CN115688583A - 用于岩心的渗流模拟方法、处理器及机器可读存储介质 - Google Patents

Abstract

本发明涉及油田开发技术领域，公开了一种用于岩心的渗流模拟方法、处理器及机器可读存储介质。方法包括：获取岩心的扫描图像；对扫描图像进行预处理，获得预处理后的图像；利用卷积神经网络对预处理后的图像中的孔隙与基质进行分割，得到岩心的基质‑孔隙二分割图像；提取二分割图像的特征参数；将特征参数输入至预先构建的算法模型，以预测岩心的渗透率；基于基质‑孔隙二分割图像，利用预先构建的深度神经网络模型进行渗流模拟，获得岩心渗流的速度场分布情况。数字岩心技术可以进行重复实验，深度神经网络计算时间短，端对端性质避免了人为因素影响，训练好的模型可轻松应用于不同岩心，对实操人员要求较低，具有广泛的实际应用价值。

Description

用于岩心的渗流模拟方法、处理器及机器可读存储介质

技术领域

本发明涉及油田开发技术领域，具体涉及一种用于岩心的渗流模拟方法、处理器及机器可读存储介质。

背景技术

以泥页岩为示例，随着非常规油气纳米级赋存空间的发现，如何定性定量表征泥页岩的微观孔隙结构成为非常规油气研究的热点领域。岩石孔渗特征是影响储层流体储集及渗流能力的主要因素。页岩基质的非均质性和多尺度结构导致页岩纳米孔中承压流体的静态和动态行为与宏观条件下完全不同，纳米结构的表面效应、油流机理、界面现象、吸附/解吸效应、流体扩散、黏性流动、滑移效应、拓扑特征的网络结构等，加剧了超精细页岩纳米孔中油气运移的复杂程度。

根据描述渗流中流体的尺度不同，微观渗流模拟方法可以分为分子动力学模拟等。分子动力学模拟主要依据牛顿力学理论模拟分子体系的运动，通过刻画每个原子随时间运动的轨迹研究流体的流动过程，计算量大，导致耗时长。

发明内容

为了克服现有技术存在的不足，本发明实施例提供了一种用于岩心的渗流模拟方法、处理器及机器可读存储介质。

为了实现上述目的，本发明第一方面提供一种用于岩心的渗流模拟方法，包括：

获取岩心的扫描图像；

对扫描图像进行预处理，获得预处理后的图像；

利用卷积神经网络对预处理后的图像中的孔隙与基质进行分割，得到岩心的基质-孔隙二分割图像；

提取基质-孔隙二分割图像的特征参数；

将特征参数输入至预先构建的算法模型，以预测岩心的渗透率；

基于基质-孔隙二分割图像，利用预先构建的深度神经网络模型进行渗流模拟，获得岩心渗流的速度场分布情况。

在本发明实施例中，卷积神经网络包括U-Net网络；

利用卷积神经网络对预处理后的图像中的孔隙与基质进行分割，得到岩心的基质-孔隙二分割图像包括：

将预处理后的图像输入U-Net网络；

利用U-Net网络对预处理后的图像中的孔隙与基质进行分割；

利用U-Net网络中的准确率和交并比确定分割效果；

在准确率大于第一预设值且交并比大于第二预设值的情况下，确定分割效果为通过，并得到岩心的基质-孔隙二分割图像。

在本发明实施例中，特征参数包括以下中的至少一者：喉道截面面积、湿周周长、周长、等效直径、实心度、水力半径、平均距离、轴比、凸面面积、欧拉数、扩展程度、填充面积、主轴长和次轴长；

方法还包括：

确定每个特征参数与渗透率的相关性；

确定与渗透率相关性最大的目标特征参数；

将特征参数输入预先构建的算法模型，以预测岩心的渗透率包括：

将特征参数中每个参数均输入至预先构建的算法模型，以预测岩心的渗透率；或

将目标特征参数输入至预先构建的算法模型，以预测岩心的渗透率。

在本发明实施例中，算法模型包括长短时记忆神经网络算法模型或随机森林算法模型；

将特征参数中每个参数均输入至预先构建的算法模型，以预测岩心的渗透率包括：

将每个特征参数均输入至长短时记忆神经网络算法模型，得到第一均方根误差下岩心的第一渗透率；或

将每个特征参数均输入至随机森林算法模型，得到第二均方根误差下岩心的第二渗透率；

将目标特征参数输入至预先构建的算法模型，以预测岩心的渗透率包括：

将目标特征参数输入至长短时记忆神经网络算法模型，得到第三均方根误差下岩心的第三渗透率；或

将目标特征参数输入至随机森林算法模型，得到第四均方根误差下岩心的第四渗透率。

在本发明实施例中，方法还包括：

对基质-孔隙二分割图像进行LBM(Lattice Boltzmann Method，格子玻尔兹曼方法)模拟，获得LBM渗流模拟的结果图像；

将基质-孔隙二分割图像以及结果图像输入至深度神经网络模型，获得岩心渗流场图像；

基于基质-孔隙二分割图像，利用预先构建的深度神经网络模型进行渗流模拟，获得岩心渗流的速度场分布情况包括：

将岩心渗流场图像进行L2范数归一化处理，得到处理后的岩心渗流场图像；

将基质-孔隙二分割图像以及对应的处理后的岩心渗流场图像输入至深度神经网络模型，获得岩心渗流的速度场分布情况。

在本发明实施例中，深度神经网络模型包括：

编码器，包括依次连接的第一块神经网络、第二块神经网络、第三块神经网络和第四块神经网络，每块神经网络均包括依次连接的第一卷积层、丢弃层、第二卷积层和最大池化层，第一卷积层以及第二卷积层均后接Leaky ReLU(渗漏整流线性单元，LeakyRectified Linear Units)激活函数；

