CN116777804A - 基于生成对抗网络的智能相图局部更新方法、装置和设备 - Google Patents
基于生成对抗网络的智能相图局部更新方法、装置和设备 Download PDFInfo
- Publication number
- CN116777804A CN116777804A CN202310775592.3A CN202310775592A CN116777804A CN 116777804 A CN116777804 A CN 116777804A CN 202310775592 A CN202310775592 A CN 202310775592A CN 116777804 A CN116777804 A CN 116777804A
- Authority
- CN
- China
- Prior art keywords
- well
- slice
- phase
- target
- map
- 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
- 238000010587 phase diagram Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 75
- 230000008021 deposition Effects 0.000 claims abstract description 71
- 208000035126 Facies Diseases 0.000 claims abstract description 29
- 230000002093 peripheral effect Effects 0.000 claims abstract description 17
- 238000010586 diagram Methods 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 208000035475 disorder Diseases 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000001172 regenerating effect Effects 0.000 abstract description 3
- 230000008485 antagonism Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 230000003042 antagnostic effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0475—Generative networks
-
- 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
- G06N3/094—Adversarial learning
-
- 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
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于生成对抗网络的智能相图局部更新方法、装置和设备。方法包括:对多张沉积相带图和相应多张井位图进行切割,得到多张沉积相带图切片和多张第一井位图切片;将每张沉积相带图切片的四周边缘信息复制到相应第一井位图切片上;训练条件约束生成对抗网络模型;裁剪得到以新井为中心的第一目标井位图切片和第一目标沉积相带图切片;将第一目标沉积相带图切片的四周边缘信息复制到第一目标井位图切片的对应位置,得到第二目标井位图切片;将第二目标井位图切片输入到模型中,得到第二目标目标沉积相带图切片并将其,复制到相应沉积相带图的对应位置。本发明采用生成对抗网络,无需重新生成整个沉积相图,便能实现相图的局部更新。
Description
技术领域
本申请涉及石油勘探技术领域,特别是涉及一种基于生成对抗网络的智能相图局部更新方法、装置和设备。
背景技术
平面沉积相带图是从平面的角度来反映当前区域所具有的沉积规律,描绘给定区域内特定地层单元中各种沉积相的空间展布情况。目前国内油田主力区块均为老区,大部分为加密井,使得沉积相绘图的工作需要在原来历史图件上加入新井,更新局部区域,以很好地继承历史研究成果,节省编图时间。
目前,沉积相带图自动追踪方法缺少局部更新机制,在插入新井或者修改局部区域沉积相,此时需要更新现有的沉积相图,一种方法是重新生成整个沉积相图,另外一种方法是在原有沉积相图上交互式编辑相图。
