一种基于深度学习模型的砂岩CT图像渗透率预测方法技术

本发明专利技术公开了一种基于深度学习模型的砂岩CT图像渗透率预测方法，该方法主要包括：(1)对不同类型砂岩进行X射线微断层扫描，获得一系列三维灰度图像；(2)将砂岩三维灰度图像进行二值化处理，将其分割成空隙和固体空间，获得三维二值化图像；(3)采用滑动窗口采样对三维二值化图像进行分块处理，得到大量适应于深度学习模型的小尺寸三维二值图像。本发明专利技术公开的基于深度学习模型的砂岩CT图像渗透率预测方法具有能够对大尺寸砂岩CT图像进行快速的渗透率预测，预测结果具有可靠性。同时，在渗透率的计算过程中将图像的分辨率转换为像素单位，能够灵活地在广泛的空间分辨率下预测砂岩的渗透率，而不需要改变或重新训练模型的效果。果。果。

【技术实现步骤摘要】
一种基于深度学习模型的砂岩CT图像渗透率预测方法


[0001]本专利技术涉及深度学习
，尤其涉及一种基于深度学习模型的砂岩CT图像渗透率预测方法。

技术介绍

[0002]砂岩的渗透率是许多工程
关心的重要指标，如砂岩铀矿地浸开采、砂岩储层油气开采、二氧化碳地质处置等
砂岩渗透率获得通常可以通过实验室试验测得，但测试过程费时费力，且可能会对岩心造成不可逆的损害，影响其它后续测试。人们在大量试验的基础上总结了半经验方程，如Kozeny
‑
Carman方程，可以基于有限的几个特征参数快速地预测渗透率，然而，经验公式的应用范围是十分有限的，而且经验表达式很难处理强异质性。
[0003]渗透率反映的是岩体允许流体通过的能力，显然其是一个与岩体孔隙结构特征有关的参数。近年来，得益于高精度三维成像技术的发展，数字岩心技术可以完整准确的呈现岩体的三维孔隙结构特征，因此，基于三维数字岩心的数值模拟技术，如格子玻尔兹曼法(LBM)、孔隙尺度有限体积法(PFVS)等可较准确的模拟岩体的渗透率值。但计算的体积应大于具有代表性的典型单元体体积时，计算结果才具有应用价值，而典型单元体的体积往往具有较大体积，其模拟过程计算量往往是巨大的。如体素为1000
×
1000
×
1000的单元体通过LBM或PFVS计算渗透率可能需用到超级计算机。另一种计算方法孔隙网络模型(PNM)被引入以减少数值模拟的计算成本，但PNM对孔隙结构存在简化，这种简化会对精度产生影响。
[0004]近年来，人工智能算法的快速发展，使基于图像的渗透率快速预测成为可能。相关技术中，公开号为202110212709.8专利提供了一种基于三维卷积神经网络的多孔介质渗透率的预测方法。但其技术方案存在如下缺点：(1)不同CT图像在扫描过程中设定的分辨率可能不一样，如果待测岩体CT图像分辨率与用于训练三维卷积神经网络模型的CT图像分辨率不一致，则预测结果不具有可靠性；(2)具有代表性的典型单元体体积往往尺寸较大，受显存限制，一般不能直接用来训练三维卷积神经网络模型，而如果采用小尺寸单元体训练的模型，则只能用于预测具有相同尺寸的单元体渗透率，其预测值不具有代表性。

