CN115184218A - 一种基于微观渗流模拟和机器学习的粘性指进快速预测方法 - Google Patents
一种基于微观渗流模拟和机器学习的粘性指进快速预测方法 Download PDFInfo
- Publication number
- CN115184218A CN115184218A CN202210809532.4A CN202210809532A CN115184218A CN 115184218 A CN115184218 A CN 115184218A CN 202210809532 A CN202210809532 A CN 202210809532A CN 115184218 A CN115184218 A CN 115184218A
- Authority
- CN
- China
- Prior art keywords
- fingering
- viscosity
- capillary
- phase
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004088 simulation Methods 0.000 title claims abstract description 19
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 238000009736 wetting Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000010587 phase diagram Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000006073 displacement reaction Methods 0.000 claims description 38
- 230000007704 transition Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 239000011148 porous material Substances 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N13/00—Investigating surface or boundary effects, e.g. wetting power; Investigating diffusion effects; Analysing materials by determining surface, boundary, or diffusion effects
- G01N13/04—Investigating osmotic effects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N13/00—Investigating surface or boundary effects, e.g. wetting power; Investigating diffusion effects; Analysing materials by determining surface, boundary, or diffusion effects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N15/082—Investigating permeability by forcing a fluid through a sample
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Dispersion Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于微观渗流模拟和机器学习的粘性指进快速预测方法，其主要步骤包括：输入不同的二维多孔介质图片，模拟非润湿相驱替润湿相的微观渗流过程，得到不同毛管数和粘度比下非润湿相突破时的饱和度场，依据非润湿相饱和度随粘度比对数或毛管数对数的变化曲线划分不同粘性指进类型区域并绘制粘性指进相图，对二维多孔介质图片和非润湿相突破时的饱和度场进行处理，得到训练图像与标签图像，输入U‑Net网络进行训练，利用网络对新的多孔介质图片在不同的毛管数与粘度比下的饱和度场和粘性指进类型进行预测。该方法基于典型多孔介质的粘性指进图版即可预测同类型多孔介质在不同毛管数和粘度比下的饱和度场和粘性指进类型，提高了计算效率。
Description
技术领域
本发明涉及微观渗流和机器学习技术领域，尤其涉及一种基于微观渗流模拟和机器学习的粘性指进快速预测方法。
背景技术
