CN115456867A - 一种数字岩心重构方法 - Google Patents
一种数字岩心重构方法 Download PDFInfo
- Publication number
- CN115456867A CN115456867A CN202211144971.4A CN202211144971A CN115456867A CN 115456867 A CN115456867 A CN 115456867A CN 202211144971 A CN202211144971 A CN 202211144971A CN 115456867 A CN115456867 A CN 115456867A
- Authority
- CN
- China
- Prior art keywords
- layer
- network
- resolution
- image features
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 claims abstract description 120
- 230000015654 memory Effects 0.000 claims abstract description 106
- 239000011435 rock Substances 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 230000007787 long-term memory Effects 0.000 claims abstract description 9
- 230000006403 short-term memory Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000002922 simulated annealing Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种数字岩心重构方法，包括以下步骤：S1：将三维数字岩心图像转换为岩心序列切片；S2：将岩心序列切片转换为数字图像矩阵；S3：将数字图像矩阵作为生成对抗网络的输入，训练生成对抗网络；S4：将岩心序列切片作为改进长短期记忆神经网络的输入，训练改进长短期记忆神经网络，并得到时序特征；S5：将时序特征输入至训练好的生成对抗网络中，生成预测岩心图像，并将预测岩心图像转换为最新的数字图像矩阵，继续下一张三维数字岩心图像重构。本发明利用长短期记忆神经网络能够精确的获得样本序列图片的时序特征，且生成对抗网络能够生成清晰的数字岩心切片，将两者结合能够预测生成清晰的数字岩心序列图像。
Description
技术领域
本发明属于岩心重构技术领域，具体涉及一种数字岩心重构方法。
背景技术
石油和天然气资源作为一种不可再生能源，如何对其高效合理的开采和利用，是推进石油工业技术发展的关键。数字岩心技术是近年兴起的岩心分析的有效方法，在砂岩、碳酸盐岩和页岩等岩心分析领域应用广泛，获得了极大的成功。早期的数字岩心是基于二维扫描电镜图像或三维电镜扫描图像这一类物理实验法，利用实验仪器对岩心样品进行拍摄或扫描的方法获取大量的岩心二维图片。而数值建模法是通过少量的物理实验法获取的二维薄片图像为基础，利用分析图像中所包含的信息，通过一系列数学方法来重建数字岩心的方法。
目前，对数字岩心进行重构的方法主要分为三大类别：(一)物理实验法，主要利用扫描电镜、高倍光学显微镜或者CT成像仪等高度精密的仪器获得岩心的二维平面图片，在对二维的平面图片进行三维重建即可得到数字岩心，但该方法在对样品进行断层扫描时，会对样品本身造成损坏，从而使得观察的精度受到影响。(二)数值重建法，主要借助岩心平面图像等少量资料，对图像进行分析，并提取建模信息，再采用相应的数学方法进行建立数字岩心。数值重建法，方法较多，计算体量较大，且对不同的数字岩心图像的重构做出针对性的处理。(三)混合建模法，该方法结合了物理实验法和数值重建法的优势，对数字岩心进行重构。
数值重建法主要有过程法、模拟退火法和马尔科夫链蒙特卡洛方法等。过程法模拟了真实岩心的形成过程，对岩石的沉积、压实和成岩过程都进行了很好的描述，且重构的岩心图像具有良好的连通性，但是过程法有着计算复杂，难度较高，成本较大的确点。模拟退火法描述简单、使用方便灵活、体量较小和较少的初始条件约束等优点，但模拟退火法容易重构出混乱的孔隙结构。马尔可夫链蒙特卡罗方法进行岩心重构时，有着计算速度快、适用范围较广泛和能够体现出岩心的各向异性等优势，但重构的岩心模型切面的孔隙度相比于原始图像切面的孔隙度差别较大。混合建模法是为了克服数字岩心建模过程中单一建模方法的局限性所提出的，它将数值重建法和物理实验法相结合，提高了重构岩心的精度和效率。
