【技术实现步骤摘要】
本专利技术涉及油气田勘探开发领域，具体涉及一种基于自监督学习的岩心薄片图像渗透率预测方法、系统。
技术介绍
1、通过岩心薄片获取渗透率主要有三种方法。①物理实验：将岩心放置于特定实验装置，模拟流体通过岩石的过程，从而测量渗透率；②孔-渗模型：基于岩心样本的孔隙度、连通性、结构等信息使用数学模型来计算渗透率；③微观流体仿真：为实际岩心创建几何模型，使用计算流体力学进行模拟仿真，根据仿真结果计算渗透率。物理实验和微观流体仿真涉及到高昂的实验成本、人力成本以及算力和时间成本，在实际应用中往往难以铺开使用。孔-渗模型由于其将复杂的非线性关系过度简化，往往含有经验参数，对渗透率计算误差可能会较大。
2、近年来，计算机图像(以下简称cv，computer vision)卷积神经网络在分类、识别等领域取得了可观的成果，因此很自然地出现了利用cv网络，建立端到端的多孔介质图像到渗透率的代理模型。然而前者的成功是基于上百万规模的数据集(比如coco、imagenet)，而针对岩心铸体薄片预测问题，目标渗透率往往由实验或者流体仿真计算获得，一般样本量级在数十或百。因此直接使用大规模cv神经网络建立端到端模型极容易造成过拟合，降低泛化能力，在未知数据集上效果较差。
技术实现思路
1、本专利技术提供一种基于自监督学习的岩心薄片图像渗透率预测方法、系统，旨在解决传统岩心渗透率测量方法的高昂成本以及岩芯薄片-渗透率样本过少难以训练深度神经网络的问题，通过建立一种自监督学习框架，该框架能够利用有限的
2、本专利技术通过下述技术方案实现：
3、一种基于自监督学习的岩心薄片图像渗透率预测方法，包括：
4、s1、收集m张原始岩心薄片图像样本，并对m张所述原始岩心薄片图像样本进行处理得到m张关于所述原始岩心薄片图像样本的薄片单通道二值图像；
5、s2、通过有限元流体仿真，计算m张所述薄片单通道二值图像对应的渗透率，建立薄片图像-渗透率数据库；
6、s3、从n张作为训练样本的所述薄片单通道二值图像中构建若干序列样本数据，n<m，同时通过所述薄片图像-渗透率数据库得到若干序列样本数据对应的实际渗透率；
7、s4、初始化神经网络，并将s3得到的序列样本数据输入至所述神经网络中进行训练，将所述神经网络得到的输出值与所述实际渗透率进行损失函数的计算，直到该神经网络对应的损失函数收敛，此时的所述神经网络即为渗透率预测代理模型；
8、s5、通过m张所述薄片单通道二值图像生成若干用于测试的序列样本数据，并将用于测试的序列样本数据输入至所述渗透率预测代理模型中进行预测。
9、作为优化，在所述薄片单通道二值图像中，0表示可流动的孔隙区域，1表示不可流动的颗粒固体区域。
10、作为优化，所述薄片单通道二值图像的渗透率的具体表达式为：
11、
12、其中，i∈[1,m]，v为流速，单位m/s；∫lv为流速在右边界的线积分；l为右边界，μ为粘度，单位pa·s；δp为压力差，单位为pa。
13、作为优化，s3中，构建序列样本数据的具体过程为：
14、s3.1、从n张作为训练样本的所述薄片单通道二值图像中随机无重复抽样q次，并将抽取到的q张所述薄片单通道二值图像按照抽样顺序排列为nq为正整数，且nq∈[1,n]；
15、s3.2、计算到到到的(q-1)个线性变换矩阵
16、其中，为使用了奇异值分解求得的伪逆矩阵；
17、s3.3、第n个所述序列样本数据表示为：
18、
19、s3.4、第n个所述序列样本数据对应的实际渗透率为
20、作为优化，所述神经网络包括conv2d+lstm2d+fc，其中，每个所述序列样本数据的各个元素分别通过conv2d得到多个第一中间值，然后各个第一中间值分别依次通过lstm2d层得到一个第二中间值，所述第二中间值通过fc层得到最终的8个输出值，最后一个所述输出值即为抽样顺序最后一张所述薄片单通道二值图像对应的预测渗透率。
21、作为优化，所述神经网络的输入数据为(b,t,w,h,c)的时序图像张量，其中，b为batch大小；t为时序长度；w为输入图像的宽度；h为输入图像的高度；c为输入图像的通道。
22、作为优化，b为32，t为8，w为128，h为128，c为1。
23、作为优化，q为8。
24、作为优化，s5中，在对m张所述薄片单通道二值图像生成若干用于测试的序列样本数据时，位于抽样顺序的最后一张薄片单通道二值图像取自(m-d)张未作为训练样本的所述薄片单通道二值图像，位于抽样顺序的前七张薄片单通道二值图像取自m张作为训练样本的所述薄片单通道二值图像。
25、本专利技术还公开了一种基于自监督学习的岩心薄片图像渗透率预测系统，包括：
26、二值图像获取模块，用于收集m张原始岩心薄片图像样本，并对m张所述原始岩心薄片图像样本进行处理得到m张关于所述原始岩心薄片图像样本的薄片单通道二值图像；
27、图像-渗透率数据库创建模块，用于通过有限元流体仿真，计算m张所述薄片单通道二值图像对应的渗透率，建立薄片图像-渗透率数据库；