多孔介质中的不稳定非混相驱替广泛存在于自然界和生产生活中，不稳定非混相驱替中的粘性指进现象会降低驱替效率，研究微观渗流规律对更好的理解宏观驱替过程具有重要意义。目前研究两相微观渗流的方法主要包括实验方法和模拟方法，其中基于实验方法研究微观渗流规律需要昂贵的实验设备并耗费大量的时间，并且微观刻蚀模型的光滑度对实验结果具有较大影响；基于模拟方法研究微观渗流规律则需要耗费大量的计算资源和时间成本，而且当参数取值过大时会出现不收敛现象，使得参数的取值范围受限。因此，为了研究多孔介质中的微观渗流规律，亟需提出一种基于微观渗流模拟和机器学习的粘性指进快速预测方法。
发明内容
为解决微观渗流模拟的模拟速度慢，参数取值范围受限且可能出现不收敛现象的问题，本发明提供了一种基于微观渗流模拟和机器学习的粘性指进快速预测方法，该方法能够快速预测不同多孔介质在不同毛管数和粘度比下非润湿性突破时的饱和度场及粘性指进类型。
本发明技术方案具体步骤如下：
(1)输入不同二维多孔介质图片，利用格子玻尔兹曼方法模拟非润湿相驱替润湿相的微观渗流过程，在初始时刻多孔介质中的孔隙全部被润湿相占据，得到不同毛管数Ca和不同粘度比M下非润湿相突破时的饱和度场。
(2)针对某一多孔介质图片，基于不同毛管数Ca和不同粘度比M下非润湿相突破时的饱和度场计算非润湿相饱和度Sn，在某一毛管数Ca下，绘制非润湿相饱和度Sn随粘度比对数log M的变化曲线，依据非润湿相饱和度Sn的大小分为粘性指进区，过渡区和平稳驱替区，或粘性指进区，过渡区和毛管指进区，绘制在某一粘度比M下，非润湿相饱和度Sn随毛管数对数log Ca的变化曲线，依据非润湿相饱和度Sn的大小分为毛管指进区，过渡区和粘性指进区，或毛管指进区，过渡区和平稳驱替区。
(3)基于不同毛管数Ca和粘度比M下的分区结果，将毛管数Ca和粘度比M的双对数图划分为粘性指进区，毛管指进区，平稳驱替区和过渡区，得到针对每一张多孔介质图片的粘性指进相图。
(4)基于二维多孔介质图片进行输入处理，得到训练图像。
(5)基于非润湿相突破时的饱和度场及其所对应的粘性指进类型进行输出处理，得到标签图像。
(6)将步骤(4)和步骤(5)中得到的训练图像与该多孔介质图片在该毛管数Ca和粘度比M下的标签图像一一对应，将对应后的图像输入到U-Net网络中进行训练。
(7)利用步骤(4)的方法对新的多孔介质图片进行处理，输入网络中对其在不同毛管数Ca和不同粘度比M下非润湿相突破时的饱和度场与粘性指进类型进行预测。
所述步骤(1)中毛管数Ca和粘度比M的计算公式如下：
其中μn是非润湿相驱替速度，ηn是非润湿相粘度，σ是表面张力，θ是润湿角，ηw是润湿相粘度。
所述步骤(2)中的非润湿相饱和度Sn的计算公式如下：
其中Vn是饱和度场图中非润湿相所占区域大小，Vw是饱和度场图中润湿相所占区域大小。
所述步骤(3)中粘性指进区，毛管指进区，平稳驱替区和过渡区的确定方法如下：
粘性指进相图的横轴为粘度比对数log M，纵轴为毛管数对数log Ca，相图左侧为粘性指进区，下侧为毛管指进区，右上角为平稳驱替区，粘性指进区与平稳驱替区的界面平行于log Ca轴，毛管指进区与平稳驱替区的界面平行于log M轴，粘性指进区与毛管指进区的界面平行于log Ca＝log M，任意两个区之间均存在过渡区。
所述步骤(4)中的训练图像处理方法如下：
将二维多孔介质图片中孔隙部分的像素值设为1，固体骨架部分的像素值设为0，得到单通道灰度图，并建立两个与多孔介质图片像素点数目相同的二维矩阵，矩阵中的数值分别为毛管数对数log Ca和粘度比对数log M，将单通道灰度图与两个二维矩阵依次进行叠加，得到训练图像。
所述步骤(5)中的标签图像处理方法如下：
将驱替相突破时的饱和度场图中固体骨架部分的像素值设为0，驱替相部分的像素值设为1，被驱替相部分的像素值设为2，得到单通道灰度图，并建立4个与多孔介质图片像素点数目相同的二维矩阵，每个矩阵分别对应毛管指进，平稳驱替，粘性指进和过渡区四种粘性指进类型，将饱和度场对应的粘性指进类型二维矩阵中的数值全部赋值为1，其余的二维矩阵中的数值全部赋值为0，将单通道灰度图与4个二维矩阵依次进行叠加，得到标签图像。
所述步骤(6)中的U-Net网络包含4层编码层和4层解码层；编码层中每一层主要由两个3×3的卷积层以及一个2×2的池化层组成；在进行完每一个卷积操作之后，通过Relu(整流线性单元)激活函数进行激活，最后进行池化操作；解码层的每一层与编码网络层次相对应，每一层主要由两个3×3的卷积层以及一个2×2的上采样层组成，在进行每一次卷积操作之前，需要进行一次跳跃连接操作，即将来自编码层的特征与解码层的特征采用特征层拼接方法进行拼接融合；最后，经过一个1×1的卷积层得到饱和度场与代表四种粘性指进类型的矩阵，在训练时，网络的损失函数为网络的输出与标签图像的交叉熵。
所述步骤(7)中的预测过程如下：
将利用步骤(4)方法处理后的图像输入到网络中，即可得到饱和度场与代表不同粘性指进类型的四个矩阵，对四个矩阵分别求和，数值最大的矩阵对应的粘性指进类型，即为该多孔介质在该毛管数Ca和粘度比M下的粘性指进类型。
本发明具有以下有益效果及优点：
本发明建立了微观渗流过程的机器学习预测方法，仅仅基于典型多孔介质的粘性指进图版即可预测同类型多孔介质在不同毛管数和粘度比下的饱和度场和粘性指进类型，具有计算速度快，稳定性强，参数的取值范围广的特点。
附图说明
图1为本发明的流程图。
