构。又因为页岩纳微米孔隙发育，孔隙结构复杂，因此原来粗粒度的判别已经达不到需求，采用VGG16模型补充细粒度层面的判别，使得页岩纳微米孔隙重建精度更高。对进一步研究页岩基质内部纳微米孔隙流动，以及现场钻井安全，井壁稳定有着重要意义，从而达到稳产增产的效果。
附图说明
为了能够更好地展示本发明的具体实施细节，接下来将对实施例中的重要步骤进行附图展示并介绍，应当了解，以下附图仅对本发明中的实施例做出展示，但不限于其他范围的限定，依据本方法还可获得其他相关附图。
图1为模拟页岩基质纳微米孔隙的数字岩心构建方法流程图；
图2为模拟页岩基质纳微米孔隙的数字岩心构建网络示意图；
图3为CT扫描岩心图像；
图4为经过滤波处理后的CT扫描岩心图像；
图5为滤波处理后的CT扫描岩心图像再经过二值化处理后的图像；
图6为通过最优模型构建的目标数字岩心(角度1)；
图7为通过最优模型构建的目标数字岩心(角度2)；
图8为目标数字岩心和原始数字岩心之间的两点相关函数S2(r)对比；
图9为模拟页岩基质纳微米孔隙的数字岩心构建系统结构示意图一；
图10为模拟页岩基质纳微米孔隙的数字岩心构建系统结构示意图二。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例一
参阅图1所示，为模拟页岩基质纳微米孔隙的数字岩心构建方法流程图，包括：
S1：获取岩心训练数据集。
具体的，岩心训练数据集为经过中值滤波和二值化处理后的CT扫描页岩基质岩心数据。
S2：利用岩心训练数据集与高斯噪声对双判别器生成对抗网络进行训练。
其中，双判别器生成对抗网络为训练数字岩心的网络。
具体的方法步骤如下：
构建网络模型包括一个生成器G和两个判别器，其中两个判别器采用不同的网络结构，第一判别器D1采用GAN的判别器，第二判别器D2采用网络更深、卷积核更小的VGG16模型，使网络在粗粒度和细粒度两个不同方面提升判别准确性，并反作用于生成器G进行更好的生成样本。
最优模型获得的步骤如下：
将岩心训练数据集输入到双判别器生成对抗网络，获得初级岩心伪样本；将岩心训练数据集与初级岩心伪样本输入双判别器生成对抗网络，获得高级岩心伪样本；
具体生成的方法步骤为：
高级岩心语义特征以及高级岩心伪样本的具体生成方法步骤包括：
将岩心训练数据集与初级岩心伪样本输入到网络中，双判别器通过特征学习，获得高级岩心语义特征。
将高级岩心语义特征和高斯噪声输入到网络中的生成器中，获得高级岩心伪样本。
生成对抗网络(GAN，Generative Adversarial Networks)，是一种基于深度学习的无监督网络，网络结构主要由生成器和判别器构成，生成器用于生成更接近于原始数据的样本，判别器用于识别原始样本特征，并反馈于生成器进行样本的生成，两者相辅相成，互为促进；过程循环往复，逐步优化。
双判别器生成对抗网络中的第一判别器前两层采用卷积层，卷积核为4×4，步长为2；后两层采用全连接层，卷积核为1×1，步长为1，初始输入为28×28大小的图像。
双判别器生成对抗网络中的第二判别器使用到了VGG16模型，输入的岩心图像先变为(224,224,3)，分别通过16层神经网络，首先是2层通道数为64的卷积层，然后是2层通道数为128的卷积层，接着是3层通道数为256的卷积层，紧接着又通过6个通道数为512的卷积层。最后3层为全连接层。其中第2层、第4层、第8层、第12层和第16层卷积层之后均有池化操作。其中卷积核尺寸均为3×3。
在此步骤中，双判别器不断提取高级岩心语义特征，生成器不断生成高级岩心伪样本，循环往复，逐步得到较优网络模型，此时数字岩心重构时间缩短，岩心精度有较大提升。
使用不同结构的判别器，构建如图2的基于双判别器生成对抗网络的三维重构模型。将双判别器运用于生成对抗网络中，两个判别器(即第一判别器和第二判别器)分别从粗粒度和细粒度层面进行样本特征判别，从而得到精度更高的岩心三维模型。本发明基于Ubuntu16.04平台，显卡是NVIDIA GeForce GTX1080Ti，深度学习框架是python1.4，python3.6，cuda9.2，cudnn8.0，内存32G，显存11G。
获得最优模型的详细步骤如下：
岩心训练数据集输入到网络中，第一判别器与第二判别器通过对岩心样本的特征学习，第一判别器从粗粒度层面获取样本特征，第二判别器从细粒度层面获取样本特征，获得初级岩心语义特征；
将初级岩心语义特征和高斯噪声输入生成器，从而进行岩心模拟样本的生成，获得初级岩心伪样本；