但是这两种操作都存在如下缺点:
1)重新生成整个沉积相图,原有沉积相图为手工绘制或者自动生成,添加新井数据后或者参数已经改变,自动生成的图与原有成果图差别较大,无法有效利用原有沉积相带图;
2)交互编辑沉积相图,反复增加、删除或者拖拽相带线,过程繁琐、工作效率低下。
GAN生成对抗网络是一种非常强大的深度学习模型,它的应用领域非常广泛,包括图像生成、视频生成、语音合成、图像风格转换等等。GAN由两个神经网络组成:一个生成器网络和一个判别器网络。生成器网络通过学习训练数据的分布。而判别器网络则尝试区分生成器生成的数据和真实的训练数据。生成器网络逐渐学习到如何生成更逼真的数据,而判别器网络则逐渐变得更加准确。最终,生成器网络可以生成与训练数据相似的新数据,这些数据可以用于图像生成、视频生成、自然语言处理等领域。
pix2pixGAN是一类GAN模型,主要用于图像之间的转换,又称图像翻译,将一张输入的图片转变为一张对应的输出图片。图像翻译(Image Translation)是将一个物体的图像表征转换为该物体的另一个表征,例如根据皮包的轮廓图得到皮包的彩色图。
近年来,随着人工智能技术和GAN的发展,人工智能方法在沉积相建模领域的应用越来越广泛,例如:ZHANG等使用基于沉积结构的生成对抗神经网络方法生成三维相模型。ERIC等提出基于训练图像的空间生成对抗神经网络地质统计学反演方法能够快速生成二维和三维的非条件模拟结果。COIFFIER等使用生成对抗神经网络将二维样本合成为三维地质图像。但是,更新后的相图还需要专家进行进一步的修正。目前,还没有对应的通过GAN进行相图图像更新的应用实例。
发明内容
基于此,针对上述技术问题,提供一种基于生成对抗网络的智能相图局部更新方法、装置和设备,以解决沉积相带图自动追踪方法缺少局部更新机制,插入新井重新生成整个沉积相图,并且现有技术中还没有通过GAN进行相图图像更新的应用实例的技术问题。
为了实现上述目的,本申请提供如下技术方案:
第一方面,一种基于生成对抗网络的智能相图局部更新方法,包括:
S1,获取专家绘制好的多张沉积相带图;
S2,根据所述专家绘制好的多张沉积相带图,创建以沉积相符号为标识的相应多张井位图;
S3,将所述专家绘制好的多张沉积相带图和多张井位图以预设尺寸进行切割,得到多张沉积相带图切片和多张第一井位图切片;
S4,将每张沉积相带图切片的四周边缘信息复制到相应第一井位图切片上,形成多张第二井位图切片;
S5,将所述多张沉积相带图切片与多张第二井位图切片一一对应,组成训练样本对集合;
S6,对所述训练样本对集合进行乱序处理,并根据预设比例关系对所述训练样本对集合进行划分,构建训练数据集、验证数据集、测试数据集;
S7,构建条件约束生成对抗网络模型,并利用所述训练数据集训练所述条件约束生成对抗网络模型;所述条件约束生成对抗网络模型以所述训练数据集中的第二井位图切片为输入图像,以所述训练数据集中的沉积相带图切片为标签图像;
S8,在一张所述井位图中插入新井,更新得到以沉积相符号为标识的目标井位图;根据所述新井的位置,在所述目标井位图中裁剪出以所述新井为中心的第一目标井位图切片,并在相应沉积相带图中对应于所述第一目标井位图切片的位置进行剪裁,得到第一目标沉积相带图切片;
S9,将所述第一目标沉积相带图切片的四周边缘信息复制到所述第一目标井位图切片的对应位置,得到第二目标井位图切片;
S10,将所述第二目标井位图切片输入到所述条件约束生成对抗网络模型中,得到第二目标目标沉积相带图切片,并将所述第二目标目标沉积相带图切片复制到所述相应沉积相带图的对应位置。
可选地,步骤S1还包括:
将所述专家绘制好的多张沉积相带图根据预设比例尺和图像输出比例进行调整。
可选地,步骤S2具体包括:
根据所述专家绘制好的多张沉积相带图中包含的沉积相颜色创建点符号;
创建点符号模板,所述点符号模板的点符号风格与该点符号模板的相应沉积相类型相对应;
利用所述点符号模板将所述多张沉积相带图分别转换为井位图。
可选地,所述预设尺寸为512pixel*512pixel。
可选地,所述预设比例关系为6:2:2。
可选地,步骤S7中所述构建条件约束生成对抗网络模型,包括构建所述条件约束生成对抗网络模型的生成器模型和判别器模型;所述生成器模型采用U-Net,所述判别器模型采用PatchGAN。
可选地,所述第一目标沉积相带图切片的四周边缘信息的宽度为20个像素。
第二方面,一种基于生成对抗网络的智能相图局部更新装置,包括:
沉积相带图获取模块,用于获取专家绘制好的多张沉积相带图;