近年来，生成对抗网络的图像生成技术逐渐成为了目前主流的研究方向，生成对抗网络利用零和博弈的思想，使用噪声生成新的图像样本，尤其在图像生成相关领域遥遥领先与其他技术。循环神经网络是一种适合解决序列问题的神经网络，但循环神经网络存在着神经网络过深或者时序数据过多时带来的梯度爆炸或者梯度消失的问题。长短期记忆神经网络利用门的结构来接受近期有用的信息，对长久且无用的信息进行选择性遗忘以及根据当前状态决定输出等效果。
发明内容
本发明为了解决上述问题，提出了一种数字岩心重构方法。
本发明的技术方案是：一种数字岩心重构方法包括以下步骤：
S1：采集三维数字岩心图像，并将三维数字岩心图像转换为岩心序列切片；
S2：对岩心序列切片进行预处理，将岩心序列切片转换为数字图像矩阵；
S3：将三维数字岩心图像的数字图像矩阵作为生成对抗网络的输入，训练生成对抗网络；
S4：将岩心序列切片作为改进长短期记忆神经网络的输入，训练改进长短期记忆神经网络，并得到时序特征；
S5：将时序特征输入至训练好的生成对抗网络中，生成预测岩心图像，并将预测岩心图像转换为最新的数字图像矩阵，继续下一张三维数字岩心图像重构。
进一步地，步骤S1包括以下子步骤：
S11：采集三维数字岩心图像，并对三维数字岩心图像进行中值滤波处理，得到岩心灰度图像；
S12：对岩心灰度图像进行二值化处理，得到岩心二值化图像；
S13：根据岩心的孔隙度确定岩心的重构尺寸，并将岩心二值化图像转换为岩心序列切片。
进一步地，步骤S3中，生成对抗网络包括生成模型和判别模型。
进一步地，生成模型包括第一层生成网络、第二层生成网络、第三层生成网络、第四层生成网络、第五层生成网络、第六层生成网络、第七层生成网络和第八层生成网络；第一层生成网络、第二层生成网络、第三层生成网络、第四层生成网络、第五层生成网络、第六层生成网络和第七层生成网络的结构相同，均包括反卷积层、归一化层和ReLu激活函数层；第八层生成网络包括反卷积层和Tanh激活函数层；
第一层生成网络用于接收数字图像矩阵，并输出4*4分辨率的图像特征；第二层生成网络用于接收4*4分辨率的图像特征，并输出8*8分辨率的图像特征；第三层生成网络用于接收8*8分辨率的图像特征，并输出16*16分辨率的图像特征；第四层生成网络用于接收16*16分辨率的图像特征，并输出32*32分辨率的图像特征；第五层生成网络用于接收32*32分辨率的图像特征，并输出64*64分辨率的图像特征；第六层生成网络用于接收64*64分辨率的图像特征，并输出128*128分辨率的图像特征；第七层生成网络用于接收128*128分辨率的图像特征，并输出256*256分辨率的图像特征；第八层生成网络用于接收256*256分辨率的图像特征，并输出512*512分辨率的图像特征。
进一步地，判别模型包括第一层判别网络、第二层判别网络、第三层判别网络、第四层判别网络、第五层判别网络、第六层判别网络、第七层判别网络和第八层判别网络；第一层判别网络、第二层判别网络、第三层判别网络、第四层判别网络、第五层判别网络、第六层判别网络和第七层判别网络的结构相同，均包括卷积层、归一化层和LeakyReLu激活函数层；第八层判别网络包括卷积层和sigmoid激活函数层；
第一层判别网络用于接收512*512分辨率的图像特征，并输出256*256分辨率的图像特征；第二层判别网络用于接收256*256分辨率的图像特征，并输出128*128分辨率的图像特征；第三层判别网络用于接收128*128分辨率的图像特征，并输出64*64分辨率的图像特征；第四层判别网络用于接收64*64分辨率的图像特征，并输出32*32分辨率的图像特征；第五层判别网络用于接收32*32分辨率的图像特征，并输出16*16分辨率的图像特征；第六层判别网络用于接收16*16分辨率的图像特征，并输出8*8分辨率的图像特征；第七层判别网络用于接收8*8分辨率的图像特征，并输出4*4分辨率的图像特征；第八层判别网络用于接收4*4分辨率的图像特征，并输出三维数字岩心图像属于真实图像的概率。
进一步地，步骤S4中，训练改进长短期记忆神经网络的具体方法为：设置步长为20的滑动窗口，通过滑动窗口将20张岩心序列切片依次作为改进长短期记忆神经网络的输入，依次进行训练。
进一步地，改进长短期记忆神经网络包括第一层记忆神经网络、第二层记忆神经网络、第三层记忆神经网络、第四层记忆神经网络、第五层记忆神经网络、第六层记忆神经网络、第七层记忆神经网络、第八层记忆神经网络、第九层记忆神经网络和第十层记忆神经网络；第一层记忆神经网络、第二层记忆神经网络、第三层记忆神经网络、第四层记忆神经网络、第五层记忆神经网络、第六层记忆神经网络、第七层记忆神经网络、第八层记忆神经网络和第九层记忆神经网络的结构相同，均包括卷积层、归一化层和LeakyReLu激活函数层；第十层记忆神经网络包括全连接层和LSTM层；