将岩心训练数据集与初级岩心伪样本输入到网络中，双判别器通过特征学习，获得高级岩心语义特征，并将输入数据进行判别，输出样本为真的概率；
将高级岩心语义特征和高斯噪声输入网络的生成器中，获得高级岩心伪样本；
第一判别器采用二阶交叉熵损失方法，对岩心训练数据集与高级岩心伪样本进行对比，获得第一判别器损失；
第二判别器采用VGG16模型的均方误差损失方法，通过增加深度从细粒度层面有效提升页岩基质纳微米级孔隙特征学习，对岩心训练数据集与高级岩心伪样本进行对比，获得第二判别器损失；
将第一判别器损失与第二判别器损失进行加权平均，直到网络判别器总损失之和的绝对值达到最小值时，此时获得的模型为当前较优；
岩心训练数据集为data，D2GAN的参数为Φ，迭代次数为S,每个迭代有M步，G为生成器，D1为第一判别器，D2为第二判别器，A0为初级岩心语义特征，Ai为高级岩心语义特征，B0为初级岩心伪样本，Bi为高级岩心伪样本，初始化网络权重θ，用高斯噪声Z初始化输入，初始化状态S0；
将data作为D1和D2的输入，获得A0；
将A0、Z输入G，生成B0；
将data与B0作为D1和D2的输入，获得Ai；
将Ai、Z输入G，生成Bi；
将data与Bi送入D1，得出第一判别器损失函数BCELossi；
将data与Bi送入D2，得出第二判别器损失函数BCELossi；
回传S and更新Φ，G生成对应岩心样本，直到两损失之和绝对值Lossi达到最小时，获得的模型效果最好，此时构建D2GAN模型。
S3：通过逐步优化网络参数并训练网络，得到双判别器生成对抗网络的最优模型。
具体的，优化网络参数部分通过调整epoch，Adam优化器参数以及初始学习率等，并进行多次实验，获得网络最优模型，其中epoch为200，batch size为64，Adam优化器参数β1和β2分别为0.8和0.999，初始学习率为0.0005，每10个周期进行衰减。
S4：将随机噪声输入到所述最优模型中，得到目标数字岩心。
采用实验方法验证本发明的有效性。图3是通过CT扫描岩心数据集，并将岩心切片中值滤波处理，得到图4，再将滤波处理后的CT扫描岩心数据集进行二值化处理，得到岩心训练数据集，如图5所示。将岩心训练数据集输入到基于双判别器生成对抗网络中，双判别器对样本的特征进行学习，并将学习到的特征和高斯噪声输入生成器进行样本模拟，此时生成器和双判别器循环往复，相辅相成，直至得到较优模型。
通过逐步训练及优化网络，得到目标最优模型。将随机噪声输入到最优模型中，得到目标数字岩心，如图6、图7所示。通过与原始岩心数据对比，在两点相关系数方面，趋势更为接近，波动较小，如图8，因此说明重构的数字岩心精度更高，效果更好，也验证了本发明的有效性。
本实施例公开了的一种模拟页岩基质纳微米孔隙的数字岩心构建方法，通过将双判别器与生成对抗网络的方法相结合。由于页岩基质纳微米孔隙发育，孔隙结构复杂，渗透率极低，因此原来粗粒度的判别已达不到需求，运用VGG16模型补充细粒度层面的判别，分别从图像粗粒度层面和细粒度层面进行特征提取，并通过逐步训练及优化网络，获得最优模型，使得具有纳微米孔隙的页岩基质重建精度更高、时间更短、成本更低。
实施例二
本实施例提供了一种模拟页岩基质纳微米孔隙的数字岩心构建系统结构示意图一，参阅图9所示，本实施例是为了实现如实施例一中的三维重构方法，包括：
获取模块，用于获取岩心训练数据集，岩心训练数据集为CT扫描岩心图像经预处理后的数据；
训练模块，用于利用岩心训练数据集与高斯噪声对双判别器生成对抗网络进行训练，获得双判别器生成对抗网络模型，其中，双判别器生成对抗网络为训练数字岩心的网络；
优化模块，用于优化双判别器生成对抗网络的参数并训练网络，得到双判别器生成对抗网络的最优模型，其中，最优模型包括用于判别粗粒度的第一判别器和用于判别细粒度的第二判别器；
生成模块，用于将随机噪声输入到最优模型中，得到目标数字岩心。
实施例三
本实施例提供了一种模拟页岩基质纳微米孔隙的数字岩心构建系统结构示意图二，如图10所示，本实施例是为了实现如实施例一中的三维重构方法，包括数据获取模块、图像处理模块、模型构建模块、参数优化模块以及岩心构建模块，
数据获取模块，通过获取原始岩心数据集；原始岩心数据集为经CT扫描后岩心数据集；
图像处理模块，通过获取岩心训练数据集；岩心训练数据集为经过中值滤波及二值化处理后的CT扫描岩心数据；
模型构建模块，通过双判别器生成对抗网络网络方法，构建网络模型，并将岩心训练数据集与高斯噪声输入网络进行训练；
参数优化模块，通过逐步优化网络参数并训练网络，得到双判别器生成对抗网络的最优模型；