技术实现思路

[0005]本专利技术公开一种基于深度学习模型的砂岩CT图像渗透率预测方法，为解决上述问题，本专利技术可快速预测具有不同分辨率的大尺寸砂岩CT图像渗透率，结果具有可靠性。
[0006]为了实现上述目的，本专利技术采用了如下技术方案：
[0007]一种基于深度学习模型的砂岩CT图像渗透率预测方法，具体包括以下步骤：
[0008]S1：建立砂岩三维二值图像渗透率数据集：
[0009]S2：训练深度学习模型；
[0010]S3：预测大尺寸砂岩CT图像的渗透率；
[0011]建立渗透率数据集时，应采用不同种类砂岩的实际CT图像，使数据集样本具有足
够多样性，且样本数量应充足，保证模型具有足够的泛化能力。
[0012]在一个优选的方案中，所述S1步骤中具体包括以下步骤：
[0013]S11：对不同类型砂岩进行X射线微断层扫描，获得一系列高分辨率三维灰度图像，并切割成规则的大尺寸立方体；
[0014]S12：将砂岩三维灰度图像进行二值化处理，分割成空隙和固体空间，0像素点表示孔隙，1像素点表示固体骨架，从而获得三维二值化图像；
[0015]S13：采用滑动窗口采样法对大尺寸砂岩三维二值图像进行分块处理，分割成小尺寸(如体素大小为128*128*128)的三维二值砂岩图像；
[0016]S14：利用LBM方法计算小尺寸砂岩图像的渗透率，得到小尺寸砂岩图像渗透率数据集；
[0017]所述S2步骤中具体包括以下步骤：
[0018]S21：对步骤S1得到的小尺寸三维二值砂岩图像按照一定的比例划分为训练集、验证集、测试集(如将80％的小尺寸砂岩图像作为训练集，10％作为验证集，10％作为测试集)；
[0019]S22：利用渗透率数据集对三维深度学习模型进行训练，得到权重参数；
[0020]所述S3步骤具体包括以下步骤：
[0021]S31：对待测砂岩进行上述步骤S1中S11、S12、S13小步相同处理，扫描分辨率可以不同；
[0022]S32：利用步骤S2训练的三维深度学习模型预测小尺寸三维二值图像的渗透率；
[0023]S33：计算小尺寸图像渗透率的平均值，作为大尺寸待测砂岩的渗透率。
[0024]在一个优选的方案中，采用LBM计算小尺寸图像渗透率时，应采用如下方法将渗透率单位转化为像素平方Pixel2，提高后续模型在广泛空间分辨率下的泛化能力：
[0025][0026]其中k为渗透率，单位Pixel2；为与压降方向一致的平均速度矢量；为速度矢量相似的压力梯度,μ为流体粘度，计算方法为其中ω为LBM的弛豫频率，为保证LBM密度收敛和减小误差，设为1.0；
[0027]所述渗透率单位可通过如下方式转化为毫达西mD，为后续渗透率预测提供可用的渗透率值：
[0028][0029]k
s
为渗透率，单位为毫达西(mD)；为CT图像的分辨率(μm/像素)。
[0030]在一个优选的方案中，所述深度学习模型，采用残差网络模型ResNet，主要包括一层单独卷积层、四组残差块和全连接层；其中，四组残差块，根据每一组残差块的数目和类型不同，可以是ResNet_18、ResNet_34和ResNet_50模型，当目标值分布不均衡时，则采用log10(k)变换，使目标值分布近似正态分布，提高模型的拟合度。
[0031]在一个优选的方案中，基于训练集和验证集训练深度学习模型，不断调整模型超参数，训练周期、学习率、批次大小和L2正则化系数，直至模型具有良好的预测能力，并采用测试集对模型泛化能力进行测试，在进行滑动窗口取样时，滑动步长应小于取样窗口边长，即保证任意相邻的两个子小样品具有重复的部分，避免大尺寸图像样品中结构信息丢失，在进行滑动窗口取样时，应确保取样数量足够，使最终结果具有代表性。
[0032]由上可知，一种基于深度学习模型的砂岩CT图像渗透率预测方法，具体包括以下步骤：S1：建立砂岩三维二值图像渗透率数据集：S2：训练深度学习模型；S3：预测大尺寸砂岩CT图像的渗透率；建立渗透率数据集时，应采用不同种类砂岩的实际CT图像，使数据集样本具有足够多样性，且样本数量应充足，保证模型具有足够的泛化能力。本专利技术提供的基于深度学习模型的砂岩CT图像渗透率预测方法具有能够对大尺寸砂岩CT图像进行快速的渗透率预测，预测结果具有可靠性。同时，在渗透率的计算过程中将图像的分辨率转换为像素单位，能够灵活地在广泛的空间分辨率下预测砂岩的渗透率，而不需要改变或重新训练模型的技术效果。
附图说明
[0033]图1为本专利技术提出的一种基于深度学习模型的砂岩CT图像渗透率预测方法的整体结构示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习模型的砂岩CT图像渗透率预测方法，其特征在于，具体包括以下步骤：S1：建立砂岩三维二值图像渗透率数据集：S2：训练深度学习模型；S3：预测大尺寸砂岩CT图像的渗透率；建立渗透率数据集时，应采用不同种类砂岩的实际CT图像，使数据集样本具有足够多样性，且样本数量应充足，保证模型具有足够的泛化能力。2.根据权利要求1所述的一种基于深度学习模型的砂岩CT图像渗透率预测方法，其特征在于，所述S1步骤中具体包括以下步骤：S11：对不同类型砂岩进行X射线微断层扫描，获得一系列高分辨率三维灰度图像，并切割成规则的大尺寸立方体；S12：将砂岩三维灰度图像进行二值化处理，分割成空隙和固体空间，0像素点表示孔隙，1像素点表示固体骨架，从而获得三维二值化图像；S13：采用滑动窗口采样法对大尺寸砂岩三维二值图像进行分块处理，分割成小尺寸的三维二值砂岩图像；S14：利用LBM方法计算小尺寸砂岩图像的渗透率，得到小尺寸砂岩图像渗透率数据集。3.根据权利要求2所述的一种基于深度学习模型的砂岩CT图像渗透率预测方法，其特征在于，所述S2步骤中具体包括以下步骤：S21：对步骤S1得到的小尺寸三维二值砂岩图像按照一定的比例划分为训练集、验证集和测试集；S22：利用渗透率数据集对三维深度学习模型进行训练，得到权重参数。4.根据权利要求3所述的一种基于深度学习模型的砂岩CT图像渗透率预测方法，其特征在于，所述S3步骤具体包括以下步骤：S31：对待测砂岩进行上述步骤S1中S11、S12、S13小步相同处理，扫描分辨率可以不同；S32：利用步骤S2训练的三维深度学习模型预测小尺寸三维二值图像的渗透率；S33：计算小尺寸图像渗透率的平均值，作为大尺寸待测砂岩的渗透率。5.根据权利要求1所述的一种渗透率数...

【专利技术属性】
技术研发人员：扶海鹰，王帅，丁德馨，贺桂成，张辉，
申请(专利权)人：南华大学，
类型：发明
国别省市：