第一层记忆神经网络用于接收512*512分辨率的图像特征，并输出256*256分辨率的图像特征；第二层记忆神经网络用于接收256*256分辨率的图像特征，并输出128*128分辨率的图像特征；第三层记忆神经网络用于接收128*128分辨率的图像特征，并输出64*64分辨率的图像特征；第四层记忆神经网络用于接收64*64分辨率的图像特征，并输出32*32分辨率的图像特征；第五层记忆神经网络用于接收32*32分辨率的图像特征，并输出16*16分辨率的图像特征；第六层记忆神经网络用于接收16*16分辨率的图像特征，并输出8*8分辨率的图像特征；第七层记忆神经网络用于接收8*8分辨率的图像特征，并输出4*4分辨率的图像特征；第八层记忆神经网络用于接收4*4分辨率的图像特征，并输出2*2分辨率的图像特征；第九层记忆神经网络用于接收2*2分辨率的图像特征，并输出1*1分辨率的图像特征；第十层记忆神经网络用于接收2*2分辨率的图像特征，并输出向量大小为1024的时序特征。
本发明的有益效果是：
(1)该数字岩心重构方法不需要对样品进行大规模采样，只需要少量样本切片，保持了样本完整性，且不会在采集过程中损坏样本，降低了实验损耗成本，极大的提高了样本采集速度和采集精度；
(2)该数字岩心重构方法重构效率高且花费时间短，数值模拟法对样本形成过程以及随机过程的计算，大大提高了岩心的重构效率，本发明只需要经过少量时间的与预训练过程，即可对后续重构进行精准预测，减低了数值模拟法带来的大规模模拟运算，解决生成图像与原图不符等问题；
(3)该数字岩心重构方法泛化性较高，不需要特别问题特别解决，在训练过程中会对不同种类样本的特征分布进行学习，从而生成特定样本的图像类型，利用长短期记忆神经网络能够精确的获得样本序列图片的时序特征，且生成对抗网络能够生成清晰的数字岩心切片，将两者结合能够预测生成清晰的数字岩心序列图像。
附图说明
图1为数字岩心重构方法的流程图；
图2为预测结构示意图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种数字岩心重构方法，包括以下步骤：
S1：采集三维数字岩心图像，并将三维数字岩心图像转换为岩心序列切片；
S2：对岩心序列切片进行预处理，将岩心序列切片转换为数字图像矩阵；
S3：将三维数字岩心图像的数字图像矩阵作为生成对抗网络的输入，训练生成对抗网络；
S4：将岩心序列切片作为改进长短期记忆神经网络的输入，训练改进长短期记忆神经网络，并得到时序特征；
S5：将时序特征输入至训练好的生成对抗网络中，生成预测岩心图像，并将预测岩心图像转换为最新的数字图像矩阵，继续下一张三维数字岩心图像重构。
在本发明实施例中，步骤S1包括以下子步骤：
S11：采集三维数字岩心图像，并对三维数字岩心图像进行中值滤波处理，得到岩心灰度图像；
S12：对岩心灰度图像进行二值化处理，得到岩心二值化图像；
S13：根据岩心的孔隙度确定岩心的重构尺寸，并将岩心二值化图像转换为岩心序列切片。
在本发明实施例中，步骤S3中，生成对抗网络包括生成模型和判别模型。
在本发明实施例中，生成对抗网络中的生成模型是将判别模型进行网络固定，使生成的图像尽量判别为1，从而使生成的图像使得判别模型无法区分该模型的来源样本，计算公式为：
生成模型包括第一层生成网络、第二层生成网络、第三层生成网络、第四层生成网络、第五层生成网络、第六层生成网络、第七层生成网络和第八层生成网络；第一层生成网络、第二层生成网络、第三层生成网络、第四层生成网络、第五层生成网络、第六层生成网络和第七层生成网络的结构相同，均包括反卷积层、归一化层和ReLu激活函数层；第八层生成网络包括反卷积层和Tanh激活函数层；
第一层生成网络用于接收数字图像矩阵，并输出4*4分辨率的图像特征；第二层生成网络用于接收4*4分辨率的图像特征，并输出8*8分辨率的图像特征；第三层生成网络用于接收8*8分辨率的图像特征，并输出16*16分辨率的图像特征；第四层生成网络用于接收16*16分辨率的图像特征，并输出32*32分辨率的图像特征；第五层生成网络用于接收32*32分辨率的图像特征，并输出64*64分辨率的图像特征；第六层生成网络用于接收64*64分辨率的图像特征，并输出128*128分辨率的图像特征；第七层生成网络用于接收128*128分辨率的图像特征，并输出256*256分辨率的图像特征；第八层生成网络用于接收256*256分辨率的图像特征，并输出512*512分辨率的图像特征。
在本发明实施例中，生成对抗网络中的判别模型是将生成模型进行网络固定，使输入的生成图像尽量判别为0，输入的训练图片尽量判别为1，从而使生成的图像更加接近的样本图片，计算公式为：