瓶颈层，包括卷积层，设置在编码器与解码器之间，分别与第四块神经网络中的最大池化层以及第五块神经网络中的反卷积层连接；

解码器，包括依次连接的第五块神经网络、第六块神经网络、第七块神经网络和第八块神经网络，每块神经网络均包括依次连接的反卷积层、第三卷积层、丢弃层和第四卷积层，第三卷积层以及第四卷积层均后接Leaky ReLU激活函数；其中第一块神经网络中的第二卷积层与第八块神经网络中的第三卷积层跳跃连接，第二块神经网络中的第二卷积层与第七块神经网络中的第三卷积层跳跃连接，第三块神经网络中的第二卷积层与第六块神经网络中的第三卷积层跳跃连接，第四块神经网络中的第二卷积层与第五块神经网络中的第三卷积层跳跃连接；跳跃连接用于将浅层表征信息和深层语义信息融合；以及

输出层，包括卷积层，并与第八块神经网络中的第四卷积层连接。

在本发明实施例中，对扫描图像进行预处理，获得预处理后的图像包括：

对扫描图像进行非局部均值去噪滤波，获得预处理后的图像。

本发明第二方面提供一种处理器，被配置成执行上述的用于岩心的渗流模拟方法。

本发明第三方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的用于岩心的渗流模拟方法。

在本发明实施例中，获取岩心的扫描图像；对扫描图像进行预处理，获得预处理后的图像；利用卷积神经网络对预处理后的图像中的孔隙与基质进行分割，得到岩心的基质-孔隙二分割图像；提取基质-孔隙二分割图像的特征参数；将特征参数输入至预先构建的算法模型，以预测岩心的渗透率；基于基质-孔隙二分割图像，利用预先构建的深度神经网络模型进行渗流模拟，获得岩心渗流的速度场分布情况。

这样，通过数字岩心技术进行渗流模拟，对油田现场开发有着至关重要的意义，基于深度神经网络实现了由岩心图像来预测渗透率以及进行渗流模拟，提供了一种数字岩心渗流模拟的新方法。数字岩心技术可以进行重复实验，而且深度神经网络计算时间短，端对端的性质避免了人为因素的影响，训练好的模型可轻松应用于不同岩心，对实操人员的要求较低，具有广泛的实际应用价值。数字岩心渗流模拟方法可行性强，构建的深度神经网络模型可以非常准确地根据岩心孔隙-基质二分割图像预测出岩心渗流的速度场分布情况，可以显示出较佳的模拟效果，对于岩心渗流模拟研究具有重要意义。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1示意性示出了根据本发明实施例的用于岩心的渗流模拟方法的流程图；

图2示意性示出了根据本发明实施例的岩心的扫描图像的三维示意图；

图3(a)示意性示出了根据本发明实施例的除噪前的岩心图像；

图3(b)示意性示出了根据本发明实施例的除噪后的岩心图像；

图4(a)示意性示出了根据本发明实施例的样品岩心的预处理后的二维图像；

图4(b)示意性示出了根据本发明实施例的二维图像经过二值化后的图像；

图4(c)示意性示出了根据本发明实施例的经过U-Net神经网络模型预测的结果图像；

图5(a)示意性示出了根据本发明实施例的U-Net神经网络模型的输入图；

图5(b)示意性示出了根据本发明实施例的输入图经过二值化后的图像；

图5(c)示意性示出了根据本发明实施例的孔隙-基质-矿物三分割图像；

图6示意性示出了根据本发明实施例的特征参数相对于渗透率的重要度排序图；

图7示意性示出了根据本发明实施例的水力半径与渗透率的相关性的示意图；

图8示意性示出了根据本发明实施例的输入全部特征参数的长短时记忆神经网络算法模型的渗透率预测结果图之一；

图9示意性示出了根据本发明实施例的输入全部特征参数的长短时记忆神经网络算法模型的渗透率预测结果图之二；

图10示意性示出了根据本发明实施例的输入水力半径参数的长短时记忆神经网络算法模型的渗透率预测结果图之一；

图11示意性示出了根据本发明实施例的输入水力半径参数的长短时记忆神经网络算法模型的渗透率预测结果图之二；

图12示意性示出了根据本发明实施例的输入全部特征参数的随机森林算法模型的渗透率预测结果图之一；

图13示意性示出了根据本发明实施例的输入全部特征参数的随机森林算法模型的渗透率预测结果图之二；

图14示意性示出了根据本发明实施例的输入水力半径参数的随机森林算法模型的渗透率预测结果图之一；

图15示意性示出了根据本发明实施例的输入水力半径参数的随机森林算法模型的渗透率预测结果图之二；

图16示意性示出了根据本发明实施例的深度神经网络模型的结构图；

图17示意性示出了根据本发明实施例的深度神经网络模型训练过程损失函数的示意图；

图18示意性示出了根据本发明实施例的深度神经网络模型训练过程平均绝对误差的示意图；

图19示意性示出了根据本发明实施例的岩心图像的示意图；

图20示意性示出了根据本发明实施例的真实渗流速度场的示意图；

图21示意性示出了根据本发明实施例的深度神经网络模型的预测渗流速度场的示意图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