岩心构建模块，通过将随机噪声输入到最优模型中，得到目标数字岩心。
本文采用了具体个例对发明的目的、原理和实施方案做了进一步解释说明，以上实施例的说明只是用于帮助理解本发明，并不用于限定本实施例，反在本发明精神和原则之内，在具体实施方式及应用范围上有改进、替换等，均在本发明保户范围内。
Claims (18)
1.一种模拟页岩基质纳微米孔隙的数字岩心构建方法，其特征在于，包括以下步骤：
获取岩心训练数据集，所述岩心训练数据集为CT扫描岩心图像经预处理后的数据；
利用所述岩心训练数据集与高斯噪声对双判别器生成对抗网络进行训练，获得双判别器生成对抗网络模型，其中，所述双判别器生成对抗网络为训练数字岩心的网络；
优化所述双判别器生成对抗网络的参数并训练网络，得到所述双判别器生成对抗网络的最优模型，其中，所述最优模型包括生成器以及从粗粒度方面判别的第一判别器和从细粒度方面判别的第二判别器；
将随机噪声输入到所述最优模型中，得到目标数字岩心；
其中，所述第一判别器的前两层采用卷积层，卷积核为4×4，步长为2；后两层采用全连接层，卷积核为1×1，步长为1；所述第二判别器采用VGG16模型；
所述粗粒度方面指对页岩岩心骨架和孔隙结构特征的低精度判别，所述细粒度方面指对页岩基质纳微米孔隙结构特征的高精度判别。
2.根据权利要求1所述的数字岩心构建方法，其特征在于，所述获取岩心训练数据集，具体包括：
对获取的岩心样本进行CT扫描，得到初始岩心图像；
对所述初始岩心图像使用中值滤波进行去噪处理，得到去噪后的岩心图像；
对所述去噪后的岩心图像进行二值化处理，得到所述岩心训练数据集。
3.根据权利要求2所述的数字岩心构建方法，其特征在于，所述第一判别器采用生成对抗网络中的判别器，使所述双判别器生成对抗网络在粗粒度方面和细粒度方面提升判别准确性。
4.根据权利要求3所述的数字岩心构建方法，其特征在于，所述生成器用于在所述第一判别器和所述第二判别器的作用下，生成样本。
5.根据权利要求3所述的数字岩心构建方法，其特征在于，所述最优模型获得的具体步骤包括：
将所述岩心训练数据集输入到所述双判别器生成对抗网络，获得初级岩心伪样本；
将所述岩心训练数据集与所述初级岩心伪样本输入所述双判别器生成对抗网络，获得高级岩心伪样本；
所述第一判别器采用二阶交叉熵损失方法，对所述岩心训练数据集与所述高级岩心伪样本进行对比，获得第一判别器损失；
所述第二判别器采用均方误差损失方法，对所述岩心训练数据集与所述高级岩心伪样本进行对比，获得第二判别器损失；
将所述第一判别器损失与所述第二判别器损失进行加权平均，确定所述双判别器生成对抗网络中所述第一判别器和所述第二判别器总损失，优化所述双判别器生成对抗网络的参数并训练网络，直到所述总损失之和的绝对值达到最小值时，获得所述最优模型。
6.根据权利要求5所述的数字岩心构建方法，其特征在于，所述将所述岩心训练数据集输入到所述双判别器生成对抗网络，获得初级岩心伪样本，包括：
将所述岩心训练数据集输入到所述双判别器生成对抗网络中，所述第一判别器与所述第二判别器通过对所述岩心样本的特征学习，获得初级岩心语义特征；
将所述初级岩心语义特征和所述高斯噪声输入所述生成器，进行岩心模拟样本的生成，获得初级岩心伪样本。
7.根据权利要求5所述的数字岩心构建方法，其特征在于，所述将所述岩心训练数据集与所述初级岩心伪样本输入所述双判别器生成对抗网络，获得高级岩心伪样本，包括：
将所述岩心训练数据集与所述初级岩心伪样本输入到所述双判别器生成对抗网络中，所述第一判别器和所述第二判别器分别针对所述粗粒度方面和所述细粒度方面对所述岩心样本的特征继续学习，获得高级岩心语义特征；
将所述高级岩心语义特征和高斯噪声输入双判别器生成对抗网络的所述生成器中，获得高级岩心伪样本。
8.根据权利要求5所述的数字岩心构建方法，其特征在于，所述最优模型中，损失函数Loss i的具体表达式为：
BCELoss i为所述第一判别器的损失函数，MSELoss i为所述第二判别器的损失函数。
9.根据权利要求5所述的数字岩心构建方法，其特征在于，所述双判别器生成对抗网络的参数包括Epoch、Adam优化器参数以及初始学习率参数中的至少一种。
10.一种模拟页岩基质纳微米孔隙的数字岩心构建系统，其特征在于，包括：
获取模块，用于获取岩心训练数据集，所述岩心训练数据集为CT扫描岩心图像经预处理后的数据；
训练模块，用于利用所述岩心训练数据集与高斯噪声对双判别器生成对抗网络进行训练，获得双判别器生成对抗网络模型，其中，所述双判别器生成对抗网络为训练数字岩心的网络；
