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

技术编号:20076999 阅读:38 留言:0更新日期:2019-01-15 01:12
本发明专利技术公开了一种基于机器图像智能学习的多孔介质渗透率预测方法,选取多组不同干密度的同一种多孔介质材料,并确定各组多孔介质材料的真实渗透率;对各组多孔介质材料采用SEM电镜扫描得出其SEM图像,然后计算得出各个SEM图像的灰度均值、灰度方差、图像能量、图像熵值和分形维数;采用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学习,确定五个图像特征参数与真实渗透率之间的变化关系;预测时将未知渗透率的多孔介质材料的SEM图像参数输入,极限学习机神经网络模型即可预测出该多孔介质材料的渗透率。本发明专利技术操作简单,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。

A Prediction Method of Porous Media Permeability Based on Machine Image Intelligent Learning

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电镜(即扫描电子显微镜)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;步骤a和b的顺序可互换;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;由于极限学习机神经网络模型运行时产生权值和隐含层的阈值,在数据训练与学习过程中,能自动进行调整后确定唯一最优解;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。进一步,所述现有的渗透率宏观检测方法包括压汞法、气体稳态法和气体瞬态法。进一步,所述步骤B中五个图像特征参数的具体计算过程为:Ⅰ、先将灰度值矩阵归一化后得到灰度直方图,灰度直方图是灰度级的离散函数,其能反映图像中具有该灰度级的像素的个数占图像总像素的百分比,即图像中具有灰度级i的像素出现的频率,如下式:其中,i表示灰度级,N表示图像像素总数,ni表示图像中灰度级i的像素的总和,L表示灰度级的种类数;Ⅱ、图像灰度均值:图像的灰度均值是反映整个灰度图像纹理平均亮度的度量,多孔介质材料渗透率越高,SEM图像中的孔隙越多,图像整体也会显得越暗,图像的灰度均值也会越低;将灰度值矩阵归一化后得到灰度直方图,图像灰度均值如下式:式中,m为图像灰度均值,i为灰度级,p(i)为灰度级的离散函数,L表示灰度级的种类数;Ⅲ、图像灰度方差:图像灰度方差是反映灰度图像的灰度值离散程度,也是图像纹理平均对比度的量度,图像灰度方差如下式:式中,σ2为图像灰度方差,i为灰度级,m为图像灰度均值,p(i)为灰度级的离散函数,L表示灰度级的种类数;Ⅳ、图像能量是反映灰度图像灰度值的均匀程度,通常情况下图像的灰度值分布越均匀图像的能量越大,反之,图像的能量便会越小。图像能量在多孔介质材料SEM图像中能够反映岩土孔隙与土骨架的分布均匀程度,图像能量如下式:式中,U是图像能量,p(i)为灰度级的离散函数,L表示灰度级的种类数;Ⅴ、图像熵值:图像熵值是反映灰度直方图分布的均匀性,,图像熵值越大表明图像的随机性也越大,反之,图像的随机性越小,图像熵值如下式:式中,e是图像熵值,p(i)为灰度级的离散函数,L表示灰度级的种类数;Ⅵ、分形维数:分形维数是反映多孔介质材料孔径结构和孔表面的变化关系,与孔隙结构的复杂性、非均匀性、孔隙表面粗糙度、规则性有关;分形维数越高,孔表面越不规则,孔隙结构非均匀性愈强;分形维数定义如下:设A为Rn空间的任意非空有界子集,对于任意的r>0,覆盖A所需边长为r的n维立方体的最小数目是Nr(A)。设存在d,使当r→0时:Nr(A)∝1/rd那么称d为A的盒维数。此时存在唯一一个正数k,使得:对上式左右两边取对数,可得:在计算过程中,根据实际情况统计出不同r值时覆盖A分别所需要的盒子个数Nr(A),在以lgr为横坐标、以lgNr(A)为纵坐标的对数坐标系中画出最后通过这些点的拟合线斜率求绝对值,即得到集合A的分形维数。与现有技术相比,本专利技术采用图像识别和神经网络相结合方式,通过先对多组不同干密度的同一种多孔介质材料进行渗透率测试,得出各组多孔介质材料的真实渗透率,然后对各组多孔介质材料采用SEM电镜扫描,得出各组的SEM图像,然后将各个SEM图像通过MATLAB软件对SEM图像中的每个像素进行灰度值识别及计算后得出SEM图像的灰度均值、灰度方差、图像能量、图像熵值和分形维数;采用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,确定五个图像特征参数与真实渗透率之间的变化关系,进行预测时,将未知渗透率的同一种多孔介质材料的SEM图像输入后,并计算出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,极限学习机神经网络模型即可预测出该多孔介质材料的渗透率。本专利技术操作简单,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。附图说明图1是本专利技术中采用的设备连接示意图;图2是本专利技术中极限学习机神经网络的结构图;图3是本专利技术中多孔介质材料的SEM图像;图4是本专利技术试验证明中预测渗透率值与实际渗透率值的对比图。具体实施方式下面将对本专利技术作进一步说明。如图所示,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,然后采用现有的渗透率宏本文档来自技高网...

【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。...

【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

网友询问留言 已有0条评论
  • 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。

1