图2为非润湿相饱和度随毛管数变化曲线和非润湿相饱和度随粘度比变化曲线。
图3为粘性指进，毛管指进和平稳驱替示意图。
图4为粘性指进相图。
图5为训练图像。
图6为标签图像。
图7为U-Net网络结构图。
图8为网络预测图。
具体实施方式
结合附图及实施例对本发明做进一步说明：
本实施例中提供一种基于微观渗流模拟和机器学习的粘性指进快速预测方法，如图1所示，包括以下步骤：
(1)输入不同二维多孔介质图片，利用格子玻尔兹曼方法模拟非润湿相驱替润湿相的微观渗流过程，在初始时刻多孔介质中的孔隙全部被润湿相占据，得到不同毛管数Ca和不同粘度比M下非润湿相突破时的饱和度场。
毛管数Ca和粘度比M的计算公式如下：
其中μn是非润湿相驱替速度，ηn是非润湿相粘度，σ是表面张力，θ是润湿角，ηw是润湿相粘度。
(2)针对某一多孔介质图片，基于不同毛管数Ca和不同粘度比M下非润湿相突破时的饱和度场计算非润湿相饱和度Sn，非润湿相饱和度Sn的计算公式如下：
其中Vn是饱和度场图中非润湿相所占区域大小，Vw是饱和度场图中润湿相所占区域大小。
在某一毛管数Ca下，绘制非润湿相饱和度Sn随粘度比对数log M的变化曲线，依据非润湿相饱和度Sn的大小分为粘性指进区，过渡区和平稳驱替区，或粘性指进区，过渡区和毛管指进区，绘制在某一粘度比M下，非润湿相饱和度Sn随毛管数对数log Ca的变化曲线，依据非润湿相饱和度Sn的大小分为毛管指进区，过渡区和粘性指进区，或毛管指进区，过渡区和平稳驱替区，在本实施例中，基于某一多孔介质图片得到非润湿相饱和度Sn的变化曲线及分区结果如图2所示，粘性指进，毛管指进和平稳驱替示意图如图3所示。
(3)基于不同毛管数Ca和粘度比M下的分区结果，将毛管数Ca和粘度比M的双对数图划分为粘性指进区，毛管指进区，平稳驱替区和过渡区，得到粘性指进相图。
粘性指进相图的横轴为粘度比对数log M，纵轴为毛管数对数log Ca，相图左侧为粘性指进区，下侧为毛管指进区，右上角为平稳驱替区，粘性指进区与平稳驱替区的界面平行于log Ca轴，毛管指进区与平稳驱替区的界面平行于log M轴，粘性指进区与毛管指进区的界面平行于log Ca＝log M，任意两个区之间均存在过渡区，在本实施例中，基于某一多孔介质图片得到粘性指进相图如图4所示。
(4)基于二维多孔介质图片进行输入处理，将二维多孔介质图片中孔隙部分的像素值设为1，固体骨架部分的像素值设为0，得到单通道灰度图，并建立两个与多孔介质图片像素点数目相同的二维矩阵，矩阵中的数值分别为毛管数对数log Ca和粘度比对数log M，将单通道灰度图与两个二维矩阵依次进行叠加，得到训练图像，在本实施例中，某一多孔介质在毛管数对数log Ca＝-1和粘度比对数log M＝0下的训练图像如图5所示。
(5)基于非润湿相突破时的饱和度场及其所对应的粘性指进类型进行输出处理，将驱替相突破时的饱和度场图中固体骨架部分的像素值设为0，驱替相部分的像素值设为1，被驱替相部分的像素值设为2，得到单通道灰度图，并建立4个与多孔介质图片像素点数目相同的二维矩阵，每个矩阵分别对应毛管指进，平稳驱替，粘性指进和过渡区四种粘性指进类型，将饱和度场对应的粘性指进类型二维矩阵中的数值全部赋值为1，其余的二维矩阵中的数值全部赋值为0，将单通道灰度图与4个二维矩阵依次进行叠加，得到标签图像，在本实施例中，利用格子玻尔兹曼方法得到某一多孔介质在毛管数对数log Ca＝-1和粘度比对数log M＝-2下的非润湿相突破时的饱和度场，基于粘性指进相图得到对应的粘性指进类型为粘性指进，对非润湿相突破时的饱和度场及粘性指进类型进行处理后得到的标签图像如图6所示。
(6)将步骤(4)和步骤(5)中得到的训练图像与该多孔介质图片在该毛管数Ca和粘度比M下的标签图像一一对应，将对应后的图像输入到U-Net网络中进行训练；
在本实施例中，U-Net网络结构如图7所示，包含4层编码层和4层解码层；编码层中每一层主要由两个3×3的卷积层以及一个2×2的池化层组成；在进行完每一个卷积操作之后，通过Relu(整流线性单元)激活函数进行激活，最后进行池化操作；解码层的每一层与编码网络层次相对应，每一层主要由两个3×3的卷积层以及一个2×2的上采样层组成，在进行每一次卷积操作之前，需要进行一次跳跃连接操作，即将来自编码层的特征与解码层的特征采用特征层拼接方法进行拼接融合；最后，经过一个1×1的卷积层得到饱和度场与代表四种粘性指进类型的矩阵，在训练时，网络的损失函数为网络的输出与标签图像的交叉熵。
(7)利用步骤(4)的方法对新的多孔介质图片进行处理，输入网络中进行预测，即可得到其在不同毛管数Ca和不同粘度比M下的饱和度场与代表不同粘性指进类型的四个矩阵，对四个矩阵分别求和，数值最大的矩阵对应的粘性指进类型，即其对应的粘性指进类型。在本实施例中，如图8所示，将新的多孔介质输入网络中进行预测，得到其在毛管数对数log Ca＝-1和粘度比对数log M＝1时的饱和度场图，并确定其粘性指进类型为平稳驱替。
Claims (8)
1.一种基于微观渗流模拟和机器学习的粘性指进快速预测方法，其特征在于以下步骤：
