[發(fā)明專利]一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和頁(yè)巖軟數(shù)據(jù)的頁(yè)巖重構(gòu)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010479909.5
• 申請(qǐng)日: 2020-05-30
• 公開（公告）號(hào): CN111754627A
• 公開（公告）日: 2020-10-09
• 發(fā)明（設(shè)計(jì)）人: 張瑜;張挺
• 申請(qǐng)（專利權(quán)）人: 上海電力大學(xué)
• 主分類號(hào): G06T17/05
• 分類號(hào): G06T17/05;G06N3/04;G06N3/08
• 代理公司: 上海科盛知識(shí)產(chǎn)權(quán)代理有限公司 31225
• 代理人: 葉敏華

1.一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和頁(yè)巖軟數(shù)據(jù)的頁(yè)巖重構(gòu)方法，其特征在于，包括下列步驟：

1)獲取頁(yè)巖樣品的三維圖像作為目標(biāo)圖像，從目標(biāo)圖像中隨機(jī)獲取部分頁(yè)巖圖像的硬數(shù)據(jù)；

2)對(duì)硬數(shù)據(jù)圖像進(jìn)行插值處理，獲取頁(yè)巖數(shù)據(jù)分布情況的估計(jì)值，將估計(jì)值作為輸入的軟數(shù)據(jù)；

3)將軟數(shù)據(jù)圖像輸入卷積神經(jīng)網(wǎng)絡(luò)，輸出重構(gòu)圖像。

2.根據(jù)權(quán)利要求1所述的一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和頁(yè)巖軟數(shù)據(jù)的頁(yè)巖重構(gòu)方法，其特征在于，所述的卷積神經(jīng)網(wǎng)絡(luò)采用具有兩層卷積層、兩層池化層和三層全連接層的無(wú)監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)。

3.根據(jù)權(quán)利要求2所述的一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和頁(yè)巖軟數(shù)據(jù)的頁(yè)巖重構(gòu)方法，其特征在于，步驟3)的具體內(nèi)容為：

31)將軟數(shù)據(jù)圖像輸入卷積神經(jīng)網(wǎng)絡(luò)的第一層卷積層，輸出頁(yè)巖圖像的卷積特征；

32)對(duì)輸出的頁(yè)巖圖像的卷積特征通過(guò)第一層池化層進(jìn)行池化處理，對(duì)頁(yè)巖圖像的卷積特征進(jìn)行降維；

33)將降維后的頁(yè)巖圖像的卷積特征進(jìn)行第二層卷積和池化操作，獲取頁(yè)巖圖像的局部特征；

34)將局部特征通過(guò)三層全連接層進(jìn)行整合，獲取全局信息，進(jìn)而輸出頁(yè)巖重構(gòu)圖像。

4.根據(jù)權(quán)利要求3所述的一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和頁(yè)巖軟數(shù)據(jù)的頁(yè)巖重構(gòu)方法，其特征在于，步驟32)中，采用最大值池化和平均值池化組合的混合池化方法對(duì)頁(yè)巖圖像的卷積特征進(jìn)行降維。

5.根據(jù)權(quán)利要求3所述的一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和頁(yè)巖軟數(shù)據(jù)的頁(yè)巖重構(gòu)方法，其特征在于，步驟34)中，隱藏層中的全連接層采用的激活函數(shù)為Sigmoid函數(shù)，輸出層采用的激活函數(shù)為Tanh函數(shù)。

6.根據(jù)權(quán)利要求5所述的一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和頁(yè)巖軟數(shù)據(jù)的頁(yè)巖重構(gòu)方法，其特征在于，所述Sigmoid函數(shù)的表達(dá)式為：

式中，x為當(dāng)前隱藏層的輸入值，即前一層隱藏層的輸出值。

7.根據(jù)權(quán)利要求5所述的一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和頁(yè)巖軟數(shù)據(jù)的頁(yè)巖重構(gòu)方法，其特征在于，所述Tanh函數(shù)的表達(dá)式為：

式中，x為當(dāng)前隱藏層的輸入值，即前一層隱藏層的輸出值。

8.根據(jù)權(quán)利要求1所述的一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和頁(yè)巖軟數(shù)據(jù)的頁(yè)巖重構(gòu)方法，其特征在于，步驟2)中，采用克里金算法對(duì)硬數(shù)據(jù)圖像進(jìn)行插值處理。

9.根據(jù)權(quán)利要求1所述的一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和頁(yè)巖軟數(shù)據(jù)的頁(yè)巖重構(gòu)方法，其特征在于，在實(shí)際重構(gòu)前，對(duì)卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行優(yōu)化，具體內(nèi)容為：

給定目標(biāo)圖像的樣例集x(n)，輸入樣品圖像x經(jīng)過(guò)卷積池化等計(jì)算求得重構(gòu)的結(jié)果y_，利用交叉熵?fù)p失函數(shù)計(jì)算出y_與期望值y之間的差異，以損失函數(shù)最小化為目標(biāo)函數(shù)進(jìn)行參數(shù)優(yōu)化，損失函數(shù)的表達(dá)式為：

loss＝-ylog(y_)-(1-y)log(1-y_)

10.根據(jù)權(quán)利要求9所述的一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和頁(yè)巖軟數(shù)據(jù)的頁(yè)巖重構(gòu)方法，其特征在于，采用Adam算法對(duì)卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率進(jìn)行動(dòng)態(tài)設(shè)定，當(dāng)目標(biāo)函數(shù)震蕩不收斂時(shí)，降低學(xué)習(xí)率，當(dāng)目標(biāo)函數(shù)收斂速度過(guò)慢時(shí)，增加學(xué)習(xí)率。