优化模块，用于优化所述双判别器生成对抗网络的参数并训练网络，得到所述双判别器生成对抗网络的最优模型，其中，所述最优模型包括生成器以及用于从粗粒度方面判别的第一判别器和用于从细粒度方面判别的第二判别器；
生成模块，用于将随机噪声输入到所述最优模型中，得到目标数字岩心;
其中，所述第一判别器的前两层采用卷积层，卷积核为4×4，步长为2；后两层采用全连接层，卷积核为1×1，步长为1；所述第二判别器采用VGG16模型；
所述粗粒度方面指对页岩岩心骨架和孔隙结构特征的低精度判别，所述细粒度方面指对页岩基质纳微米孔隙结构特征的高精度判别。
11.根据权利要求10所述的数字岩心构建系统，其特征在于，所述获取岩心训练数据集，具体包括：
对获取的岩心样本进行CT扫描，得到初始岩心图像；
对所述初始岩心图像使用中值滤波进行去噪处理，得到去噪后的岩心图像；
对所述去噪后的岩心图像进行二值化处理，得到所述岩心训练数据集。
12.根据权利要求11所述的数字岩心构建系统，其特征在于，所述第一判别器采用生成对抗网络中的判别器，使所述双判别器生成对抗网络在粗粒度方面和细粒度方面提升判别准确性。
13.根据权利要求12所述的数字岩心构建系统，其特征在于，所述生成器用于在所述第一判别器和所述第二判别器的作用下，生成样本。
14.根据权利要求12所述的数字岩心构建系统，其特征在于，所述最优模型获得的具体步骤包括：
将所述岩心训练数据集输入到所述双判别器生成对抗网络，获得初级岩心伪样本；
将所述岩心训练数据集与所述初级岩心伪样本输入所述双判别器生成对抗网络，获得高级岩心伪样本；
所述第一判别器采用二阶交叉熵损失方法，对所述岩心训练数据集与所述高级岩心伪样本进行对比，获得第一判别器损失；
所述第二判别器采用均方误差损失方法，对所述岩心训练数据集与所述高级岩心伪样本进行对比，获得第二判别器损失；
将所述第一判别器损失与所述第二判别器损失进行加权平均，确定所述双判别器生成对抗网络中所述第一判别器和所述第二判别器总损失，优化所述双判别器生成对抗网络的参数并训练网络，直到所述总损失之和的绝对值达到最小值时，获得所述最优模型。
15.根据权利要求14所述的数字岩心构建系统，其特征在于，所述将所述岩心训练数据集输入到所述双判别器生成对抗网络，获得初级岩心伪样本，包括：
将所述岩心训练数据集输入到所述双判别器生成对抗网络中，所述第一判别器与所述第二判别器通过对所述岩心样本的特征学习，获得初级岩心语义特征；
将所述初级岩心语义特征和所述高斯噪声输入所述生成器，进行岩心模拟样本的生成，获得初级岩心伪样本。
16.根据权利要求14所述的数字岩心构建系统，其特征在于，所述将所述岩心训练数据集与所述初级岩心伪样本输入所述双判别器生成对抗网络，获得高级岩心伪样本，包括：
将所述岩心训练数据集与所述初级岩心伪样本输入到所述双判别器生成对抗网络中，所述第一判别器和所述第二判别器分别针对所述粗粒度方面和所述细粒度方面对所述岩心样本的特征继续学习，获得高级岩心语义特征；
将所述高级岩心语义特征和高斯噪声输入双判别器生成对抗网络的所述生成器中，获得高级岩心伪样本。
17.根据权利要求14所述的数字岩心构建系统，其特征在于，所述最优模型中，损失函数Loss i的具体表达式为：
BCELoss i为所述第一判别器的损失函数，MSELoss i为所述第二判别器的损失函数。
18.根据权利要求14所述的数字岩心构建系统，其特征在于，所述双判别器生成对抗网络的参数包括Epoch、Adam优化器参数以及初始学习率参数中的至少一种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210805277.6A CN115115783B (zh) | 2022-07-08 | 2022-07-08 | 一种模拟页岩基质纳微米孔隙的数字岩心构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210805277.6A CN115115783B (zh) | 2022-07-08 | 2022-07-08 | 一种模拟页岩基质纳微米孔隙的数字岩心构建方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115115783A CN115115783A (zh) | 2022-09-27 |
| CN115115783B true CN115115783B (zh) | 2023-08-15 |