(1)输入不同二维多孔介质图片，利用格子玻尔兹曼方法模拟非润湿相驱替润湿相的微观渗流过程，在初始时刻多孔介质中的孔隙全部被润湿相占据，得到不同毛管数Ca和不同粘度比M下非润湿相突破时的饱和度场；
(2)针对某一多孔介质图片，基于不同毛管数Ca和不同粘度比M下非润湿相突破时的饱和度场计算非润湿相饱和度Sn，在某一毛管数Ca下，绘制非润湿相饱和度Sn随粘度比对数log M的变化曲线，依据非润湿相饱和度Sn的大小分为粘性指进区，过渡区和平稳驱替区，或粘性指进区，过渡区和毛管指进区，绘制在某一粘度比M下，非润湿相饱和度Sn随毛管数对数log Ca的变化曲线，依据非润湿相饱和度Sn的大小分为毛管指进区，过渡区和粘性指进区，或毛管指进区，过渡区和平稳驱替区；
(3)基于不同毛管数Ca和粘度比M下的分区结果，将毛管数Ca和粘度比M的双对数图划分为粘性指进区，毛管指进区，平稳驱替区和过渡区，得到针对每一张多孔介质图片的粘性指进相图；
(4)基于二维多孔介质图片进行输入处理，得到训练图像；
(5)基于非润湿相突破时的饱和度场及其所对应的粘性指进类型进行输出处理，得到标签图像；
(6)将步骤(4)和步骤(5)中得到的训练图像与该多孔介质图片在该毛管数Ca和粘度比M下的标签图像一一对应，将对应后的图像输入到U-Net网络中进行训练；
(7)利用步骤(4)的方法对新的多孔介质图片进行处理，输入网络中对其在不同毛管数Ca和不同粘度比M下非润湿相突破时的饱和度场与粘性指进类型进行预测。
2.如权利要求1中的一种基于微观渗流模拟和机器学习的粘性指进快速预测方法，其特征在于，其所述步骤(1)中毛管数Ca和粘度比M的计算公式如下：
其中μn是非润湿相驱替速度，ηn是非润湿相粘度，σ是表面张力，θ是润湿角，ηw是润湿相粘度。
3.如权利要求1中的一种基于微观渗流模拟和机器学习的粘性指进快速预测方法，其特征在于，其所述步骤(2)中的非润湿相饱和度Sn的计算公式如下：
其中Vn是饱和度场图中非润湿相所占区域大小，Vw是饱和度场图中润湿相所占区域大小。
4.如权利要求1中的一种基于微观渗流模拟和机器学习的粘性指进快速预测方法，其特征在于，其所述步骤(3)中粘性指进区，毛管指进区，平稳驱替区和过渡区的确定方法如下：
粘性指进相图的横轴为粘度比对数log M，纵轴为毛管数对数log Ca，相图左侧为粘性指进区，下侧为毛管指进区，右上角为平稳驱替区，粘性指进区与平稳驱替区的界面平行于log Ca轴，毛管指进区与平稳驱替区的界面平行于log M轴，粘性指进区与毛管指进区的界面平行于log Ca＝log M，任意两个区域之间均存在过渡区。
5.如权利要求1中的一种基于微观渗流模拟和机器学习的粘性指进快速预测方法，其特征在于，其所述步骤(4)中的训练图像处理方法如下：
将二维多孔介质图片中孔隙部分的像素值设为1，固体骨架部分的像素值设为0，得到单通道灰度图，并建立两个与多孔介质图片像素点数目相同的二维矩阵，矩阵中的数值分别为毛管数对数log Ca和粘度比对数log M，将单通道灰度图与两个二维矩阵依次进行叠加，得到训练图像。
6.如权利要求1中的一种基于微观渗流模拟和机器学习的粘性指进快速预测方法，其特征在于，其所述步骤(5)中的标签图像处理方法如下：
将驱替相突破时的饱和度场图中固体骨架部分的像素值设为0，驱替相部分的像素值设为1，被驱替相部分的像素值设为2，得到单通道灰度图，并建立4个与多孔介质图片像素点数目相同的二维矩阵，每个矩阵分别对应毛管指进，平稳驱替，粘性指进和过渡区四种粘性指进类型，将饱和度场对应的粘性指进类型二维矩阵中的数值全部赋值为1，其余的二维矩阵中的数值全部赋值为0，将单通道灰度图与4个二维矩阵依次进行叠加，得到标签图像。
7.如权利要求1中的一种基于微观渗流模拟和机器学习的粘性指进快速预测方法，其特征在于，其所述步骤(6)中的U-Net网络包含4层编码层和4层解码层；编码层中每一层主要由两个3×3的卷积层以及一个2×2的池化层组成；在进行完每一个卷积操作之后，通过Relu(整流线性单元)激活函数进行激活，最后进行池化操作；解码层的每一层与编码网络层次相对应，每一层主要由两个3×3的卷积层以及一个2×2的上采样层组成，在进行每一次卷积操作之前，需要进行一次跳跃连接操作，即将来自编码层的特征与解码层的特征采用特征层拼接方法进行拼接融合；最后，经过一个1×1的卷积层得到饱和度场与代表四种粘性指进类型的矩阵，在训练时，网络的损失函数为网络的输出与标签图像的交叉熵。
8.如权利要求1中的一种基于微观渗流模拟和机器学习的粘性指进快速预测方法，其特征在于，其所述步骤(7)中的预测过程如下：
将利用步骤(4)方法处理后的图像输入到网络中，即可得到饱和度场与代表不同粘性指进类型的四个矩阵，对四个矩阵分别求和，数值最大的矩阵对应的粘性指进类型，即为该多孔介质在该毛管数Ca和粘度比M下的粘性指进类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210809532.4A CN115184218B (zh) | 2022-07-11 | 2022-07-11 | 一种基于微观渗流模拟和机器学习的粘性指进快速预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210809532.4A CN115184218B (zh) | 2022-07-11 | 2022-07-11 | 一种基于微观渗流模拟和机器学习的粘性指进快速预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115184218A true CN115184218A (zh) | 2022-10-14 |