判别模型包括第一层判别网络、第二层判别网络、第三层判别网络、第四层判别网络、第五层判别网络、第六层判别网络、第七层判别网络和第八层判别网络；第一层判别网络、第二层判别网络、第三层判别网络、第四层判别网络、第五层判别网络、第六层判别网络和第七层判别网络的结构相同，均包括卷积层、归一化层和LeakyReLu激活函数层；第八层判别网络包括卷积层和sigmoid激活函数层；
第一层判别网络用于接收512*512分辨率的图像特征，并输出256*256分辨率的图像特征；第二层判别网络用于接收256*256分辨率的图像特征，并输出128*128分辨率的图像特征；第三层判别网络用于接收128*128分辨率的图像特征，并输出64*64分辨率的图像特征；第四层判别网络用于接收64*64分辨率的图像特征，并输出32*32分辨率的图像特征；第五层判别网络用于接收32*32分辨率的图像特征，并输出16*16分辨率的图像特征；第六层判别网络用于接收16*16分辨率的图像特征，并输出8*8分辨率的图像特征；第七层判别网络用于接收8*8分辨率的图像特征，并输出4*4分辨率的图像特征；第八层判别网络用于接收4*4分辨率的图像特征，并输出三维数字岩心图像属于真实图像的概率。概率越接近1，代表生成图像越接近真实的图像，而输出越接近0，就代表越不可能是真实的图像，由此做到将生成器生成的图像和真实的图像区分开来，使得生成器与鉴别器形成了动态的博弈过程。
在本发明实施例中，步骤S4中，训练改进长短期记忆神经网络的具体方法为：设置步长为20的滑动窗口，通过滑动窗口将20张岩心序列切片依次作为改进长短期记忆神经网络的输入，依次进行训练。
本发明设置了一个步长为20的滑动窗口，每次训练输入20张严格顺序排列的岩心序列图像作为单次训练的训练图像，将20张训练图像的后一张图像作为预测图像标签进行验证，每次完成一次训练后，将滑窗向后滑动一个单位，计算公式为：
在本发明实施例中，本发明使用单张切片岩心图像是512*512大小的，为了匹配本发明所使用的岩心图像，将传统的长短期记忆神经网络增加了数层卷积层、归一化层和LeakyReLu激活函数层用来将训练图像作为输入，对训练图像进行特征提取减小图像规模，再将提取出的特征图像输入到LSTM层中获取时序特征。改进长短期记忆神经网络包括第一层记忆神经网络、第二层记忆神经网络、第三层记忆神经网络、第四层记忆神经网络、第五层记忆神经网络、第六层记忆神经网络、第七层记忆神经网络、第八层记忆神经网络、第九层记忆神经网络和第十层记忆神经网络；第一层记忆神经网络、第二层记忆神经网络、第三层记忆神经网络、第四层记忆神经网络、第五层记忆神经网络、第六层记忆神经网络、第七层记忆神经网络、第八层记忆神经网络和第九层记忆神经网络的结构相同，均包括卷积层、归一化层和LeakyReLu激活函数层；第十层记忆神经网络包括全连接层和LSTM层；
第一层记忆神经网络用于接收512*512分辨率的图像特征，并输出256*256分辨率的图像特征；第二层记忆神经网络用于接收256*256分辨率的图像特征，并输出128*128分辨率的图像特征；第三层记忆神经网络用于接收128*128分辨率的图像特征，并输出64*64分辨率的图像特征；第四层记忆神经网络用于接收64*64分辨率的图像特征，并输出32*32分辨率的图像特征；第五层记忆神经网络用于接收32*32分辨率的图像特征，并输出16*16分辨率的图像特征；第六层记忆神经网络用于接收16*16分辨率的图像特征，并输出8*8分辨率的图像特征；第七层记忆神经网络用于接收8*8分辨率的图像特征，并输出4*4分辨率的图像特征；第八层记忆神经网络用于接收4*4分辨率的图像特征，并输出2*2分辨率的图像特征；第九层记忆神经网络用于接收2*2分辨率的图像特征，并输出1*1分辨率的图像特征；第十层记忆神经网络用于接收2*2分辨率的图像特征，并输出向量大小为1024的时序特征。
本发明的工作原理及过程为：本发明提出使用生成对抗网络结合改进的长短期记忆神经网络，对一定范围类的数字岩心进行精确的后续岩心切片预测和重构，将数字岩心的切片序列表述为一个时空序列问题，通过机器学习的方式来解决。本发明通过利用改进的长短期记忆神经网络提取特征的时序信息，利用生成对抗网络强大的重构作用，将提取的时序信息向量输入到生成对抗网络中的生成模型当中，从而将样本序列切片的后续切片进行预测重构。
如图2所示，在神经网络训练过程中，严格按照数字岩心图像序列作为输入对长短期记忆神经网络进行预训练，并输出预测图像的时序特征，并将预测的时序特征输入到生成对抗网络当中进行图像生成，将生成图像样本与真实图像样本输入到生成对抗网络的鉴别器当中，输出生成图像为真实图像的概率，以损失函数的方式返回到网络当中，使生成对抗网络的生成器与鉴别器互相博弈，让生成器尽可能达到生成的图像尽可能真实的目的。