需要说明，若本申请实施方式中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，若本申请实施方式中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。

图1示意性示出了根据本发明实施例的用于岩心的渗流模拟方法的流程图。如图1所示，在本发明一实施例中，提供了一种用于岩心的渗流模拟方法，包括以下步骤：

步骤101，获取岩心的扫描图像；

步骤102，对扫描图像进行预处理，获得预处理后的图像；

步骤103，利用卷积神经网络对预处理后的图像中孔隙与基质进行分割，得到岩心的基质-孔隙二分割图像；

步骤104，提取基质-孔隙二分割图像的特征参数；

步骤105，将特征参数输入至预先构建的算法模型，以预测岩心的渗透率；

步骤106，基于基质-孔隙二分割图像，利用预先构建的深度神经网络模型进行渗流模拟，获得岩心渗流的速度场分布情况。

通过数字岩心技术进行渗流模拟，对油田现场开发有着至关重要的意义，基于深度神经网络实现了由岩心图像来预测渗透率以及进行渗流模拟，提供了一种数字岩心渗流模拟的新方法。数字岩心技术可以进行重复实验，而且深度神经网络计算时间短，端对端的性质避免了人为因素的影响，训练好的模型可轻松应用于不同岩心，对实操人员的要求较低，具有广泛的实际应用价值。数字岩心渗流模拟方法可行性强，构建的深度神经网络模型可以非常准确地根据岩心孔隙-基质二分割图像预测出岩心渗流的速度场分布情况，可以显示出较佳的模拟效果，对于岩心渗流模拟研究具有重要意义。

示例性地，可以采用三维立体X射线显微镜(扫描设备)对样品岩心进行扫描，获得岩心CT(Computed Tomography，计算机体层摄影)扫描图像的分辨率为2.512μm，图2示意性示出了根据本发明实施例的岩心的扫描图像的三维示意图，岩心的三维成像结果可参见图2。在一实施例中，对扫描图像进行预处理，获得预处理后的图像包括：对扫描图像进行非局部均值去噪滤波，获得预处理后的图像。在一实施例中，截取600×600×600大小的图像除噪，除噪方法选用非局部均值去噪滤波，岩心图像的除噪效果可以参见图3(a)和图3(b)，图3(a)示意性示出了根据本发明实施例的除噪前的岩心图像；图3(b)示意性示出了根据本发明实施例的除噪后的岩心图像。

在本发明实施例中，卷积神经网络包括U-Net网络；

利用卷积神经网络对预处理后的图像中的孔隙与基质进行分割，得到岩心的基质-孔隙二分割图像包括：

将多张预处理后的图像输入U-Net网络，其中多张预处理后的图像包括第一数量的训练集图像以及第二数量的验证集图像，第一数量大于第二数量；

利用U-Net网络对预处理后的图像中的孔隙与基质进行分割；

利用U-Net网络中的准确率和交并比来确定分割效果；

在准确率大于第一预设值且交并比大于第二预设值的情况下，确定分割效果为通过，并得到岩心的基质-孔隙二分割图像。

下面介绍岩心图像中孔隙和基质的自动分割过程。利用卷积神经网络对预处理后的图像中孔隙与基质进行分割，得到岩心的基质-孔隙二分割图像。在一实施例中，可以构建U-net网络来实现岩心图像中孔隙和基质的自动分割。构建U-net神经网络，在一实施例中，解码器和编码器都由四块神经网络组成，编码器每块神经网络包含：两层卷积核大小为3×3的卷积层，每个卷积层后接ReLU(Rectified Linear Unit，修正线性单元)激活函数。每块神经网络的两层卷积层间设置丢弃层，丢弃层的丢弃率依次设置为0.1、0.1、0.2。两层卷积层后是池化窗口大小为2×2的最大池化层。解码器和编码器之间是瓶颈层，由两层卷积层构成，每个卷积层后设置ReLU激活函数，两层卷积层间同样设置丢弃层，丢弃层的丢弃率为0.3。解码器每块的网络包括：卷积核为2×2的反卷积层，两层卷积核为3×3的卷积层、每层卷积层后设置ReLU激活函数、两层卷积层间设置丢弃层。设置跳跃连接融合表征信息和语义信息。解码器每块丢弃层的丢弃率依次设置为0.2、0.2、0.1。输出层为卷积核为1×1的卷积层，卷积层后接softmax激活函数分类每个像素点的类别。在一实施例中，输入600块600×600的岩心CT图像，其中500块作为训练集，100块作为验证集。将交叉熵损失函数作为损失函数。迭代步长(epoch)设置为100，批大小(batchsize)设置为16。