井位图创建模块,用于根据所述专家绘制好的多张沉积相带图,创建以沉积相符号为标识的相应多张井位图;
切割模块,用于将所述专家绘制好的多张沉积相带图和多张井位图以预设尺寸进行切割,得到多张沉积相带图切片和多张第一井位图切片;
第一信息融合模块,用于将每张沉积相带图切片的四周边缘信息复制到相应第一井位图切片上,形成多张第二井位图切片;
训练样本对集合组成模块,将所述多张沉积相带图切片与多张第二井位图切片一一对应,组成训练样本对集合;
划分模块,用于对所述训练样本对集合进行乱序处理,并根据预设比例关系对所述训练样本对集合进行划分,构建训练数据集、验证数据集、测试数据集;
生成对抗网络模型训练模块,用于构建条件约束生成对抗网络模型,并利用所述训练数据集训练所述条件约束生成对抗网络模型;所述条件约束生成对抗网络模型以所述训练数据集中的第二井位图切片为输入图像,以所述训练数据集中的沉积相带图切片为标签图像;
新井剪裁模块,用于在一张所述井位图中插入新井,更新得到以沉积相符号为标识的目标井位图;根据所述新井的位置,在所述目标井位图中裁剪出以所述新井为中心的第一目标井位图切片,并在相应沉积相带图中对应于所述第一目标井位图切片的位置进行剪裁,得到第一目标沉积相带图切片;
第二信息融合模块,用于将所述第一目标沉积相带图切片的四周边缘信息复制到所述第一目标井位图切片的对应位置,得到第二目标井位图切片;
沉积相带图更新模块,用于将所述第二目标井位图切片输入到所述条件约束生成对抗网络模型中,得到第二目标目标沉积相带图切片,并将所述第二目标目标沉积相带图切片复制到所述相应沉积相带图的对应位置。
第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面中任一项所述的方法的步骤。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
本发明至少具有以下有益效果:
本发明实施例所提供的基于生成对抗网络的智能相图局部更新方法中,利用了现有专家绘制的沉积相带图作为学习样本,创建四边信息融合的井位切片,然后以四边信息融合的井位切片为输入图像,构建并训练了条件约束生成对抗网络模型,使模型学习和继承了输入图像的边缘信息;进而根据新更新的井位图,利用训练好的模型能够生成与原相图的图像内容自然流畅的新局部带图,并根据空间位置将新局部带图复制到原相图中,从而无需重新生成整个沉积相图,便能实现相图的局部更新;该方法采用生成对抗网络,可作为AI生成方法在沉积相带图更新领域的有益实践;该方法可有效确保更新后的新相图与原相图内容自然衔接,为沉积相自动成图与更新领域提供了一种高质量、快捷的可确保无缝拼接的智能更新方法。
附图说明
图1为本发明一个实施例提供的一种基于生成对抗网络的智能相图局部更新方法的流程示意图;
图2为本发明一个实施例中井位图和沉积相带图示意图;
图3为本发明一个实施例中井位图切片和沉积相带图切片示意图;
图4为本发明一个实施例中训练数据信息融合示意图;
图5为本发明一个实施例中FaciesUpdateGAN模型结构图;
图6为本发明一个实施例中U-Net模型结构图;
图7为本发明一个实施例中模型预测效果展示图;
图8为本发明一个实施例中新井更新前后的井位图切片及相图切片示意图;
图9为本发明一个实施例中构建四边信息融合的井位切片;
图10为本发明一个实施例中创建新相图切片示意图;
图11为本发明一个实施例中新井更新后的相图与原相图对比示意图;
图12为本发明一个实施例中FaciesUpdateGAN模型思路图;
图13为本发明一个实施例提供的一种基于生成对抗网络的智能相图局部更新装置的模块架构框图;
图14为本发明一个实施例提供的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种基于生成对抗网络的智能相图局部更新方法,包括以下步骤:
S1,获取专家绘制好的多张沉积相带图。
进一步地,步骤S1还包括:
将专家绘制好的多张沉积相带图根据预设比例尺和图像输出比例进行调整。
获取专家绘制的沉积相图像,也就是模型训练需要的标签图片。在GPTMap软件(油田现场常用的地质制图软件)中,把专家绘制的沉积相带图,按照相同的比例尺和图像输出比例进行输出。在本实施例中,共获得专家绘制的大小相同的沉积相带图3张,分辨率为9823*13430。
S2,根据专家绘制好的多张沉积相带图,创建以沉积相符号为标识的相应多张井位图。
进一步地,步骤S2具体包括:
根据专家绘制好的多张沉积相带图中包含的沉积相颜色创建点符号;