| CN115184218B CN115184218B (zh) | 2024-10-11 |
Family
ID=83516818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210809532.4A Active CN115184218B (zh) | 2022-07-11 | 2022-07-11 | 一种基于微观渗流模拟和机器学习的粘性指进快速预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115184218B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060282829A1 (en) * | 2005-06-10 | 2006-12-14 | Mcllvaine Michael S | Method and apparatus for managing instruction flushing in a microprocessor's instruction pipeline |
| US20130173166A1 (en) * | 2012-01-04 | 2013-07-04 | Mohammed Badri | Tracking non-uniform flooding fronts of gas injection in oil reservoirs |
| US20130211746A1 (en) * | 2012-02-14 | 2013-08-15 | King Fahd University Of Petroleum And Minerals | Multiphase flow measurement system and method |
| CN104076046A (zh) * | 2013-03-28 | 2014-10-01 | 中国石油化工股份有限公司 | 多孔介质中剩余油微观分布图像采集与定量表征方法 |
| CN105372168A (zh) * | 2015-12-08 | 2016-03-02 | 清华大学 | 一种混凝土孔隙三维结构的构建方法 |
| CN106092856A (zh) * | 2016-07-15 | 2016-11-09 | 中国矿业大学 | 一种粗糙裂隙网络渗流定量可视化模拟系统及其试验方法 |
| CN106442271A (zh) * | 2016-11-18 | 2017-02-22 | 杨康 | 岩心渗透率模拟方法及装置 |
| CN109521014A (zh) * | 2018-10-08 | 2019-03-26 | 中国水利水电科学研究院 | 一种评价土石二元介质基质流、优先流程度的方法 |
| CN110210176A (zh) * | 2019-06-24 | 2019-09-06 | 中国科学院武汉岩土力学研究所 | 一种花岗岩微观裂缝结构识别和微观渗流分析方法 |
| CN110658225A (zh) * | 2019-11-15 | 2020-01-07 | 大连理工大学 | 一种基于mri的高温高压下两相流体对流混合实验方法 |
| US20210110091A1 (en) * | 2019-10-15 | 2021-04-15 | China Institute Of Water Resources And Hydropower Research | Water supply simulation method and tool for interlaced system of river system and canal system based on groundwater model |
| CN113138148A (zh) * | 2021-04-21 | 2021-07-20 | 中国农业大学 | 一种基于红外图像的土壤入渗性能自动测量方法及装置 |
| US20210267455A1 (en) * | 2020-02-03 | 2021-09-02 | University Of Virginia Patent Foundation | Systems and methods for phase unwrapping for dense mri using deep learning |
| CN113743023A (zh) * | 2021-10-12 | 2021-12-03 | 中国石油化工股份有限公司 | 一种二氧化碳驱油气窜通道分级表征方法 |