在一实施例中，，采用准确度(Accuracy)和交并比(IOU)来评价模型分割的准确性，其计算公式如下：

其中tp表示正类判定为正类，fp表示负类判定为正类，tn表示负类判定为负类，fn表示正类判定为负类。

采用准确率(accuracy)和交并比(IOU)评价分割效果，在一实施例中，孔隙-基质二类分割结果的准确率为99.87％，交并比为0.9986，分割结果可以参见图4(a)、图4(b)和图4(c)，图4(a)示意性示出了根据本发明实施例的样品岩心的预处理后的二维图像；图4(b)示意性示出了根据本发明实施例的二维图像经过二值化后的图像；图4(c)示意性示出了根据本发明实施例的经过U-Net神经网络模型预测的结果图像。通过图4(a)、图4(b)和图4(c)，可以了解岩心图像的孔隙-基质二分割过程。

另外地，介绍岩心图像的孔隙-基质-矿物多类分割(三分割)的情况。在一实施例中，孔隙-基质-矿物多类分割(三分割)的输入图像大小为128×128，U-net神经网络的解码器和编码器由四块神经网络组成，其余设置与二分割相同，其结果的准确率为96.77％，平均交并比为0.73，孔隙、基质、矿物预测结果的交并比分别为0.63，0.96和0.58，三分割结果可以参见图5(a)、图5(b)和图5(c)，图5(a)示意性示出了根据本发明实施例的U-Net神经网络模型的输入图；图5(b)示意性示出了根据本发明实施例的输入图经过二值化后的图像；图5(c)示意性示出了根据本发明实施例的孔隙-基质-矿物三分割图像。通过图5(a)、图5(b)和图5(c)，可以了解岩心图像的孔隙-基质-矿物三分割过程。

提取基质-孔隙二分割图像的特征参数。在一实施例中，提取出的图像特征参数有：喉道截面面积(Cross-section area)、湿周周长(Wetted perimeter)、周长(Perimeter)、等效直径(Equivalent diameter)、实心度(Solidity)、水力半径(Hydraulicradius)、平均距离(Mean distance)、轴比(Axes ratio)、凸面面积(ConvexArea)、欧拉数(EulerNumber)、扩展程度(Extent)、填充面积(FilledArea)、主轴长(MajorAxisLength)和次轴长(MinorAxisLength)。分析提取的特征参数与渗透率的相关性，并利用线性回归方法将特征参数中每个参数相对于渗透率的重要度进行排序，在一实施例中，水力半径(目标参数)与渗透率的相关性最大。

图6示意性示出了根据本发明实施例的特征参数相对于渗透率的重要度排序图，可参见图6。图7示意性示出了根据本发明实施例的水力半径与渗透率的相关性的示意图，可参见图7。对样品岩心的基质-孔隙二分割图像进行特征参数提取，分析提取的特征参数与绝对渗透率的相关性可以发现，水力半径与由LBM计算得到的渗透率相关性最大，见图7，在一实施方式中，相关系数达0.668，该结论也可通过特征参数的重要度排序得到验证，见图6。

在一实施例中，将特征参数输入预先构建的算法模型，以预测岩心的渗透率包括：将特征参数中每个参数均输入至预先构建的算法模型，以预测岩心的渗透率；将目标参数输入至预先构建的算法模型，以预测岩心的渗透率。

在一实施例中，将特征参数输入预先构建的算法模型，以预测岩心的渗透率包括：将特征参数中每个参数均输入至预先构建的算法模型，以预测岩心渗透率；或将目标特征参数输入至预先构建的算法模型，以预测岩心的渗透率。

在一实施例中，算法模型包括长短时记忆神经网络算法模型或随机森林算法模型；将特征参数中每个参数均输入至预先构建的算法模型，以预测岩心的渗透率包括：将每个特征参数均输入至长短时记忆神经网络算法模型，得到第一均方根误差下岩心的第一渗透率；或将每个特征参数均输入至随机森林算法模型，得到第二均方根误差下岩心的第二渗透率。将目标特征参数输入至预先构建的算法模型，以预测岩心的渗透率包括：将目标特征参数输入至长短时记忆神经网络算法模型，得到第三均方根误差下岩心的第三渗透率；或将目标特征参数输入至随机森林算法模型，得到第四均方根误差下岩心的第四渗透率。

采用机器学习方法根据提取出的特征参数预测渗透率。采用随机森林算法或长短时记忆网络算法构建模型，输入图像特征参数预测岩心的绝对渗透率。因此，分别将全部特征参数(即每个特征参数)和只有水力半径参数(即目标特征参数)输入到机器学习模型中，机器学习模型分别选用长短时记忆神经网络算法和随机森林算法。在一实施方式中，训练集和测试集的样本数量分别为500和100，长短时记忆神经网络算法模型设置为3层隐藏层，隐藏层的个数分别设为30、20、90。迭代次数设置为200次，每批次输入的样本数量(batchsize)设置为20，采用adam优化器。

在一实施方式中，全部特征参数训练的模型预测的均方根误差为9.8187，而输入水力半径数据进行训练的模型预测均方根误差为11.4936。图8示意性示出了根据本发明实施例的输入全部特征参数的长短时记忆神经网络算法模型的渗透率预测结果图之一；图9示意性示出了根据本发明实施例的输入全部特征参数的长短时记忆神经网络算法模型的渗透率预测结果图之二；图10示意性示出了根据本发明实施例的输入水力半径参数的长短时记忆神经网络算法模型的渗透率预测结果图之一；图11示意性示出了根据本发明实施例的输入水力半径参数的长短时记忆神经网络算法模型的渗透率预测结果图之二。可参见图8、图9、图10和图11，选用长短时记忆神经网络算法模型时，用全部特征参数训练的模型预测效果稍好于只用水力半径训练的模型预测效果。