创建点符号模板,点符号模板的点符号风格与该点符号模板的相应沉积相类型相对应;
利用点符号模板将多张沉积相带图分别转换为井位图。
获取以沉积相符号标识的井位图,也就是模型训练需要的输入图片。获取沉积相带图对应的井位图,根据沉积相颜色创建以沉积相符号标识的井位图,,按照相同的比例尺和图像输出比例进行输出3张井位图像。井位图像和沉积相带图如图2所示。
S3,将专家绘制好的多张沉积相带图和多张井位图以预设尺寸进行切割,得到多张沉积相带图切片和多张第一井位图切片。
其中,预设尺寸为512pixel*512pixel。
在此步骤中,创建井位图切片和相图切片。由于FaciesUpdateGAN模型输入数据尺寸是固定大小的,因此需要把沉积相带图和井位图切割为512*512大小的切片。本实施例共获得1980份训练样本图像对(井位图切片和相图切片图像对),如图3所示。为确保训练样本的数量,裁剪范围可以有一定比例的重叠。
S4,将每张沉积相带图切片的四周边缘信息复制到相应第一井位图切片上,形成多张第二井位图切片。
在此步骤中,创建四边信息融合的训练图像对。为训练模型具备边缘生长能力,以便生成的新相图能够无缝粘合到老相图中,需要构建具备以下特征的训练数据:井位图切片w边缘具备相图切片f四周边缘相同比例的信息,也就是将相图切片四周边缘的信息复制到井位切片上,形成信息融合的井位切片w4f。井位切片w4f就是输入图片,相图切片f就是标签图片,如图4所示。
创建融合信息的训练图像对的重要意义在于:训练模型学习输入图像和标签图像的边缘信息共享的逻辑关系,确保模型创建出的相图能够具备和输入图像相同的边缘信息,并自然流程地创建中间的图像内容,进而确保新相图能够很好地融合到原相图中。
S5,将多张沉积相带图切片与多张第二井位图切片一一对应,组成训练样本对集合。
S6,对训练样本对集合进行乱序处理,并根据预设比例关系对训练样本对集合进行划分,构建训练数据集、验证数据集、测试数据集。
其中,预设比例关系为6:2:2。
也就是说,创建样本数据集,把相图切片和信息融合的井位切片一一对应起来,组成训练样对1980份数据。对训练样本进行乱序处理,同时根据6:2:2的比例关系对样本对数据进行划分,分别构建训练数据集、验证数据集、测试数据集。
S7,构建条件约束生成对抗网络模型,并利用训练数据集训练条件约束生成对抗网络模型;条件约束生成对抗网络模型以训练数据集中的第二井位图切片为输入图像,以训练数据集中的沉积相带图切片为标签图像。
进一步地,步骤S7中构建条件约束生成对抗网络模型,包括构建所述条件约束生成对抗网络模型的生成器模型和判别器模型;生成器模型采用U-Net,判别器模型采用PatchGAN。
也就是说,在步骤S7中,进行FaciesUpdateGAN模型的搭建、训练及调参。FaciesUpdateGAN参考pix2piGAN模型进行搭建,模型结构如图5。FaciesUpdateGAN本质上是一个CGAN(条件约束生成对抗网络),输入图片(边缘信息融合的井位切片)x作为此CGAN的条件,需要输入到G生成器和D判别器中。G生成器的输入是x(x是需要转换的图片),输出是生成的图片G(x)。D判别器则需要分辨出{x,G(x)}和{x,y},图片y就是标签图片(相图切片)。
构建模型的生成器和判别器时,G生成器采用U-Net构建,如图6,可保留图片的局部信息,U-Net对提升细节的效果非常明显;D判别器采用马尔科夫性的判别器(PatchGAN),所谓Patch,是指无论生成的图像有多大,将其切分为多个固定大小的Patch输入进D去判断。这样设计的好处是:D的输入变小,计算量小,训练速度快。
进而调整模型参数,寻找最优的训练效果。训练效果如图7所示,这6组图片重点关注每组图片右侧的预测相图和中间的标签相图的相似度,相似度越高,说明模型效果越好。从实例图片可以说明:模型中的生成对抗网络(GANs)能够很好地抽象和再现复杂的空间模式特征,进而产生非常逼真的沉积相带图,同时新创建的相图很好的保留了井位切片的边缘信息。
S8,在一张井位图中插入新井,更新得到以沉积相符号为标识的目标井位图;根据新井的位置,在目标井位图中裁剪出以新井为中心的第一目标井位图切片,并在相应沉积相带图中对应于第一目标井位图切片的位置进行剪裁,得到第一目标沉积相带图切片。
也就是说,裁剪新井位置的井位图切片和相图切片。导入新井数据,对新井各小层进行沉积相解释。根据更新后井位数据和当前层的沉积相数据,更新以沉积相符号标识的井位图。根据新井位置,裁剪出以新井为中心的井位切片w。在相同位置对原沉积相带图进行裁剪,创建沉积相切片f,如图8所示。