| WO2022042522A1 (zh) * | 2020-08-28 | 2022-03-03 | 武汉大学 | 用于物质和材料的计算机仿真模拟方法及装置 |
| CN114580260A (zh) * | 2021-10-08 | 2022-06-03 | 成都理工大学 | 一种基于机器学习和概率理论的滑坡区间预测方法 |
-
2022
- 2022-07-11 CN CN202210809532.4A patent/CN115184218B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060282829A1 (en) * | 2005-06-10 | 2006-12-14 | Mcllvaine Michael S | Method and apparatus for managing instruction flushing in a microprocessor's instruction pipeline |
| US20130173166A1 (en) * | 2012-01-04 | 2013-07-04 | Mohammed Badri | Tracking non-uniform flooding fronts of gas injection in oil reservoirs |
| US20130211746A1 (en) * | 2012-02-14 | 2013-08-15 | King Fahd University Of Petroleum And Minerals | Multiphase flow measurement system and method |
| CN104076046A (zh) * | 2013-03-28 | 2014-10-01 | 中国石油化工股份有限公司 | 多孔介质中剩余油微观分布图像采集与定量表征方法 |
| CN105372168A (zh) * | 2015-12-08 | 2016-03-02 | 清华大学 | 一种混凝土孔隙三维结构的构建方法 |
| CN106092856A (zh) * | 2016-07-15 | 2016-11-09 | 中国矿业大学 | 一种粗糙裂隙网络渗流定量可视化模拟系统及其试验方法 |
| CN106442271A (zh) * | 2016-11-18 | 2017-02-22 | 杨康 | 岩心渗透率模拟方法及装置 |
| CN109521014A (zh) * | 2018-10-08 | 2019-03-26 | 中国水利水电科学研究院 | 一种评价土石二元介质基质流、优先流程度的方法 |
| CN110210176A (zh) * | 2019-06-24 | 2019-09-06 | 中国科学院武汉岩土力学研究所 | 一种花岗岩微观裂缝结构识别和微观渗流分析方法 |
| US20210110091A1 (en) * | 2019-10-15 | 2021-04-15 | China Institute Of Water Resources And Hydropower Research | Water supply simulation method and tool for interlaced system of river system and canal system based on groundwater model |
| CN110658225A (zh) * | 2019-11-15 | 2020-01-07 | 大连理工大学 | 一种基于mri的高温高压下两相流体对流混合实验方法 |
| US20210267455A1 (en) * | 2020-02-03 | 2021-09-02 | University Of Virginia Patent Foundation | Systems and methods for phase unwrapping for dense mri using deep learning |
| WO2022042522A1 (zh) * | 2020-08-28 | 2022-03-03 | 武汉大学 | 用于物质和材料的计算机仿真模拟方法及装置 |
| CN113138148A (zh) * | 2021-04-21 | 2021-07-20 | 中国农业大学 | 一种基于红外图像的土壤入渗性能自动测量方法及装置 |
| CN114580260A (zh) * | 2021-10-08 | 2022-06-03 | 成都理工大学 | 一种基于机器学习和概率理论的滑坡区间预测方法 |
| CN113743023A (zh) * | 2021-10-12 | 2021-12-03 | 中国石油化工股份有限公司 | 一种二氧化碳驱油气窜通道分级表征方法 |
Non-Patent Citations (5)
| Title |
|---|