在一实施方式中，随机森林算法模型的超参数设置如下：随机器被设置为0来保证程序每次运行结果相同便于调参。决策树数量为100，决策树个数太少易过拟合；而决策树过多，计算量太大且易于欠拟合。由于输入样本量和特征不多，故不限制最大叶子节点数和决策树最大深度，这些参数的设置是为例防止模型过拟合。其他参数值设置为默认参数。在一实施方式中，基于全部特征参数的模型均方根误差为6.0681，只输入水力半径数据进行训练的模型预测均方根误差为9.6532。图12示意性示出了根据本发明实施例的输入全部特征参数的随机森林算法模型的渗透率预测结果图之一；图13示意性示出了根据本发明实施例的输入全部特征参数的随机森林算法模型的渗透率预测结果图之二；图14示意性示出了根据本发明实施例的输入水力半径参数的随机森林算法模型的渗透率预测结果图之一；图15示意性示出了根据本发明实施例的输入水力半径参数的随机森林算法模型的渗透率预测结果图之二。随机森林算法模型的渗透率预测效果可以参见图12、图13、图14和图15。

比较上述两种机器学习方法的预测结果，随机森林算法模型的预测效果稍好于长短时记忆神经网络算法模型；全部特征参数用于训练的模型预测效果稍好于只用水力半径训练的模型预测效果。在一实施例中，方法还包括：比较第一均方根误差、第二均方根误差、第三均方根误差和第四均方根，将第一均方根误差、第二均方根误差、第三均方根误差和第四均方根误差中的最小一者对应的渗透率确定为符合预设预测效果的渗透率。

图16示意性示出了根据本发明实施例的深度神经网络模型的结构图，可参见图16，在一实施例中，深度神经网络模型包括：

编码器，包括依次连接的第一块神经网络、第二块神经网络、第三块神经网络和第四块神经网络，每块神经网络均包括依次连接的第一卷积层、丢弃层、第二卷积层和最大池化层，第一卷积层以及第二卷积层均后接Leaky ReLU(渗漏整流线性单元，LeakyRectified Linear Units)激活函数；

瓶颈层，包括卷积层，设置在编码器与解码器之间，分别与第四块神经网络中的最大池化层以及第五块神经网络中的反卷积层连接；

解码器，包括依次连接的第五块神经网络、第六块神经网络、第七块神经网络和第八块神经网络，每块神经网络均包括依次连接的反卷积层、第三卷积层、丢弃层和第四卷积层，第三卷积层以及第四卷积层均后接Leaky ReLU激活函数；其中第一块神经网络中的第二卷积层与第八块神经网络中的第三卷积层跳跃连接，第二块神经网络中的第二卷积层与第七块神经网络中的第三卷积层跳跃连接，第三块神经网络中的第二卷积层与第六块神经网络中的第三卷积层跳跃连接，第四块神经网络中的第二卷积层与第五块神经网络中的第三卷积层跳跃连接；跳跃连接用于将浅层表征信息和深层语义信息融合；以及

输出层，包括卷积层，并与第八块神经网络中的第四卷积层连接。

构建深度神经网络模型，根据岩心的基质-孔隙二分割图像进行渗流模拟。深度神经网络模型与U-net模型类似，也是由编码器、解码器和瓶颈层构成。在一实施方式中，编码器与解码器都由4块组成，编码器每块神经网络包含：两层卷积核大小为3×3的卷积层，为增加神经网络的非线性能力，每个卷积层后接LeakyReLU激活函数。LeakyReLU与ReLU激活函数相比，只是在负值输入有差别，LeakyReLU对小于0的输入值不是0，而是负值，有微小梯度，该方法减少静默神经元，解决了负区间神经元不学习的问题。为防止过拟合，两层卷积层间设置丢弃层，丢弃层的丢弃率依次设置为0.1、0.1、0.2、0.2。两层卷积层后是池化窗口大小为2×2的最大池化层。解码器和编码器之间是瓶颈层，瓶颈层只有一个卷积层，卷积层后设置LeakyReLU激活函数。

Leaky Relu(x)＝max(αx,x) 公式(3)

其中，x代表神经元输入，α的往往是非常小的，α取值一般为0.01。

在一实施例中，解码器每块网络架构如下：输入数据经由卷积核为2×2的反卷积层后，利用跳跃连接将浅层表征信息和深层语义信息融合。融合后的信息再经由两层卷积核为3×3的卷积层、每层卷积层后设置LeakyReLU激活函数、两层卷积层间设置丢弃层，解码器4块丢弃层的丢弃率依次设置为0.2、0.2、0.1、0.1。

输出层为卷积核为1×1的卷积层，该卷积层压缩图像通道数，使之变为1，但不会改变输出图像的长和高，输出渗流速度场图像。该深度神经网络是预测图像上的每个像素点的渗流速度值，本质上是一个回归问题。可参见公式(4)采用均方误差(MSE)作为损失函数：

