基于生成对抗神经网络的数字岩心重构方法及系统技术方案

本发明专利技术提供一种基于生成对抗神经网络的数字岩心重构方法及系统。该方法包括：执行迭代处理：根据生成器的权重矩阵和生成器的偏置对历史噪声数据进行处理得到生成样本；根据判别器的权重和判别器的偏置对生成样本进行处理得到生成样本判别概率；根据判别器的权重和判别器的偏置对真实样本进行处理得到真实样本判别概率；根据生成样本判别概率和真实样本判别概率确定损失函数；当当前迭代次数达到预设迭代次数时，根据当前迭代中的生成器的权重矩阵和生成器的偏置对当前噪声数据进行处理得到数字岩心模型，否则根据损失函数更新生成器的权重矩阵、生成器的偏置、判别器的权重和判别器的偏置，可以提高重建效率，令数字岩心符合真实岩心的分布特征。

【技术实现步骤摘要】
基于生成对抗神经网络的数字岩心重构方法及系统
本专利技术涉及数字岩心重构
，具体地，涉及一种基于生成对抗神经网络的数字岩心重构方法及系统。
技术介绍
随着近年来CT扫描等微观成像技术的发展，数字岩心能够更加准确地描述三维空间中岩心各种组分的空间分布，同时，数字岩心本身还是研究微观渗流规律的重要平台。此外，基于数字岩心模型，还可以研究岩心的导电性和声波特性。目前，应用生成对抗神经网络重构数字岩心的技术正处于起步阶段，其流程复杂，重构效率低下且得到的数字岩心的连通性较差，与真实岩心存在误差。
技术实现思路
本专利技术实施例的主要目的在于提供一种基于生成对抗神经网络的数字岩心重构方法及系统，以简化重构过程，提高重构效率，令数字岩心更加符合真实岩心的分布特征。为了实现上述目的，本专利技术实施例提供一种基于生成对抗神经网络的数字岩心重构方法，包括：执行如下迭代处理：根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理，得到生成样本；根据判别器的权重和判别器的偏置对生成样本进行处理本文档来自技高网...

【技术保护点】
1.一种基于生成对抗神经网络的数字岩心重构方法，其特征在于，包括：/n执行如下迭代处理：/n根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理，得到生成样本；/n根据判别器的权重和判别器的偏置对所述生成样本进行处理，得到生成样本判别概率；/n根据所述判别器的权重和所述判别器的偏置对真实样本进行处理，得到真实样本判别概率；/n根据所述生成样本判别概率和所述真实样本判别概率确定损失函数；/n判断当前迭代次数是否达到预设迭代次数；/n当所述当前迭代次数达到预设迭代次数时，根据当前迭代中的生成器的权重矩阵和生成器的偏置对当前噪声数据进行处理，得到数字岩心模型，否则根据所述损失函数更新所述生...

【技术特征摘要】
1.一种基于生成对抗神经网络的数字岩心重构方法，其特征在于，包括：
执行如下迭代处理：
根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理，得到生成样本；
根据判别器的权重和判别器的偏置对所述生成样本进行处理，得到生成样本判别概率；
根据所述判别器的权重和所述判别器的偏置对真实样本进行处理，得到真实样本判别概率；
根据所述生成样本判别概率和所述真实样本判别概率确定损失函数；
判断当前迭代次数是否达到预设迭代次数；
当所述当前迭代次数达到预设迭代次数时，根据当前迭代中的生成器的权重矩阵和生成器的偏置对当前噪声数据进行处理，得到数字岩心模型，否则根据所述损失函数更新所述生成器的权重矩阵、所述生成器的偏置、所述判别器的权重和所述判别器的偏置，继续执行所述迭代处理。


2.根据权利要求1所述的基于生成对抗神经网络的数字岩心重构方法，其特征在于，所述生成器的权重矩阵包括生成器的转置卷积层的转置卷积核权重矩阵、生成器的转置卷积层的卷积核权重矩阵和生成器的卷积层的卷积核权重矩阵，所述生成器的偏置包括生成器的转置卷积层的转置卷积核偏置和生成器的卷积层的卷积核偏置；
根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理，得到生成样本包括：
根据所述生成器的转置卷积层的转置卷积核权重矩阵对所述历史噪声数据进行转置卷积处理，得到生成器的转置卷积层的转置卷积核输出结果；
根据所述生成器的转置卷积层的卷积核权重矩阵对所述生成器的转置卷积层的转置卷积核输出结果进行卷积处理，得到生成器的转置卷积层的卷积核输出结果；
根据所述生成器的转置卷积层的转置卷积核偏置和第一生成器激活函数对所述生成器的转置卷积层的卷积核输出结果进行非线性变换，得到生成器的转置卷积层的转置卷积核输出特征图；
根据所述生成器的卷积层的卷积核权重矩阵、生成器的卷积层的卷积核偏置和第二生成器激活函数对所述生成器的转置卷积层的转置卷积核输出特征图进行卷积处理，得到生成器的卷积层的卷积核输出特征图；
通过第三生成器激活函数对所述生成器的卷积层的卷积核输出特征图进行非线性变换，得到生成样本。


3.根据权利要求1所述的基于生成对抗神经网络的数字岩心重构方法，其特征在于，所述判别器的权重包括判别器的卷积层的卷积核权重矩阵和判别器的全连接层的神经元权重，所述判别器的偏置包括判别器的卷积层的卷积核偏置和判别器的全连接层的神经元偏置；
根据判别器的权重和判别器的偏置对所述生成样本进行处理，得到生成样本判别概率包括：
根据所述判别器的卷积层的卷积核权重矩阵、所述判别器的卷积层的卷积核偏置和第一判别器激活函数对所述生成样本进行卷积处理，得到判别器的卷积层的卷积核生成特征图；
根据所述判别器的全连接层的神经元权重、所述判别器的全连接层的神经元偏置和第二判别器激活函数对所述判别器的卷积层的卷积核生成特征图进行非线性变换，得到判别器的全连接层的神经元生成结果；
通过第三判别器激活函数对所述判别器的全连接层的神经元生成结果进行非线性变换，得到生成样本判别概率。


4.根据权利要求3所述的基于生成对抗神经网络的数字岩心重构方法，其特征在于，根据所述判别器的权重和所述判别器的偏置对真实样本进行处理，得到真实样本判别概率包括：
根据所述判别器的卷积层的卷积核权重矩阵、所述判别器的卷积层的卷积核偏置和第一判别器激活函数对所述真实样本进行卷积处理，得到判别器的卷积层的卷积核真实特征图；
根据所述判别器的全连接层的神经元权重、所述判别器的全连接层的神经元偏置和第二判别器激活函数对所述判别器的卷积层的卷积核真实特征图进行非线性变换，得到判别器的全连接层的神经元真实结果；
通过第三判别器激活函数对所述判别器的全连接层的神经元真实结果进行非线性变换，得到真实样本判别概率。


5.一种基于生成对抗神经网络的数字岩心重构系统，其特征在于，包括：
生成样本单元，用于根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行...

【专利技术属性】
技术研发人员：王付勇，赵久玉，
申请(专利权)人：中国石油大学北京，
类型：发明
国别省市：北京;11