28、序列样本数据建立模块，用于从n张作为训练样本的所述薄片单通道二值图像中构建若干序列样本数据，n<m，同时通过所述薄片图像-渗透率数据库得到若干序列样本数据对应的实际渗透率；
29、训练模块，用于初始化神经网络，并将所述序列样本数据建立模块得到的序列样本数据输入至所述神经网络中，将所述神经网络得到的输出值与所述实际渗透率进行损失函数的计算，直到该神经网络对应的损失函数收敛，此时的所述神经网络即为渗透率预测代理模型；
30、验证模块，用于通过m张所述薄片单通道二值图像生成若干用于测试的序列样本数据，并将用于测试的序列样本数据输入至所述渗透率预测代理模型中进行预测。
31、本专利技术与现有技术相比，具有如下的优点和有益效果：
32、本专利技术公开了一种基于自监督学习的岩心薄片图像渗透率代理模型的训练框架，将数量有限的薄片图像和渗透率数据，通过自监督学习模式，生成海量起始薄片图像、多个转换矩阵构成的序列样本数据，输入到lstm神经网络中进行训练，经过大量迭代后，获得具有鲁棒性的薄片渗透率代理模型。
33、本专利技术通过矩阵线性转换和序列模型，建立了一种用于小样本量岩心薄片图像到渗透率的自监督学习框架，使得可以通过有限的样本生成数量级更大的序列样本数据。
34、本专利技术在不同微观本文档来自技高网...
【技术保护点】
1.一种基于自监督学习的岩心薄片图像渗透率预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于自监督学习的岩心薄片图像渗透率预测方法，其特征在于，在所述薄片单通道二值图像中，0表示可流动的孔隙区域，1表示不可流动的颗粒固体区域。
3.根据权利要求1所述的一种基于自监督学习的岩心薄片图像渗透率预测方法，其特征在于，所述薄片单通道二值图像的渗透率的具体表达式为：
4.根据权利要求1所述的一种基于自监督学习的岩心薄片图像渗透率预测方法，其特征在于，S3中，构建序列样本数据的具体过程为：
5.根据权利要求4所述的一种基于自监督学习的岩心薄片图像渗透率预测方法，其特征在于，所述神经网络包括conv2d+LSTM2d+FC，其中，每个所述序列样本数据的各个元素分别通过conv2d得到多个第一中间值，然后各个第一中间值分别依次通过LSTM2d层得到一个第二中间值，所述第二中间值通过FC层得到最终的8个输出值，最后一个所述输出值即为抽样顺序最后一张所述薄片单通道二值图像对应的预测渗透率。
6.根据权利要求5所述的一种基于自监督
7.根据权利要求6所述的一种基于自监督学习的岩心薄片图像渗透率预测方法，其特征在于，B为32，T为8，W为128，H为128，C为1。
8.根据权利要求7所述的一种基于自监督学习的岩心薄片图像渗透率预测方法，其特征在于，q为8。
9.根据权利要求8所述的一种基于自监督学习的岩心薄片图像渗透率预测方法，其特征在于，S5中，在对M张所述薄片单通道二值图像生成若干用于测试的序列样本数据时，位于抽样顺序的最后一张薄片单通道二值图像取自(M-D)张未作为训练样本的所述薄片单通道二值图像，位于抽样顺序的前七张薄片单通道二值图像取自M张作为训练样本的所述薄片单通道二值图像。
10.一种基于自监督学习的岩心薄片图像渗透率预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于自监督学习的岩心薄片图像渗透率预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于自监督学习的岩心薄片图像渗透率预测方法，其特征在于，在所述薄片单通道二值图像中，0表示可流动的孔隙区域，1表示不可流动的颗粒固体区域。
3.根据权利要求1所述的一种基于自监督学习的岩心薄片图像渗透率预测方法，其特征在于，所述薄片单通道二值图像的渗透率的具体表达式为：
4.根据权利要求1所述的一种基于自监督学习的岩心薄片图像渗透率预测方法，其特征在于，s3中，构建序列样本数据的具体过程为：
5.根据权利要求4所述的一种基于自监督学习的岩心薄片图像渗透率预测方法，其特征在于，所述神经网络包括conv2d+lstm2d+fc，其中，每个所述序列样本数据的各个元素分别通过conv2d得到多个第一中间值，然后各个第一中间值分别依次通过lstm2d层得到一个第二中间值，所述第二中间值通过fc层得到最终的8个输出值，最后一个所述输出值即为抽样顺序最后一张所述薄片单通道二值图像对应的预测渗透率。
【专利技术属性】
技术研发人员：邓睿，王贺华，瞿建华，蒋利平，康博，张亮，赵星，张博宁，李豫源，邓祺，欧阳静芸，李辰，杨凌风，梁力文，李扬，
申请(专利权)人：成都北方石油勘探开发技术有限公司，
类型：发明
国别省市：
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。