其中，m为岩心图像总数，i为第i张岩心图像，y_i为真实渗透率，

为模型预测得到的渗透率。

在评价模型的预测效果时，除了损失函数使用的均方误差，还增加了平均绝对误差(MAE)作为评价函数评价模型预测的准确性，可参见公式(5)，误差值越小说明模型预测结果越准确。

在本发明实施例中，方法还包括：

对基质-孔隙二分割图像进行LBM(Lattice Boltzmann Method，格子玻尔兹曼方法)模拟，获得LBM渗流模拟的结果图像；

将基质-孔隙二分割图像以及结果图像输入至深度神经网络模型，获得岩心渗流场图像；

基于基质-孔隙二分割图像，利用预先构建的深度神经网络模型进行渗流模拟，获得岩心渗流的速度场分布情况包括：

将岩心渗流场图像进行L2范数归一化处理，得到处理后的岩心渗流场图像；

将基质-孔隙二分割图像以及对应的处理后的岩心渗流场图像输入至深度神经网络模型，获得岩心渗流的速度场分布情况。

构建深度神经网络，输入基质-孔隙二分类图像和对应的岩心渗流场图像，在一实施方式中，训练集为139组128×128大小的图像，验证集为13组128×128大小的图像。由于神经网络学习的是数据分布特征，若每批训练的数据有不同的分布，那么神经网络每次训练都需要学习不同的分布，这会导致损失函数震荡，收敛很慢甚至不收敛。因此，岩心渗流场图像需归一化处理。此外，不进行归一化处理会降低神经网络的泛化能力。

采用L2范数归一化处理，L2范数归一化方法是向量中的每个元素除以向量的L2范数，L2范数为所有元素平方和的算术平方根，即欧式距离。L2范数归一化处理后的矩阵每个元素的平方和等于1。在一实施方式中，损失函数采用adam优化器，训练模型时迭代次数设置为300次，批大小设置为5。图17示意性示出了根据本发明实施例的深度神经网络模型训练过程损失函数的示意图；图18示意性示出了根据本发明实施例的深度神经网络模型训练过程平均绝对误差的示意图，训练过程的损失值和平均绝对误差可以参见图17和图18。由于该深度神经网络模型预测出的速度场是归一化后的速度场，需归一化还原，即每个元素乘向量的L2范数。

在一实施方式中，验证集的预测结果与真实值标签的平均绝对误差为0.0015，损失值为3.5×10^-6。图19示意性示出了根据本发明实施例的岩心图像的示意图；图20示意性示出了根据本发明实施例的真实渗流速度场的示意图；图21示意性示出了根据本发明实施例的深度神经网络模型的预测渗流速度场的示意图。预测结果可参见图19，图20和图21。该深度神经网络模型可以非常准确地根据岩心的孔隙-基质二分割图像预测出岩心渗流的速度场分布情况，即便训练数据体量较小，该深度神经网络模型也显示出较佳的模拟效果，这对于岩心渗流模拟的研究具有重要意义。

本发明实施例基于数字岩心和机器学习领域，涉及一种基于神经网络的页岩数字岩心的渗流模拟方法，可应用于相似类型储层的渗流模拟中，对油田现场开发具有指导意义。通过数字岩心技术可以模拟渗流，对油田现场开发至关重要。现有数值模拟技术的较为繁琐，分析效率低下。本发明实施例基于深度神经网络，实现了由页岩岩心图像预测渗透率并进行渗流模拟，提供了一种数字岩心渗流模拟的新方法。数字岩心避免了传统实验不能重复实验等问题。深度神经网络计算时间短，端对端的性质避免了人为因素影响，训练好的模型可轻松应用于不同岩心，对实操人员要求低，有广泛的实际应用价值。

在本发明实施例中，采用深度神经网络根据岩心图像进行岩心渗流模拟，深度神经网络模型的架构简单，计算快，耗时短，且端对端的自动学习能够减少人为因素影响，预测结果好，能够快速准确地获得渗流模拟结果。深度神经网络模型的构建方法简单易实现，不需要很多的先验知识，运算速度快，模拟精度高，为油田开发尤其是数字岩心渗流领域提供重要技术支撑，对现场具有指导作用。

在本发明实施例中，首先利用扫描设备获取页岩岩心的扫描图像，并对扫描图像进行预处理，除噪方法可以采用非局部均值去噪滤波。然后提取岩心的基质-孔隙二分割图像的特征参数，分析提取的特征参数与渗透率的相关性，研究表明在该实验中水力半径与渗透率相关性最大。其次输入图像特征参数预测岩心的绝对渗透率，结果显示随机森林算法模型的预测效果优于长短时记忆神经网络算法模型。最后，构建深度神经网络，根据岩心的基质-孔隙二分割图像进行渗流模拟，实例结果表明，本发明实施例提出的页岩数字岩心的渗流模拟方法可行性较强，构建的深度神经网络模型可以非常准确地根据岩心的孔隙-基质二分割图像预测出岩心渗流的速度场分布情况，即便训练数据体量较小，深度神经网络模型也显示出了极佳的模拟效果，这对于岩心渗流模拟研究具有重要意义。

