[發明專利]一種結合卷積神經網絡和頁巖軟數據的頁巖重構方法

在審

• 申請號: 202010479909.5
• 申請日: 2020-05-30
• 公開（公告）號: CN111754627A
• 公開（公告）日: 2020-10-09
• 發明（設計）人: 張瑜;張挺
• 申請（專利權）人: 上海電力大學
• 主分類號: G06T17/05
• 分類號: G06T17/05;G06N3/04;G06N3/08
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 葉敏華

本發明涉及一種結合卷積神經網絡和頁巖軟數據的頁巖重構方法，該方法包括以下步驟：1)獲取頁巖樣品的三維圖像作為目標圖像，從目標圖像中隨機獲取部分頁巖圖像的硬數據；2)對硬數據圖像進行插值處理，獲取頁巖數據分布情況的估計值，將估計值作為輸入的軟數據；3)將軟數據圖像輸入卷積神經網絡，輸出重構圖像。與現有技術相比，本發明對于頁巖硬數據使用簡單克里金算法進行插值，得到頁巖數據分布情況的估計值，作為卷積神經網絡輸入的軟數據，將軟數據圖像輸入卷積神經網絡，可獲得準確率高的重構結果，耗時短，且便于大規模運用。

技術領域

本發明涉及一種頁巖重構方法，尤其是涉及一種結合卷積神經網絡和頁巖軟數據的頁巖重構方法。

背景技術

作為頁巖氣的儲集和流動載體，頁巖儲層的巖石孔隙結構復雜，孔隙的尺寸從納米到微米不等，同時還伴有天然發育的微裂縫，而且不同尺寸的孔隙、裂縫中氣體的賦存狀態與運動特征不同。頁巖內部孔隙、裂縫及孔隙中流體的耦合作用直接影響著頁巖的物理、力學性質，其中頁巖孔隙—微裂縫結構特征直接影響著頁巖氣藏的儲能與內部流體的滲流行為。因頁巖孔隙小，礦物成分復雜，因此，準確、定量地表征頁巖孔隙—微裂縫結構特征對于頁巖中微細觀滲流機理的研究有著重要理論意義。

目前直接獲取頁巖真實孔隙結構的方法主要分為兩大類：物理實驗法和數值重構方法。物理實驗法包括連續切片法、掃描電鏡法、X射線、CT掃描、納米CT等，這些物理實驗法可以得到高分辨率的真實頁巖孔隙結構模型，但是這類方法成本高，實驗過程繁瑣，需要大量處理時間，不便于大規模應用。

數值重構方法是從真實巖石樣本模型中提取對孔隙結構和分布有直接影響的關鍵信息，基于此建立相似的孔隙結構，從而實現頁巖圖像重構。數值重構方法包括以下三種：(1)過程法：模擬自然界巖石沉積膠結過程的重構方法；(2)隨機法：通過選取合適的巖石薄片圖像的統計量來描述孔隙空間形態特性；(3)多點地質統計法：使用多點統計信息進行重構，來獲得巖石微觀孔隙結構。上述數值重構方法需要大量的訓練數據，導致CPU運行負荷大，運行時間較長，重構效果隨機性強。

發明內容

本發明的目的就是為了提供一種耗時時間少的結合卷積神經網絡和頁巖軟數據的頁巖重構方法。

本發明的目的可以通過以下技術方案來實現：

一種結合卷積神經網絡和頁巖軟數據的頁巖重構方法，該方法包括如下步驟：

步驟1、獲取頁巖樣品的三維圖像作為目標圖像，從目標圖像中隨機獲取部分頁巖圖像的硬數據；

步驟2、對硬數據圖像進行插值處理，獲取頁巖數據分布情況的估計值，將估計值作為輸入的軟數據；

插值得到的結果實際是頁巖數據分布情況的估計值，是一種軟數據。軟數據在頁巖圖像中是孔隙空間的概率值，取值范圍是0～1的小數，這些數據總體能夠較準確地體現頁巖孔隙空間的變化趨勢。

步驟3、將軟數據圖像輸入卷積神經網絡，輸出重構圖像。所述的卷積神經網絡采用具有兩層卷積層、兩層池化層和三層全連接層的無監督卷積神經網絡。具體包括以下內容：

31)將軟數據圖像輸入卷積神經網絡的第一層卷積層，輸出頁巖圖像的卷積特征。

32)對輸出的頁巖圖像的卷積特征通過第一層池化層進行池化處理，對頁巖圖像的卷積特征進行降維；進一步地，采用最大值池化和平均值池化組合的混合池化方法對頁巖圖像的卷積特征進行降維。

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

34)將局部特征通過三層全連接層進行整合，獲取全局信息，進而輸出頁巖重構圖像。其中，隱藏層中的全連接層采用的激活函數為Sigmoid函數，輸出層采用的激活函數為Tanh函數。

所述Sigmoid函數的表達式為：