【技术实现步骤摘要】
本专利技术涉及岩石渗透率预测，尤其涉及到一种基于时空图神经网络的三维岩心渗透率预测方法。
技术介绍
1、在油气勘探开发领域，岩石渗透率是一个重要的参数，它对于评估油气勘探开发的有效性和产能具有关键的影响。为了能够准确地评估油气资源潜力和开采效果，准确高效评估岩石渗透率，是制定合理的采油方案、提高采收率和优化生产效果的关键，具有十分重要的价值和意义。
2、随着计算机技术和数值模拟方法的不断发展，数字岩石学和数字岩心渗透率预测技术逐渐成熟。利用计算机对岩石的物理和化学特性进行建模和仿真，可以更加准确地预测岩心渗透率，为油气勘探提供更加可靠的技术支持。传统上，岩石渗透率的测量，通常需要进行昂贵和耗时的实验，需要采集岩心样本进行实验室测定。然而，这种方法成本高昂，同时也存在风险和不确定性。因此，利用计算机模拟和预测方法来预测岩心渗透率，能够大大降低成本和风险。
3、然而，传统的渗透率测量方法存在一些局限性和挑战。机器学习常规方法，通常存有计算量冗余、限制于小样本预测与缺乏融合物理知识的问题。然而，在实际需求场景中，缺乏可解释性的人工智能算法是难以被认可和生产投入的。进一步而言，机器学习常规方法也受限于硬件资源的约束，仅仅能预测数据规模较小的样本。因此，如何解决传统渗透率测量存在的计算量冗余、限制于小样本预测以及缺乏融合物理知识，是一个亟需解决的问题。
4、上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本专
2、为实现上述目的，本专利技术提供一种基于时空图神经网络的三维岩心渗透率预测方法，所述方法包括以下步骤：
3、s1：对岩心样本进行x射线μct扫描，将图像序列进行三维介质重建，得到岩心三维数据；
4、s2：将岩心三维数据进行预处理，过滤数据噪声，增强岩心实体与孔缝间的对比度，并执行自动化阈值分割，将岩心内部实体和孔缝结构进行分离，转化成二值化的三维数据；
5、s3：对二值化的三维数据，从x/y/z任一轴向将岩心三维数据进行切分，得到三维岩心立方体，对每个三维岩心立方体，根据达西定理公式计算岩心渗透率作为数据标签，获得扩充数据集；
6、s4：对扩充数据集中每个三维岩心提取其网络孔隙结构数据，并生成为时空图表征数据；
7、s5：将时空图表征数据输入到构建的时空图神经网络模型，首先基于多查询注意力机制的图神经网络提取岩心的空间特征，再进入门控逻辑单元时序网络层捕捉岩心的时序关系，最后通过多层感知机预测渗透率。
8、可选的，所述步骤s1，具体包括：
9、s11：对x射线μct扫描的二维图像切片序列进行配准裁剪，首先对齐二维图像切片在同一坐标系，然后确定图像序列方向信息，最后裁剪至同一大小尺寸；
10、s12：将配准裁剪后的二维图像切片序列转换为体素化的三维数据；
11、s13：对体素化的三维数据进行三维重建，将所有体素组合在一起，生成岩心内部结构的三维重建数据。
12、可选的，所述步骤s2，具体包括：
13、s21：对得到的岩心三维数据进行高斯平滑滤波，使用7*7*7的高斯滤波器进行卷积操作，得到平滑的岩心三维数据；
14、s22：对平滑的岩心三维数据进行滤波降噪处理，根据噪声类型和强度，创建噪声模板，将噪声模板应用于岩心三维数据，得到降噪后三维数据；
15、s23：对降噪后三维数据进行直方图均衡化，首先计算降噪后的三维数据的直方图得到累积分布函数，然后通过映射函数进行灰度级别映射，最后进行伽马变换函数进行调整，得到对比增强后岩心三维数据；
16、s24：将对比增强后岩心三维数据执行自动化阈值分割，首先将数据灰度级分布直方图归一化，然后计算灰度级的概率分布、每个灰度级的熵以及左右侧的熵，其次对每个灰度级计算加权平均熵，最后找到最大值对应的灰度级，使用该灰度级作为阈值对图像进行二值化，得到二值化的三维数据。
17、可选的，所述降噪处理公式如下：
18、
19、式中，是输出图像中的像素值，表示降噪后的像素值，是输入图像中的像素值，表示原始像素值，λ是一个超参，表示降噪的强度；