S9,将第一目标沉积相带图切片的四周边缘信息复制到第一目标井位图切片的对应位置,得到第二目标井位图切片。
其中,第一目标沉积相带图切片的四周边缘信息的宽度为20个像素。
也就是说,创建四边信息融合的井位切片。把沉积相切片f的边缘信息(宽度为20个像素)复制到对应位置的井位切片w。产生带有四边融合信息的井位切片w4f,如图9所示。
S10,将第二目标井位图切片输入到条件约束生成对抗网络模型中,得到第二目标目标沉积相带图切片,并将第二目标目标沉积相带图切片复制到相应沉积相带图的对应位置。
也就是说,创建局部新沉积相带图。把四边融合信息的井位切片w4f,输入到模型中创建新的沉积相带图,如图10所示。按照井位切片w4f的空间位置,复制到原沉积相带图中,实现了沉积相带图的局部更新。如图11所示。
上述基于生成对抗网络的智能相图局部更新方法中,基于pix2pixGAN这类图像转化(图像翻译)模型,构建了沉积相成图FaciesUpdateGAN模型,如图12所示,该模型利用现有专家绘制的沉积相带图作为学习样本,构建生成对抗网络,训练四边生长模型;进而根据新更新的井位图,创建与原相图的图像内容自然流畅的新带图,并根据空间位置复制到原相图中,从而实现相图的局部更新。
也就是说,本发明实施例提供了一种基于pix2pixGAN的沉积相智能局部模型更新方案,该方案构建的FaciesUpdateGAN模型利用现有专家绘制的沉积相带图作为学习样本,创建四边信息融合的井位切片,构建生成对抗网络,训练四边生长模型,使模型学习和继承共享输入图像的边缘信息。进而根据新更新的井位图,创建与原相图的图像内容自然流畅的新带图,并根据空间位置复制到原相图中,从而实现相图的局部更新。该方案采用生成对抗网络,可作为AI生成方法在沉积相带图更新领域的有益实践。该方案可有效确保更新后的新相图与原相图内容自然衔接,为沉积相自动成图与更新领域提供了一种高质量、快捷的可确保无缝拼接的智能更新方法。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图13所示,提供了一种基于生成对抗网络的智能相图局部更新装置,包括以下程序模块:
沉积相带图获取模块101,用于获取专家绘制好的多张沉积相带图;
井位图创建模块102,用于根据专家绘制好的多张沉积相带图,创建以沉积相符号为标识的相应多张井位图;
切割模块103,用于将专家绘制好的多张沉积相带图和多张井位图以预设尺寸进行切割,得到多张沉积相带图切片和多张第一井位图切片;
第一信息融合模块104,用于将每张沉积相带图切片的四周边缘信息复制到相应第一井位图切片上,形成多张第二井位图切片;
训练样本对集合组成模块105,将多张沉积相带图切片与多张第二井位图切片一一对应,组成训练样本对集合;
划分模块106,用于对训练样本对集合进行乱序处理,并根据预设比例关系对训练样本对集合进行划分,构建训练数据集、验证数据集、测试数据集;
生成对抗网络模型训练模块107,用于构建条件约束生成对抗网络模型,并利用训练数据集训练条件约束生成对抗网络模型;条件约束生成对抗网络模型以训练数据集中的第二井位图切片为输入图像,以训练数据集中的沉积相带图切片为标签图像;
新井剪裁模块108,用于在一张井位图中插入新井,更新得到以沉积相符号为标识的目标井位图;根据新井的位置,在目标井位图中裁剪出以新井为中心的第一目标井位图切片,并在相应沉积相带图中对应于第一目标井位图切片的位置进行剪裁,得到第一目标沉积相带图切片;
第二信息融合模块109,用于将第一目标沉积相带图切片的四周边缘信息复制到第一目标井位图切片的对应位置,得到第二目标井位图切片;
沉积相带图更新模块110,用于将第二目标井位图切片输入到条件约束生成对抗网络模型中,得到第二目标目标沉积相带图切片,并将第二目标目标沉积相带图切片复制到相应沉积相带图的对应位置。
关于一种基于生成对抗网络的智能相图局部更新装置的具体限定可以参见上文中对于一种基于生成对抗网络的智能相图局部更新方法的限定,在此不再赘述。上述一种基于生成对抗网络的智能相图局部更新装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于生成对抗网络的智能相图局部更新方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图14中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,涉及上述实施例方法中的全部或部分流程。