本发明实施例提供一种处理器，该处理器被配置成执行上述实施例中的任意一项用于岩心的渗流模拟方法。

具体地，处理器可以被配置成：

获取岩心的扫描图像；

对扫描图像进行预处理，获得预处理后的图像；

利用卷积神经网络对预处理后的图像中的孔隙与基质进行分割，得到岩心的基质-孔隙二分割图像；

提取基质-孔隙二分割图像的特征参数；

将特征参数输入至预先构建的算法模型，以预测岩心的渗透率；

基于基质-孔隙二分割图像，利用预先构建的深度神经网络模型进行渗流模拟，获得岩心渗流的速度场分布情况。

在本发明实施例中，处理器被配置成：

卷积神经网络包括U-Net网络；

利用卷积神经网络对预处理后的图像中的孔隙与基质进行分割，得到岩心的基质-孔隙二分割图像包括：

将预处理后的图像输入U-Net网络；

利用U-Net网络对预处理后的图像中的孔隙与基质进行分割；

利用U-Net网络中的准确率和交并比确定分割效果；

在准确率大于第一预设值且交并比大于第二预设值的情况下，确定分割效果为通过，并得到岩心的基质-孔隙二分割图像。

在本发明实施例中，处理器被配置成：

特征参数包括以下中的至少一者：喉道截面面积、湿周周长、周长、等效直径、实心度、水力半径、平均距离、轴比、凸面面积、欧拉数、扩展程度、填充面积、主轴长和次轴长；

处理器还被配置成：

确定每个特征参数与渗透率的相关性；

确定与渗透率相关性最大的目标特征参数；

将特征参数输入预先构建的算法模型，以预测岩心的渗透率包括：

将特征参数中每个参数均输入至预先构建的算法模型，以预测岩心的渗透率；或

将目标特征参数输入至预先构建的算法模型，以预测岩心的渗透率。

在本发明实施例中，处理器被配置成：

算法模型包括长短时记忆神经网络算法模型或随机森林算法模型；

将特征参数中每个参数均输入至预先构建的算法模型，以预测岩心的渗透率包括：

将每个特征参数均输入至长短时记忆神经网络算法模型，得到第一均方根误差下岩心的第一渗透率；或

将每个特征参数均输入至随机森林算法模型，得到第二均方根误差下岩心的第二渗透率；

将目标特征参数输入至预先构建的算法模型，以预测岩心的渗透率包括：

将目标特征参数输入至长短时记忆神经网络算法模型，得到第三均方根误差下岩心的第三渗透率；或

将目标特征参数输入至随机森林算法模型，得到第四均方根误差下岩心的第四渗透率。

在本发明实施例中，处理器还被配置成：

将第一均方根误差、第二均方根误差、第三均方根误差和第四均方根误差中的最小一者对应的渗透率确定为符合预设预测效果的渗透率。

在本发明实施例中，处理器还被配置成：

对基质-孔隙二分割图像进行LBM(Lattice Boltzmann Method，格子玻尔兹曼方法)模拟，获得LBM渗流模拟的结果图像；

将基质-孔隙二分割图像以及结果图像输入至深度神经网络模型，获得岩心渗流场图像；

基于基质-孔隙二分割图像，利用预先构建的深度神经网络模型进行渗流模拟，获得岩心渗流的速度场分布情况包括：

将岩心渗流场图像进行L2范数归一化处理，得到处理后的岩心渗流场图像；

将基质-孔隙二分割图像以及对应的处理后的岩心渗流场图像输入至深度神经网络模型，获得岩心渗流的速度场分布情况。

在本发明实施例中，处理器被配置成：

深度神经网络模型包括：

编码器，包括依次连接的第一块神经网络、第二块神经网络、第三块神经网络和第四块神经网络，每块神经网络均包括依次连接的第一卷积层、丢弃层、第二卷积层和最大池化层，第一卷积层以及第二卷积层均后接Leaky ReLU(渗漏整流线性单元，LeakyRectified Linear Units)激活函数；

瓶颈层，包括卷积层，设置在编码器与解码器之间，分别与第四块神经网络中的最大池化层以及第五块神经网络中的反卷积层连接；

解码器，包括依次连接的第五块神经网络、第六块神经网络、第七块神经网络和第八块神经网络，每块神经网络均包括依次连接的反卷积层、第三卷积层、丢弃层和第四卷积层，第三卷积层以及第四卷积层均后接Leaky ReLU激活函数；其中第一块神经网络中的第二卷积层与第八块神经网络中的第三卷积层跳跃连接，第二块神经网络中的第二卷积层与第七块神经网络中的第三卷积层跳跃连接，第三块神经网络中的第二卷积层与第六块神经网络中的第三卷积层跳跃连接，第四块神经网络中的第二卷积层与第五块神经网络中的第三卷积层跳跃连接；跳跃连接用于将浅层表征信息和深层语义信息融合；以及

输出层，包括卷积层，并与第八块神经网络中的第四卷积层连接。

在本发明实施例中，处理器被配置成：

对扫描图像进行预处理，获得预处理后的图像包括：

对扫描图像进行非局部均值去噪滤波，获得预处理后的图像。

本发明实施例提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述实施例中的任意一项用于岩心的渗流模拟方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (9)