Family
ID=83333260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210805277.6A Active CN115115783B (zh) | 2022-07-08 | 2022-07-08 | 一种模拟页岩基质纳微米孔隙的数字岩心构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115115783B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114169457B (zh) * | 2021-12-13 | 2023-05-23 | 成都理工大学 | 基于岩心重建的风暴岩测井识别方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110570366A (zh) * | 2019-08-16 | 2019-12-13 | 西安理工大学 | 基于双判别深度卷积生成式对抗网络的图像修复方法 |
| CN111028146A (zh) * | 2019-11-06 | 2020-04-17 | 武汉理工大学 | 基于双判别器的生成对抗网络的图像超分辨率方法 |
| CN111402266A (zh) * | 2020-03-13 | 2020-07-10 | 中国石油大学(华东) | 一种构建数字岩心的方法及系统 |
| CN111429355A (zh) * | 2020-03-30 | 2020-07-17 | 新疆大学 | 一种基于生成对抗网络的图像超分辨率重建方法 |
| CN112132959A (zh) * | 2020-09-25 | 2020-12-25 | 东北石油大学 | 数字岩心图像处理方法、装置、计算机设备及存储介质 |
| CN112541864A (zh) * | 2020-09-25 | 2021-03-23 | 中国石油大学(华东) | 一种基于多尺度生成式对抗网络模型的图像修复方法 |
| CN112837247A (zh) * | 2021-04-06 | 2021-05-25 | 哈尔滨理工大学 | 一种融合改进残差网络的gan图像去噪算法 |
| CN114494387A (zh) * | 2022-01-25 | 2022-05-13 | 南京大学 | 一种生成数据集网络模型及雾图生成方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3742346A3 (en) * | 2019-05-23 | 2021-06-16 | HTC Corporation | Method for training generative adversarial network (gan), method for generating images by using gan, and computer readable storage medium |
-
2022
- 2022-07-08 CN CN202210805277.6A patent/CN115115783B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110570366A (zh) * | 2019-08-16 | 2019-12-13 | 西安理工大学 | 基于双判别深度卷积生成式对抗网络的图像修复方法 |
| CN111028146A (zh) * | 2019-11-06 | 2020-04-17 | 武汉理工大学 | 基于双判别器的生成对抗网络的图像超分辨率方法 |
| CN111402266A (zh) * | 2020-03-13 | 2020-07-10 | 中国石油大学(华东) | 一种构建数字岩心的方法及系统 |
| CN111429355A (zh) * | 2020-03-30 | 2020-07-17 | 新疆大学 | 一种基于生成对抗网络的图像超分辨率重建方法 |
| CN112132959A (zh) * | 2020-09-25 | 2020-12-25 | 东北石油大学 | 数字岩心图像处理方法、装置、计算机设备及存储介质 |
| CN112541864A (zh) * | 2020-09-25 | 2021-03-23 | 中国石油大学(华东) | 一种基于多尺度生成式对抗网络模型的图像修复方法 |