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,涉及上述实施例方法中的全部或部分流程。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random AccessMemory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(StaticRandomAccessMemory,SRAM)或动态随机存取存储器(DynamicRandomAccessMemory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于生成对抗网络的智能相图局部更新方法,其特征在于,包括:
S1,获取专家绘制好的多张沉积相带图;
S2,根据所述专家绘制好的多张沉积相带图,创建以沉积相符号为标识的相应多张井位图;
S3,将所述专家绘制好的多张沉积相带图和多张井位图以预设尺寸进行切割,得到多张沉积相带图切片和多张第一井位图切片;
S4,将每张沉积相带图切片的四周边缘信息复制到相应第一井位图切片上,形成多张第二井位图切片;
S5,将所述多张沉积相带图切片与多张第二井位图切片一一对应,组成训练样本对集合;
S6,对所述训练样本对集合进行乱序处理,并根据预设比例关系对所述训练样本对集合进行划分,构建训练数据集、验证数据集、测试数据集;
S7,构建条件约束生成对抗网络模型,并利用所述训练数据集训练所述条件约束生成对抗网络模型;所述条件约束生成对抗网络模型以所述训练数据集中的第二井位图切片为输入图像,以所述训练数据集中的沉积相带图切片为标签图像;
S8,在一张所述井位图中插入新井,更新得到以沉积相符号为标识的目标井位图;根据所述新井的位置,在所述目标井位图中裁剪出以所述新井为中心的第一目标井位图切片,并在相应沉积相带图中对应于所述第一目标井位图切片的位置进行剪裁,得到第一目标沉积相带图切片;
S9,将所述第一目标沉积相带图切片的四周边缘信息复制到所述第一目标井位图切片的对应位置,得到第二目标井位图切片;
S10,将所述第二目标井位图切片输入到所述条件约束生成对抗网络模型中,得到第二目标目标沉积相带图切片,并将所述第二目标目标沉积相带图切片复制到所述相应沉积相带图的对应位置。
2.根据权利要求1所述的基于生成对抗网络的智能相图局部更新方法,其特征在于,步骤S1还包括:
将所述专家绘制好的多张沉积相带图根据预设比例尺和图像输出比例进行调整。
3.根据权利要求1所述的基于生成对抗网络的智能相图局部更新方法,其特征在于,步骤S2具体包括:
根据所述专家绘制好的多张沉积相带图中包含的沉积相颜色创建点符号;
创建点符号模板,所述点符号模板的点符号风格与该点符号模板的相应沉积相类型相对应;
利用所述点符号模板将所述多张沉积相带图分别转换为井位图。
4.根据权利要求1所述的基于生成对抗网络的智能相图局部更新方法,其特征在于,所述预设尺寸为512pixel*512pixel。
5.根据权利要求1所述的基于生成对抗网络的智能相图局部更新方法,其特征在于,所述预设比例关系为6:2:2。
6.根据权利要求1所述的基于生成对抗网络的智能相图局部更新方法,其特征在于,步骤S7中所述构建条件约束生成对抗网络模型,包括构建所述条件约束生成对抗网络模型的生成器模型和判别器模型;所述生成器模型采用U-Net,所述判别器模型采用PatchGAN。
7.根据权利要求1所述的基于生成对抗网络的智能相图局部更新方法,其特征在于,所述第一目标沉积相带图切片的四周边缘信息的宽度为20个像素。
8.一种基于生成对抗网络的智能相图局部更新装置,其特征在于,包括:
沉积相带图获取模块,用于获取专家绘制好的多张沉积相带图;
井位图创建模块,用于根据所述专家绘制好的多张沉积相带图,创建以沉积相符号为标识的相应多张井位图;
切割模块,用于将所述专家绘制好的多张沉积相带图和多张井位图以预设尺寸进行切割,得到多张沉积相带图切片和多张第一井位图切片;
第一信息融合模块,用于将每张沉积相带图切片的四周边缘信息复制到相应第一井位图切片上,形成多张第二井位图切片;
训练样本对集合组成模块,将所述多张沉积相带图切片与多张第二井位图切片一一对应,组成训练样本对集合;
划分模块,用于对所述训练样本对集合进行乱序处理,并根据预设比例关系对所述训练样本对集合进行划分,构建训练数据集、验证数据集、测试数据集;
生成对抗网络模型训练模块,用于构建条件约束生成对抗网络模型,并利用所述训练数据集训练所述条件约束生成对抗网络模型;所述条件约束生成对抗网络模型以所述训练数据集中的第二井位图切片为输入图像,以所述训练数据集中的沉积相带图切片为标签图像;
