【技术实现步骤摘要】
本申请涉及储层岩体工程地质力学试验测试领域，特别是涉及一种岩体演化的实时定量表征方法、设备及介质。
技术介绍
1、二氧化碳地质封存工程属于“人不可入”的深部地质工程。深部岩体在多相（超临界-气-液-固）和多场（温度-流体-应力-化学-生物）的多相场耦合环境作用下的破裂形成演化的动态过程与机制问题一直是“黑箱”问题。
2、实现多相场耦合岩体演化的实时透明化是揭示超临界二氧化碳注入扰动过程中岩体在多相场耦合作用下的时空响应特征与演变规律的关键。尽管当前计算机采用x线断层扫描、核磁共振技术、地球物理探测及声发射监测等技术可提供岩体结构演化的关键信息，但存在结构成像迟滞或成像精度差的问题，无法实现碳封存工程中多相场耦合岩体演化的即时性透明化表征。当前，多相场耦合岩体演化的高精度成像及实时透明化表征研究仍处于空白状态。
3、因此，基于上述问题，亟需提供一种适用于碳封存工程岩体演化的实时定量表征方法，以打开超临界二氧化碳注入扰动下岩体动态演化的黑箱。
技术实现思路
1、本申请的目的是提供一种岩体演化的实时定量表征方法、设备及介质，能够实现多相场长时耦合岩体演化的实时性透明化表征。
2、为实现上述目的，本申请提供了如下方案：
3、第一方面，本申请提供了一种岩体演化的实时定量表征方法，所述岩体演化的实时定量表征方法包括：
4、获取多相场耦合试验测试全过程中岩体在不同演化阶段的演化分布图像以及实时的多相场探测和监测数据；所述演化分布图像包括
5、利用特征提取方法和transformer深度学习模型对实时的多相场探测和监测数据进行数据融合；
6、根据温度、化学离子浓度、微生物细胞浓度及超临界二氧化碳影响下的流体密度的物理原理，采用深度学习方法建立物理原理驱动的深度学习模型；
7、以实时融合的数据为输入，以对应的演化分布图像为输出，训练物理原理驱动的深度学习模型；
8、根据不同时刻、不同类型的多相场探测和监测数据，采用训练后的深度学习模型，得到演化分布图像；
9、根据与多相场探测和监测数据同步的宏观力学参数和演化分布图像，采用数学模型，实现岩体动态演化渐进破坏全过程中的物理力学参数定量表征；所述宏观力学参数为不同加载路径、多相场耦合作用下岩体演化不同阶段的宏观力学参数。
10、可选地，获取实时的多相场探测和监测数据的装置包括：光纤传感器、电极传感器以及超声波换能器。
11、可选地，所述深度学习方法包括：贝叶斯神经网络、卷积神经网络、深度残差网络、循环神经网络以及生成性对抗网络。
12、可选地，所述数学模型通过逻辑回归分析、支持向量机svm、随机森林或神经网络进行建立。
13、第二方面，本申请提供了一种岩体演化的实时定量表征设备，所述岩体演化的实时定量表征设备包括：
14、数据获取模块，用于获取多相场耦合试验测试全过程中岩体在不同演化阶段的演化分布图像以及实时的多相场探测和监测数据；所述演化分布图像包括：重构孔隙分布图像、孔隙流体压力分布图像以及超临界二氧化碳饱和度分布图像；所述多相场探测和监测数据包括：温度、应变、电阻率、化学离子浓度、微生物细胞浓度、p波波速和s波波速以及声发射数据；
15、数据融合模块，用于利用特征提取方法和transformer深度学习模型对实时的多相场探测和监测数据进行数据融合；
16、物理原理驱动的深度学习模型建立模块，用于根据温度、化学离子浓度、微生物细胞浓度及超临界二氧化碳影响下的流体密度的物理原理，采用深度学习方法建立物理原理驱动的深度学习模型；
17、物理原理驱动的深度学习模型训练模块，用于以实时融合的数据为输入，以对应的演化分布图像为输出，训练物理原理驱动的深度学习模型；
18、演化分布图像反演模块，用于根据不同时刻、不同类型的多相场探测和监测数据，采用训练后的深度学习模型，得到演化分布图像；
19、物理力学参数定量表征模块，用于根据与多相场探测和监测数据同步的宏观力学参数和演化分布图像，采用数学模型，实现岩体动态演化渐进破坏全过程中的物理力学参数定量表征。
20、第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现所述的岩体演化的实时定量表征方法。
21、第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的岩体演化的实时定量表征方法。
22、根据本申请提供的具体实施例，本申请公开了以下技术效果：
23、本申请提供了一种岩体演化的实时定量表征方法、设备及介质，建立的基于物理原理驱动的深度学习模型通过嵌入控制性物理定律（即偏微分方程）作为先验信息，将可微编程（differentiable programming）方法与传统的数值模拟方法（如有限元法、有限差分法或离散元法）相结合，使所有的数值运算都以可微分构建模块实现。本申请中物理原理驱动的深度学习模型的可微分机制通过自动微分方法解决正向和反向问题，并且较为容易地与深度神经网络相结合，从而具有普适性。本申请利用特征提取方法和transformer深度学习模型对实时的多相场探测和监测数据进行数据融合，即融合并协同反演多源异构异质海量信息，实现对不同探测、监测手段获取的不同格式、不同量级、不同维度、不同分辨率的数据、图像的高效利用；攻克基于物理原理驱动的深度学习模型训练困难的关键科学问题，实现多相场耦合岩体内部精细结构场、有效应力场和超临界二氧化碳运移的实时透明化定量表征。
本文档来自技高网...【技术保护点】
1.一种岩体演化的实时定量表征方法，其特征在于，所述岩体演化的实时定量表征方法包括：
2.根据权利要求1所述的岩体演化的实时定量表征方法，其特征在于，获取实时的多相场探测和监测数据的装置包括：光纤传感器、电极传感器以及超声波换能器。
3.根据权利要求1所述的岩体演化的实时定量表征方法，其特征在于，所述深度学习方法包括：贝叶斯神经网络、卷积神经网络、深度残差网络、循环神经网络以及生成性对抗网络。
4.根据权利要求1所述的岩体演化的实时定量表征方法，其特征在于，所述数学模型通过逻辑回归分析、支持向量机SVM、随机森林或神经网络进行建立。
5.一种岩体演化的实时定量表征设备，其特征在于，所述岩体演化的实时定量表征设备包括：
6.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-4中任一项所述的岩体演化的实时定量表征方法。
7.一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，该计算机程序被处理器执行时实现权利要求1
...【技术特征摘要】
1.一种岩体演化的实时定量表征方法，其特征在于，所述岩体演化的实时定量表征方法包括：
2.根据权利要求1所述的岩体演化的实时定量表征方法，其特征在于，获取实时的多相场探测和监测数据的装置包括：光纤传感器、电极传感器以及超声波换能器。
3.根据权利要求1所述的岩体演化的实时定量表征方法，其特征在于，所述深度学习方法包括：贝叶斯神经网络、卷积神经网络、深度残差网络、循环神经网络以及生成性对抗网络。
4.根据权利要求1所述的岩体演化的实时定量表征方法，其特征在于，所述数学模型通过逻辑回...
【专利技术属性】
技术研发人员：王赞，祁生文，郑博文，张旺，万博，侯晓坤，路伟，罗光明，马丽娜，李永超，李国梁，张毓然，朱维伟，郝文杰，郭松峰，邹宇，丛佳宁，金超，黄天明，孔彦龙，
申请(专利权)人：中国科学院地质与地球物理研究所，
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。