| AVDHOOT A. LENDHE 等: "Machine learning approach to predict viscous fingering in Hele-Shaw cells", 《INTERNATIONAL JOURNAL ON INTERACTIVE DESIGN AND MANUFACTURING》, 30 June 2023 (2023-06-30), pages 1 - 57 * |
| HAIHU LIU 等: "Pore-scale modeling of spontaneous imbibition in porous media using the lattice Boltzmann method", 《WATER RESOURCE RESEARCH》, vol. 57, no. 6, 17 May 2021 (2021-05-17), pages 1 - 24 * |
| 侯健 等: "非均相复合驱非连续相渗流特征及提高驱油效率机制", 《中国石油大学学报（自然科学版）》, vol. 43, no. 5, 31 December 2019 (2019-12-31), pages 128 - 135 * |
| 林雪松 等: "尾矿砂二维非饱和渗流的实验研究", 《实验力学》, vol. 33, no. 3, 12 June 2018 (2018-06-12), pages 435 - 441 * |
| 许丽: "砂岩油藏孔隙网络模型构造及应用研究", 《中国博士学位论文全文数据库 工程科技I辑》, no. 1, 15 January 2019 (2019-01-15), pages 019 - 30 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115184218B (zh) | 2024-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112634276B (zh) | 一种基于多尺度视觉特征提取的轻量级语义分割方法 | |
| CN110674714B (zh) | 基于迁移学习的人脸和人脸关键点联合检测方法 | |
| CN112528977B (zh) | 目标检测方法、装置、电子设备和存储介质 | |
| CN109389556A (zh) | 一种多尺度空洞卷积神经网络超分辨率重构方法及装置 | |
| CN108230233A (zh) | 数据增强、处理方法和装置、电子设备和计算机存储介质 | |
| CN109542987B (zh) | 一种基于Canvas的在线地图保存方法 | |
| KR20190043419A (ko) | 조기 중단에 기반한 심층 신경망의 연산 제어 방법 및 시스템 | |
| CN108647184A (zh) | 一种高精度动态比特位卷积乘法快速实现方法 | |
| CN107527358A (zh) | 一种稠密光流估计方法及装置 | |
| CN112164065B (zh) | 一种基于轻量化卷积神经网络的实时图像语义分割方法 | |
| CN112016569A (zh) | 基于注意力机制的目标检测方法、网络、设备和存储介质 | |
| CN115184218A (zh) | 一种基于微观渗流模拟和机器学习的粘性指进快速预测方法 | |
| CN114202648B (zh) | 文本图像矫正方法、训练方法、装置、电子设备以及介质 | |
| Li et al. | A self-learning bee colony and genetic algorithm hybrid for cloud manufacturing services | |
| CN118013160A (zh) | 一种求解多介质流动问题的守恒型界面处理方法及系统 | |
| CN101699545B (zh) | 地图空间点的自动综合方法和装置 | |
| CN110782023B (zh) | 约简残差模块多孔卷积架构网络及快速语义分割方法 | |
| Tang et al. | Lightweight network with one-shot aggregation for image super-resolution | |
| CN110276413B (zh) | 一种模型压缩方法及装置 | |
| CN111983618A (zh) | 一种基于人工智能的机场风廓线雷达高分辨率显示系统 | |
| CN116205158A (zh) | 一种基于元学习的流动非线性降阶建模与预示方法 | |
| CN115272523A (zh) | 空气质量分布图的绘制方法、装置、电子设备和存储介质 | |
| CN110457155A (zh) | 一种样本类别标签的修正方法、装置及电子设备 | |
| CN114863094A (zh) | 基于双支路网络的工业图像感兴趣区域分割算法 | |
| CN116301914A (zh) | 基于gap8微处理器的卷积神经网络部署方法 |
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 |