新井剪裁模块,用于在一张所述井位图中插入新井,更新得到以沉积相符号为标识的目标井位图;根据所述新井的位置,在所述目标井位图中裁剪出以所述新井为中心的第一目标井位图切片,并在相应沉积相带图中对应于所述第一目标井位图切片的位置进行剪裁,得到第一目标沉积相带图切片;
第二信息融合模块,用于将所述第一目标沉积相带图切片的四周边缘信息复制到所述第一目标井位图切片的对应位置,得到第二目标井位图切片;
沉积相带图更新模块,用于将所述第二目标井位图切片输入到所述条件约束生成对抗网络模型中,得到第二目标目标沉积相带图切片,并将所述第二目标目标沉积相带图切片复制到所述相应沉积相带图的对应位置。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310775592.3A CN116777804A (zh) | 2023-06-28 | 2023-06-28 | 基于生成对抗网络的智能相图局部更新方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310775592.3A CN116777804A (zh) | 2023-06-28 | 2023-06-28 | 基于生成对抗网络的智能相图局部更新方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116777804A true CN116777804A (zh) | 2023-09-19 |
Family
ID=87991023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310775592.3A Pending CN116777804A (zh) | 2023-06-28 | 2023-06-28 | 基于生成对抗网络的智能相图局部更新方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777804A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200065606A1 (en) * | 2018-08-24 | 2020-02-27 | Petrochina Company Limited | Method and apparatus for automatically extracting image features of electrical imaging well logging |
CN111369479A (zh) * | 2019-11-12 | 2020-07-03 | 北京金阳普泰石油技术股份有限公司 | 一种沉积相带图局部自动更新方法及装置 |
WO2021051050A1 (en) * | 2019-09-12 | 2021-03-18 | Schlumberger Technology Corporation | Generating geological facies models with fidelity to the diversity and statistics of training images using improved generative adversarial networks |
-
2023
- 2023-06-28 CN CN202310775592.3A patent/CN116777804A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200065606A1 (en) * | 2018-08-24 | 2020-02-27 | Petrochina Company Limited | Method and apparatus for automatically extracting image features of electrical imaging well logging |
WO2021051050A1 (en) * | 2019-09-12 | 2021-03-18 | Schlumberger Technology Corporation | Generating geological facies models with fidelity to the diversity and statistics of training images using improved generative adversarial networks |