| CN112837247A (zh) * | 2021-04-06 | 2021-05-25 | 哈尔滨理工大学 | 一种融合改进残差网络的gan图像去噪算法 |
| CN114494387A (zh) * | 2022-01-25 | 2022-05-13 | 南京大学 | 一种生成数据集网络模型及雾图生成方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115115783A (zh) | 2022-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | Challenges and prospects of digital core‐reconstruction research | |
| CN113052371B (zh) | 基于深度卷积神经网络的剩余油分布预测方法及装置 | |
| Song et al. | Geological facies modeling based on progressive growing of generative adversarial networks (GANs) | |
| CN112502701B (zh) | 一种低渗透储层综合地质-工程的分类评价方法 | |
| CN102041995B (zh) | 复杂油藏水淹状况监测系统 | |
| CN114595608B (zh) | 一种压裂施工参数和工作制度参数优化方法及系统 | |
| CN113642698B (zh) | 地球物理测井智能解释方法、系统及存储介质 | |
| CN110007343B (zh) | 一种区域地质构造复杂程度的评价方法 | |
| CN116168295B (zh) | 一种岩性遥感智能解译模型建立方法及解译方法 | |
| CN108825223B (zh) | 一种页岩地层的层理特征提取方法 | |
| CN115115783B (zh) | 一种模拟页岩基质纳微米孔隙的数字岩心构建方法及系统 | |
| CN111612906A (zh) | 一种三维地质模型的生成方法、系统及计算机存储介质 | |
| CN114638255A (zh) | 一种结合深度学习的致密砂岩裂缝测井综合识别方法 | |
| CN114757864A (zh) | 一种基于多尺度特征解耦的多层级细粒度图像生成方法 | |
| CN117152373B (zh) | 一种考虑裂缝的岩心级孔隙网络模型构建方法 | |
| Xia et al. | Multi-scale reconstruction of porous media based on progressively growing generative adversarial networks | |
| CN107515425A (zh) | 适用于陡坡带砂砾岩沉积连通体的地震预测方法 | |
| CN111859709B (zh) | 一种含水层结构变异转移概率的地质统计模拟方法及装置 | |
| CN112459777A (zh) | 一种储层工程甜点系数的计算方法 | |
| CN116398114A (zh) | 一种小样本条件下的储层物性参数智能预测方法及系统 | |
| Hou et al. | Extended GOSIM: MPS‐Driven Simulation of 3D Geological Structure Using 2D Cross‐Sections | |
| Zheng et al. | A Lithology Recognition Network Based on Attention and Feature Brownian Distance Covariance | |
| CN104182558A (zh) | 一种缝洞野外露头水驱油数值模拟方法 | |
| Robertson et al. | Optimization of unconventional well-pad area using reservoir simulation and intelligent sequential sampling | |
| CN112782780A (zh) | 一种基于岩石物理相的储层评价方法、装置及设备 |
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 |