本发明的有益效果为：
(1)该数字岩心重构方法不需要对样品进行大规模采样，只需要少量样本切片，保持了样本完整性，且不会在采集过程中损坏样本，降低了实验损耗成本，极大的提高了样本采集速度和采集精度；
(2)该数字岩心重构方法重构效率高且花费时间短，数值模拟法对样本形成过程以及随机过程的计算，大大提高了岩心的重构效率，本发明只需要经过少量时间的与预训练过程，即可对后续重构进行精准预测，减低了数值模拟法带来的大规模模拟运算，解决生成图像与原图不符等问题；
(3)该数字岩心重构方法泛化性较高，不需要特别问题特别解决，在训练过程中会对不同种类样本的特征分布进行学习，从而生成特定样本的图像类型，利用长短期记忆神经网络能够精确的获得样本序列图片的时序特征，且生成对抗网络能够生成清晰的数字岩心切片，将两者结合能够预测生成清晰的数字岩心序列图像。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种数字岩心重构方法，其特征在于，包括以下步骤：
S1：采集三维数字岩心图像，并将三维数字岩心图像转换为岩心序列切片；
S2：对岩心序列切片进行预处理，将岩心序列切片转换为数字图像矩阵；
S3：将三维数字岩心图像的数字图像矩阵作为生成对抗网络的输入，训练生成对抗网络；
S4：将岩心序列切片作为改进长短期记忆神经网络的输入，训练改进长短期记忆神经网络，并得到时序特征；
S5：将时序特征输入至训练好的生成对抗网络中，生成预测岩心图像，并将预测岩心图像转换为最新的数字图像矩阵，继续下一张三维数字岩心图像重构。
2.根据权利要求1所述的数字岩心重构方法，其特征在于，所述步骤S1包括以下子步骤：
S11：采集三维数字岩心图像，并对三维数字岩心图像进行中值滤波处理，得到岩心灰度图像；
S12：对岩心灰度图像进行二值化处理，得到岩心二值化图像；
S13：根据岩心的孔隙度确定岩心的重构尺寸，并将岩心二值化图像转换为岩心序列切片。
3.根据权利要求1所述的数字岩心重构方法，其特征在于，所述步骤S3中，生成对抗网络包括生成模型和判别模型。
4.根据权利要求3所述的数字岩心重构方法，其特征在于，所述生成模型包括第一层生成网络、第二层生成网络、第三层生成网络、第四层生成网络、第五层生成网络、第六层生成网络、第七层生成网络和第八层生成网络；所述第一层生成网络、第二层生成网络、第三层生成网络、第四层生成网络、第五层生成网络、第六层生成网络和第七层生成网络的结构相同，均包括反卷积层、归一化层和ReLu激活函数层；所述第八层生成网络包括反卷积层和Tanh激活函数层；
所述第一层生成网络用于接收数字图像矩阵，并输出4*4分辨率的图像特征；所述第二层生成网络用于接收4*4分辨率的图像特征，并输出8*8分辨率的图像特征；所述第三层生成网络用于接收8*8分辨率的图像特征，并输出16*16分辨率的图像特征；所述第四层生成网络用于接收16*16分辨率的图像特征，并输出32*32分辨率的图像特征；所述第五层生成网络用于接收32*32分辨率的图像特征，并输出64*64分辨率的图像特征；所述第六层生成网络用于接收64*64分辨率的图像特征，并输出128*128分辨率的图像特征；所述第七层生成网络用于接收128*128分辨率的图像特征，并输出256*256分辨率的图像特征；所述第八层生成网络用于接收256*256分辨率的图像特征，并输出512*512分辨率的图像特征。
5.根据权利要求3所述的数字岩心重构方法，其特征在于，所述判别模型包括第一层判别网络、第二层判别网络、第三层判别网络、第四层判别网络、第五层判别网络、第六层判别网络、第七层判别网络和第八层判别网络；所述第一层判别网络、第二层判别网络、第三层判别网络、第四层判别网络、第五层判别网络、第六层判别网络和第七层判别网络的结构相同，均包括卷积层、归一化层和LeakyReLu激活函数层；所述第八层判别网络包括卷积层和sigmoid激活函数层；
所述第一层判别网络用于接收512*512分辨率的图像特征，并输出256*256分辨率的图像特征；所述第二层判别网络用于接收256*256分辨率的图像特征，并输出128*128分辨率的图像特征；所述第三层判别网络用于接收128*128分辨率的图像特征，并输出64*64分辨率的图像特征；所述第四层判别网络用于接收64*64分辨率的图像特征，并输出32*32分辨率的图像特征；所述第五层判别网络用于接收32*32分辨率的图像特征，并输出16*16分辨率的图像特征；所述第六层判别网络用于接收16*16分辨率的图像特征，并输出8*8分辨率的图像特征；所述第七层判别网络用于接收8*8分辨率的图像特征，并输出4*4分辨率的图像特征；所述第八层判别网络用于接收4*4分辨率的图像特征，并输出三维数字岩心图像属于真实图像的概率。