20、所述直方图均衡化的公式如下：
21、
22、
23、式中，表示累积分布函数，表示映射函数，表示原始图像中第j个灰度级别的像素数量，n表示总像素数量，表示从第0个灰度级别到第i个灰度级别的像素数量之和，l表示灰度级别数量，表示数值处理函数，用于对浮点数进行四舍五入取整；
24、所述伽马变换函数的公式如下：
25、
26、式中，表示伽马变换的映射关系，x表示原始数据中的像素值，γ表示伽马值；
27、所述自动化阈值分割公式如下：
28、
29、式中，表示每个灰度级的概率分布，表示第i个灰度级的像素数，n表示数据的总像素数；
30、
31、式中，表示每个灰度级的熵，i表示灰度级；
32、
33、式中，表示左侧熵，i的范围是0到t-1；
34、
35、式中，表示右侧熵，i的范围是t到255；
36、
37、式中，表示加权平均熵，t表示当前灰度级；
38、
39、式中，t表示最佳阈值，其中t的范围是0到255。
40、可选的，所述步骤s3，具体包括：
41、s31：将中国标准时间作为随机种子，随机设置滑动窗口起点位置、切分尺寸大小和步进长度，x/y/z任一轴向将原始三维数据体进行滑动切分，首先滑动窗口会从随机起点位置开始滑动，并以设定的步进长度进行移动，然后按照设定的切分尺寸大小，在方向轴向上截取数据，最后获得数据集合；
42、s32：根据达西定理公式，对数据集合计算岩心渗透率，数学公式表述为：
43、
44、式中，q表示流体通过多孔介质的速率，k表示多孔介质的渗透率系数，a表示截面积，△h表示流体流动的两点之间的水头差，l表示渗流路径长度；
45、s33：将所有的数据进行随机打乱，然后进行分层采样，得到扩充后的数据集。
46、可选的，所述步骤s4，具体包括：
47、s41：对扩充后的数据集进行连通性分析，剔除孤立、不连通的孔洞点；
48、s42：通过网络孔隙模型计算得到岩心三维孔隙网络结构，提取岩心喉道的长度、相连喉孔、平均半径和面积数据作为边的属性特征，提取岩心喉孔的相对位置、配位数、平均半径和面积大小作为节点的属性特征；
49、s43：根据岩心三维网络孔隙结构本文档来自技高网...
【技术保护点】
1.一种基于时空图神经网络的三维岩心渗透率预测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于时空图神经网络的三维岩心渗透率预测方法，其特征在于，所述步骤S1，具体包括：
3.如权利要求1所述的基于时空图神经网络的三维岩心渗透率预测方法，其特征在于，所述步骤S2，具体包括：
4.如权利要求3所述的基于时空图神经网络的三维岩心渗透率预测方法，其特征在于：
5.如权利要求1所述的基于时空图神经网络的三维岩心渗透率预测方法，其特征在于，所述步骤S3，具体包括：
6.如权利要求1所述的基于时空图神经网络的三维岩心渗透率预测方法，其特征在于，所述步骤S4，具体包括：
7.如权利要求6所述的基于时空图神经网络的三维岩心渗透率预测方法，其特征在于，所述步骤S43，具体包括：
8.如权利要求1所述的基于时空图神经网络的三维岩心渗透率预测方法，其特征在于，所述步骤S5，具体包括：
9.如权利要求8所述的基于时空图神经网络的三维岩心渗透率预测方法，其特征在于，所述步骤S51，具体包括：
...【技术特征摘要】
1.一种基于时空图神经网络的三维岩心渗透率预测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于时空图神经网络的三维岩心渗透率预测方法，其特征在于，所述步骤s1，具体包括：
3.如权利要求1所述的基于时空图神经网络的三维岩心渗透率预测方法，其特征在于，所述步骤s2，具体包括：
4.如权利要求3所述的基于时空图神经网络的三维岩心渗透率预测方法，其特征在于：
5.如权利要求1所述的基于时空图神经网络的三维岩心渗透率预测方法，其特征在...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。