The invention discloses a method for predicting the permeability of porous media based on machine image intelligent learning, selecting multiple groups of same porous media materials with different dry densities and determining the true permeability of each group of porous media materials; scanning each group of porous media materials by SEM to obtain its SEM image, and then calculating the gray mean value, gray variance and image of each SEM image. Energy, image entropy and fractal dimension; Five image characteristic parameters and their corresponding real permeability of each SEM image are trained and learned by using the extreme learning machine neural network model, and the relationship between the five image characteristic parameters and the real permeability is determined; the SEM image parameters of porous media with unknown permeability are input into the prediction, and the extreme learning machine neural network is used. The permeability of the porous media can be predicted by complex model. The method has the advantages of simple operation, short testing period, high accuracy of predicting permeability and low testing cost.
【技术实现步骤摘要】
一种基于机器图像智能学习的多孔介质渗透率预测方法
本专利技术涉及一种基于机器图像智能学习的多孔介质渗透率预测方法。
技术介绍
渗透率在许多工程领域都是关键性的技术指标,比如煤层气和页岩气开采,核废料处置过程中屏障系统气体运移问题,CO2深地质封存等领域。目前,多孔介质材料渗透率的测试方法主要有:压汞法、气体稳态法和气体瞬态法等。这些较为成熟的宏观测试方法其测试结果虽然十分准确,但测试过程繁琐,非专业操作人员不易上手操作;另外上述各个方法的测试周期随多孔介质材料的不同在几天到几个月不等;且测试所需要的设备造价昂贵。
技术实现思路
针对上述现有技术存在的问题,本专利技术提供一种基于机器图像智能学习的多孔介质渗透率预测方法,其操作简单,测试周期短,预测的渗透率的准确度高,并且其测试成本低廉。为了实现上述目的,本专利技术采用的技术方案是:一种基于机器图像智能学习的多孔介质渗透率预测方法,具体步骤为:A、建立多孔介质材料渗透率数据库:a、在同一种多孔介质材料中通过测定干密度选取30组以上(选取的测试组数越多越好,组数越多,结果越准确)不同干密度的多孔介质材料(多孔介质材料主要是由岩土颗粒相互胶结而成,其中包括土骨架和孔隙,而多孔介质材料的渗透率主要就是由这些土体之间的连通孔隙决定的。因此岩土固体颗粒的质量与土的总体积之比值,即干密度,反映了岩土的孔隙比。干密度可用来判断多孔介质材料渗透率的大小,干密度越大,渗透率越小;干密度越小,渗透率越大),然后采用现有的渗透率宏观检测方法对各组多孔介质材料进行测试,得出各组多孔介质材料的真实渗透率值;b、将各组多孔介质材料进行SEM ...
【技术保护点】
1.一种基于机器图像智能学习的多孔介质渗透率预测方法,其特征在于,具体步骤为:A、建立多孔介质材料渗透率数据库:a、在同一种多孔介质材料中通过测定干密度选取30组以上不同干密度的多孔介质材料,然后采用已知的渗透率宏观检测方法对各组多孔介质材料进行测试,得出各组多孔介质材料的真实渗透率值;b、将各组多孔介质材料进行SEM电镜扫描,得到各组多孔介质材料的SEM图像,将每组多孔介质材料的SEM图像与该组多孔介质材料的真实渗透率值相对应;B、SEM图像特征信息提取与分析:由于SEM图像为灰度图像,采用MATLAB软件对SEM图像中的每个像素进行灰度值识别,从而形成每个SEM图像的灰度值矩阵,然后根据SEM图像的灰度值矩阵计算得出各个SEM图像的图像灰度均值、图像灰度方差、图像能量、图像熵值和分形维数,采用这五个图像特征参数表征该SEM图像;C、采用计算机神经网络对得出的各个SEM图像的五个图像特征参数进行深度学习:采用已知的极限学习机神经网络模型对各个SEM图像的五个图像特征参数及其所对应的真实渗透率进行训练与学习,该神经网络模型通过训练与学习后,确定五个图像特征参数与真实渗透率之间的逻辑变化 ...
【技术特征摘要】
1.一种基于机器图像智能学习的多孔介质渗透率预测方法,其特征在于,具体步骤为:A、建立多孔介质材料渗透率数据库:a、在同一种多孔介质材料中通过测定干密度选取30组以上不同干密度的多孔介质材料,然后采用已知的渗透率宏观检测方法对各组多孔介质材料进行测试,得出各组多孔介质材料的真实渗透率值;b、将各组多孔介质材料进行SEM电镜扫描,得到各组多孔介质材料的SEM图像,将每组多孔介质材料的SEM图像与该组多孔介质材料的真实渗透率值相对应;B、SEM图像特征信息提取与分析:由于SEM图像为灰度图像,采用MATLAB软件对SEM图像中的每个像素进行灰度值识别,从而形成每个SEM图像的灰度值矩阵,然后根据SEM图像的灰度值矩阵计算得出各个SEM图像的图像灰度均值、图像灰度方差、图像能量、图像熵值和分形维数,采用这五个图像特征参数表征该SEM图像;C、采用计算机神经网络对得出的各个SEM图像的五个图像特征参数进行深度学习:采用已知的极限学习机神经网络模型对各个SEM图像的五个图像特征参数及其所对应的真实渗透率进行训练与学习,该神经网络模型通过训练与学习后,确定五个图像特征参数与真实渗透率之间的逻辑变化关系,进行逻辑回归拟合;D、对未知渗透率的同一种多孔介质材料进行渗透率预测:①将未知渗透率的同一种多孔介质材料采用SEM电镜扫描,得到该多孔介质材料的SEM图像,然后通过计算得出该SEM图像的图像灰度均值、图像灰度方差、图像能量、图像熵值和分形维数;②将步骤①得出的SEM图像的五个图像特征参数输入已深度学习的计算机神经网络内,计算机神经网络根据输入的SEM图像和已确定五个图像特征参数与真实渗透率之间的变化关系进行分析后,计算机神经网络预测出该SEM图像所对应的渗透率,并通过显示设备进行显示。2.根据权利要求1所述的一种基于机器图像智能学习的多孔介质渗透率预测方法,其特征...
【专利技术属性】
技术研发人员:刘江峰,曹栩楼,陈师杰,黄炳香,陈浙锐,宋帅兵,倪宏阳,
申请(专利权)人:中国矿业大学,
类型:发明
国别省市:江苏,32
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。