6.根据权利要求1所述的数字岩心重构方法，其特征在于，所述步骤S4中，训练改进长短期记忆神经网络的具体方法为：设置步长为20的滑动窗口，通过滑动窗口将20张岩心序列切片依次作为改进长短期记忆神经网络的输入，依次进行训练。
7.根据权利要求6所述的数字岩心重构方法，其特征在于，所述改进长短期记忆神经网络包括第一层记忆神经网络、第二层记忆神经网络、第三层记忆神经网络、第四层记忆神经网络、第五层记忆神经网络、第六层记忆神经网络、第七层记忆神经网络、第八层记忆神经网络、第九层记忆神经网络和第十层记忆神经网络；所述第一层记忆神经网络、第二层记忆神经网络、第三层记忆神经网络、第四层记忆神经网络、第五层记忆神经网络、第六层记忆神经网络、第七层记忆神经网络、第八层记忆神经网络和第九层记忆神经网络的结构相同，均包括卷积层、归一化层和LeakyReLu激活函数层；所述第十层记忆神经网络包括全连接层和LSTM层；
所述第一层记忆神经网络用于接收512*512分辨率的图像特征，并输出256*256分辨率的图像特征；所述第二层记忆神经网络用于接收256*256分辨率的图像特征，并输出128*128分辨率的图像特征；所述第三层记忆神经网络用于接收128*128分辨率的图像特征，并输出64*64分辨率的图像特征；所述第四层记忆神经网络用于接收64*64分辨率的图像特征，并输出32*32分辨率的图像特征；所述第五层记忆神经网络用于接收32*32分辨率的图像特征，并输出16*16分辨率的图像特征；所述第六层记忆神经网络用于接收16*16分辨率的图像特征，并输出8*8分辨率的图像特征；所述第七层记忆神经网络用于接收8*8分辨率的图像特征，并输出4*4分辨率的图像特征；所述第八层记忆神经网络用于接收4*4分辨率的图像特征，并输出2*2分辨率的图像特征；所述第九层记忆神经网络用于接收2*2分辨率的图像特征，并输出1*1分辨率的图像特征；所述第十层记忆神经网络用于接收2*2分辨率的图像特征，并输出向量大小为1024的时序特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211144971.4A CN115456867A (zh) | 2022-09-20 | 2022-09-20 | 一种数字岩心重构方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211144971.4A CN115456867A (zh) | 2022-09-20 | 2022-09-20 | 一种数字岩心重构方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115456867A true CN115456867A (zh) | 2022-12-09 |
Family
ID=84304946
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211144971.4A Pending CN115456867A (zh) | 2022-09-20 | 2022-09-20 | 一种数字岩心重构方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115456867A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117975174A (zh) * | 2024-04-02 | 2024-05-03 | 西南石油大学 | 一种基于改进vqgan的三维数字岩心重构方法 |
| CN117975174B (zh) * | 2024-04-02 | 2024-06-04 | 西南石油大学 | 一种基于改进vqgan的三维数字岩心重构方法 |
-
2022
- 2022-09-20 CN CN202211144971.4A patent/CN115456867A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117975174A (zh) * | 2024-04-02 | 2024-05-03 | 西南石油大学 | 一种基于改进vqgan的三维数字岩心重构方法 |