1.一种用于岩心的渗流模拟方法，其特征在于，包括：

获取所述岩心的扫描图像；

对所述扫描图像进行预处理，获得预处理后的图像；

利用卷积神经网络对所述预处理后的图像中的孔隙与基质进行分割，得到所述岩心的基质-孔隙二分割图像；

提取所述基质-孔隙二分割图像的特征参数；

将所述特征参数输入至预先构建的算法模型，以预测所述岩心的渗透率；

基于所述基质-孔隙二分割图像，利用预先构建的深度神经网络模型进行渗流模拟，获得所述岩心渗流的速度场分布情况。

2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络包括U-Net网络；

所述利用卷积神经网络对所述预处理后的图像中的孔隙与基质进行分割，得到所述岩心的基质-孔隙二分割图像包括：

将所述预处理后的图像输入所述U-Net网络；

利用所述U-Net网络对所述预处理后的图像中的孔隙与基质进行分割；

利用所述U-Net网络中的准确率和交并比确定分割效果；

在所述准确率大于第一预设值且所述交并比大于第二预设值的情况下，确定所述分割效果为通过，并得到所述岩心的基质-孔隙二分割图像。

3.根据权利要求1所述的方法，其特征在于，所述特征参数包括以下中的至少一者：喉道截面面积、湿周周长、周长、等效直径、实心度、水力半径、平均距离、轴比、凸面面积、欧拉数、扩展程度、填充面积、主轴长和次轴长；

所述方法还包括：

确定每个所述特征参数与所述渗透率的相关性；

确定与所述渗透率相关性最大的目标特征参数；

所述将所述特征参数输入预先构建的算法模型，以预测所述岩心的渗透率包括：

将所述特征参数中每个参数均输入至所述预先构建的算法模型，以预测所述岩心的渗透率；或

将所述目标特征参数输入至所述预先构建的算法模型，以预测所述岩心的渗透率。

4.根据权利要求3所述的方法，其特征在于，所述算法模型包括长短时记忆神经网络算法模型或随机森林算法模型；

所述将所述特征参数中每个参数均输入至所述预先构建的算法模型，以预测所述岩心的渗透率包括：

将每个所述特征参数均输入至所述长短时记忆神经网络算法模型，得到第一均方根误差下所述岩心的第一渗透率；或

将每个所述特征参数均输入至所述随机森林算法模型，得到第二均方根误差下所述岩心的第二渗透率；

所述将所述目标特征参数输入至所述预先构建的算法模型，以预测所述岩心的渗透率包括：

将所述目标特征参数输入至所述长短时记忆神经网络算法模型，得到第三均方根误差下所述岩心的第三渗透率；或

将所述目标特征参数输入至所述随机森林算法模型，得到第四均方根误差下所述岩心的第四渗透率。

5.根据权利要求1所述的方法，其特征在于，还包括：

对所述基质-孔隙二分割图像进行格子玻尔兹曼方法LBM模拟，获得LBM渗流模拟的结果图像；

将所述基质-孔隙二分割图像以及所述结果图像输入至所述深度神经网络模型，获得岩心渗流场图像；

所述基于所述基质-孔隙二分割图像，利用预先构建的深度神经网络模型进行渗流模拟，获得所述岩心渗流的速度场分布情况包括：

将所述岩心渗流场图像进行L2范数归一化处理，得到处理后的岩心渗流场图像；

将所述基质-孔隙二分割图像以及对应的所述处理后的岩心渗流场图像输入至所述深度神经网络模型，获得岩心渗流的速度场分布情况。

6.根据权利要求1所述的方法，其特征在于，所述深度神经网络模型包括：

编码器，包括依次连接的第一块神经网络、第二块神经网络、第三块神经网络和第四块神经网络，每块神经网络均包括依次连接的第一卷积层、丢弃层、第二卷积层和最大池化层，所述第一卷积层以及所述第二卷积层均后接渗漏整流线性单元Leaky ReLU激活函数；

瓶颈层，包括卷积层，设置在所述编码器与解码器之间；

所述解码器，包括依次连接的第五块神经网络、第六块神经网络、第七块神经网络和第八块神经网络，每块神经网络均包括依次连接的反卷积层、第三卷积层、丢弃层和第四卷积层，所述第三卷积层以及所述第四卷积层均后接Leaky ReLU激活函数；其中所述第一块神经网络中的第二卷积层与所述第八块神经网络中的第三卷积层跳跃连接，所述第二块神经网络中的第二卷积层与所述第七块神经网络中的第三卷积层跳跃连接，所述第三块神经网络中的第二卷积层与所述第六块神经网络中的第三卷积层跳跃连接，所述第四块神经网络中的第二卷积层与所述第五块神经网络中的第三卷积层跳跃连接；所述跳跃连接用于将浅层表征信息和深层语义信息融合；以及

输出层，包括卷积层，并与所述解码器连接。

7.根据权利要求1所述的方法，其特征在于，所述对所述扫描图像进行预处理，获得预处理后的图像包括：

对所述扫描图像进行非局部均值去噪滤波，获得预处理后的图像。

8.一种处理器，其特征在于，被配置成执行根据权利要求1至7中任一项所述的用于岩心的渗流模拟方法。

9.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令用于使得机器执行根据权利要求1至7任一项的用于岩心的渗流模拟方法。

Images