CN111369479A (zh) * | 2019-11-12 | 2020-07-03 | 北京金阳普泰石油技术股份有限公司 | 一种沉积相带图局部自动更新方法及装置 |
Non-Patent Citations (2)
Title |
---|
刘伟韬: "基于SinGAN的图像生成模型", 曲阜师范大学学报(自然科学版), vol. 46, no. 2, 15 April 2020 (2020-04-15) * |
周创 等: "基于深度卷积生成对抗网络的地震初至拾取", 石油物探, vol. 59, no. 5, 25 September 2020 (2020-09-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766038B (zh) | 无监督式的地貌分类模型训练和地貌图构建方法 | |
Xu et al. | Collaborative virtual geographic environments: A case study of air pollution simulation | |
CN109635748B (zh) | 高分辨率影像中道路特征的提取方法 | |
CN103955891B (zh) | 一种基于块匹配的图像修复方法 | |
Kim et al. | CityCraft: 3D virtual city creation from a single image | |
CN109493417A (zh) | 三维物体重建方法、装置、设备和存储介质 | |
Li et al. | Geometry synthesis on surfaces using field-guided shape grammars | |
CN110516015B (zh) | 基于地图图形数据和dlg制作地理pdf地图的方法 | |
CN104504754A (zh) | 一种多点统计建模的方法及装置 | |
CN114842180B (zh) | 一种点云补全方法、装置、设备及介质 | |
CN113902830B (zh) | 轨迹路网生成方法 | |
Boim et al. | A machine-learning approach to urban design interventions in non-planned settlements | |
CN107492130B (zh) | 一种基于层面渲染的非连续等值云图生成方法 | |
CN115953330B (zh) | 虚拟场景图像的纹理优化方法、装置、设备和存储介质 | |
CN106021228B (zh) | 一种利用知识地形图进行文本分析的方法及系统 | |
CN116777804A (zh) | 基于生成对抗网络的智能相图局部更新方法、装置和设备 | |
Zhu et al. | Seamless Satellite‐image Synthesis | |
Jiang et al. | Sketch to building: architecture image translation based on GAN | |
Brovka et al. | A simple strategy for defining polynomial spline spaces over hierarchical T-meshes | |
CN116862766A (zh) | 基于边缘生成模型的智能成图与迭代无缝拼接方法和装置 | |
Xiao et al. | Image representation on curved optimal triangulation | |
Swan et al. | Automated schematization for web service applications | |
CN116844019A (zh) | 一种基于生成对抗网络的智能沉积相成图方法和装置 | |
Fricker et al. | Intuitive design through information maps | |
Thieling et al. | Automated generation of virtual road scenarios for efficient tests of driver assistance systems |
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 |