| CN117975174B (zh) * | 2024-04-02 | 2024-06-04 | 西南石油大学 | 一种基于改进vqgan的三维数字岩心重构方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Feng et al. | Accelerating multi-point statistics reconstruction method for porous media via deep learning | |
| CN112668494A (zh) | 基于多尺度特征提取的小样本变化检测方法 | |
| US11934488B2 (en) | Method and system for constructing digital rock | |
| 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 | |
| Yang et al. | Multi-scale reconstruction of porous media from low-resolution core images using conditional generative adversarial networks | |
| CN110807122A (zh) | 一种基于深度互信息约束的图文跨模态特征解纠缠方法 | |
| CN109376763A (zh) | 基于多样本推理神经网络的样本分类方法、系统及介质 | |
| CN113359212A (zh) | 一种基于深度学习的储层特征预测方法及模型 | |
| CN116206185A (zh) | 一种基于改进YOLOv7的轻量级小目标检测方法 | |
| CN114360030A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
| CN110599502A (zh) | 一种基于深度学习的皮肤病变分割方法 | |
| Chen et al. | Assessing the effects of convolutional neural network architectural factors on model performance for remote sensing image classification: An in-depth investigation | |
| CN112905828A (zh) | 一种结合显著特征的图像检索器、数据库及检索方法 | |
| Karimpouli et al. | Multistep Super Resolution Double-U-net (SRDUN) for enhancing the resolution of Berea sandstone images | |
| CN116912585A (zh) | 基于自监督学习和知识蒸馏的sar目标识别方法 | |
| CN112818777B (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 | |
| Zhang et al. | Reconstruction of porous media using an information variational auto-encoder | |
| Misbahuddin | Estimating petrophysical properties of shale rock using conventional neural networks CNN | |
| CN115456867A (zh) | 一种数字岩心重构方法 | |
| CN110956221A (zh) | 基于深度递归网络下小样本极化合成孔径雷达图像分类方法 | |
| CN115830309A (zh) | 基于Deeplabv3+的SGAN道路裂缝图像分割方法 | |
| Zhang et al. | PM-ARNN: 2D-TO-3D reconstruction paradigm for microstructure of porous media via adversarial recurrent neural network | |
| CN115049781A (zh) | 一种基于深度学习的页岩数字岩心三维重建方法 | |
| Zhang et al. | Stochastic reconstruction of shale combining multi-scale generators and discriminators with attention mechanisms | |
| CN117975174B (zh) | 一种基于改进vqgan的三维数字岩心重构方法 |
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 |