基于并发生成对抗网络的储层模型多尺度精细表征方法技术

本发明专利技术提供了一种基于并发生成对抗网络的储层模型多尺度精细表征方法。通过金字塔结构对原始训练图像进行多尺度表征，不同尺度的表征结果之间都保持了一致的空间分布模式。在感受野固定的情况下，能够分别在小尺度图像和大尺度图像中提取对应的全局信息和局部信息。同时，应用并发训练策略，相邻阶段之间通过参数继承的方式来代替随机初始化，可以确保网络模型的参数得到充分、有效的训练。最后，利用Wasserstein距离对生成分布和真实分布进行差异性度量，采用梯度惩罚的策略来限制损失函数的梯度在一定的范围内，保证了训练过程中的稳定性，并利用重构损失来修复图像的细节信息，通过两种不同损失函数的耦合，提升了网络整体的模拟性能。的模拟性能。的模拟性能。

【技术实现步骤摘要】
基于并发生成对抗网络的储层模型多尺度精细表征方法


[0001]本专利技术涉及三维地质建模及地理信息系统领域，特别涉及一种基于并发生成对抗网络的储层模型多尺度精细表征方法。

技术介绍

[0002]储层模型的精细构建及其可视化一直是地球信息科学领域的研究重点，对于刻画地下空间结构特征、资源勘探目标决策与区域地质背景描述等有着重要的作用，从而辅助地质专家对地下资源运移、形成和分布做出量化评估。随着勘探程度的深入，对于复杂空间结构的储层单元，由于其明显的空间异质性、非均质性及其复杂的连通程度，在观测数据与专家认知有限的情况下，其模型的构建十分困难，对应先验地质知识表达存在着一定的不确定性。数值模拟的方法是基于随机函数理论与蒙特卡洛抽样的等概率建模，已经在储层建模领域得到了广泛的应用。该方法虽然能够对储层模型的不确定性进行量化，但是由于其平稳性假设原则、CPU密集型计算特性，对于大规模、非平稳性明显、空间结构复杂的储层单元而言，其计算效率低下，虽然局部角度旋转与坐标亲和比调整等策略，能够有效地缓解非平稳条件下储层模型重构困难的问题，但是在通道几何形态复杂多样的情形下，算法需要设置大量关于角度与亲和率变化的参数，实际操作十分复杂，无法保证模拟结果的准确性。由于储层建模可以看成是一种生成任务，因此基于生成对抗网络(Generative Adversarial Network，简称GAN)的建模方法能够有效地克服数值模拟方法的局限性，其基本理论的发展及其各种改进的神经网络模型，为复杂地质结构的三维随机模拟与精细表征提供了技术支撑。现有研究表明，GAN及其变体，已经在多孔介质重构、水文地质模拟、油藏历史拟合及其参数化等领域取得了很好的应用。
[0003]GAN的基本思想在于，建立一个生成器和判别器，通过二者的对抗学习特性来实现图像的随机重构。具体而言，生成器从高斯分布中进行随机采样一个噪音，并对训练数据集的高阶统计分布特征进行拟合，从而生成一个假样本来“迷惑”判别器，而判别器完成的是一个二分类任务，通过输出一个标量，来判断对应的输入数据是来自于生成样本(标记为False)还是真实样本(标记为True)的概率。通过多次地迭代训练，生成器和判别器之间会达到一种“纳什均衡”的状态，即生成器能够产生与训练数据集相似的样本，而判别器无法识别输入数据的真假程度。此时，将二者的网络参数进行保存，仅需要一次性输入特定的数据，便可以得到多种模拟结果，从而完成后续的生成目标。
[0004]基于GAN的储层建模方法，通常包括无条件模拟与有条件模拟两大类，相比较于前者而言，后者是在观测数据约束下所进行的随机模拟，其模拟结果往往具有更多的地质意义。但是GAN也存在着一些缺陷，例如，当真实分布与生成分布相差较大时，对应二者之间的JS散度存在着的饱和区间，使得判别器无法进行合理的差异性度量，造成梯度消失的问题。虽然
‑
log方案的提出，能够有效地缓解训练初期梯度不明显的问题，但是由于非对称结构的KL散度，会导致判别器的惩罚力度不一致，会导致GAN的训练过程不稳定，并且无法保证生成结果的多样性。然而，Wasserstein距离由于其自身平滑的特性，能够合理地度量两个
分布之间的差异，从而能够合理地指导GAN的训练过程。因此，需要建立一个合理的度量指标，对生成分布与真实分布之间的差异进行合理评估，从而确保GAN的模拟性能与计算效率。
[0005]对于储层建模领域而言，其先验地质知识表达是有限的，而GAN的训练过程需要大量训练数据集支撑来完成对应的生成任务。虽然可通过模型分割的方式来制作训练数据集，但分割结果容易破坏训练图像中全局特征与局部特征的关联性，并且固定的感受野可能会导致GAN的重构过程无法兼顾训练图像的全局特征与局部特征，进而造成模拟性能低下。然而，基于金字塔结构的多尺度表征方法，能够克服GAN数据集受限的问题。其原理在于，通过将原始图像进行下采样成不同尺寸的大小，并且所有的图像中保持了相似的空间分布模式。通过这样的方式，使得GAN网络能够在不同尺度的训练图像中提取对应的特征信息，从而实现多阶段、多尺度随机生成任务。
[0006]此外，基于金字塔结构的多阶段生成任务中，需要在训练队列中建立起多个生成器和判别器，并且相邻的生成器之间需要通过上采样的方式来实现图像尺度的转换。但是，通过随机初始化的方式来完成每一个阶段生成器的训练，会导致相邻阶段之间网络参数无法紧密联系。每个阶段以固定大小的学习率来单独训练一个生成器，无法充分地优化所有的网络模型参数。并且，对于生成序列而言，在链式法则下，前一阶段的模拟结果会导致后续阶段的重构性能。由于相邻两个阶段之间对应的训练图像具有相似的空间分布模式，据此可以推测，相邻的生成器之间，其参数也保持着一定的关联特性。因此，可以通过参数继承的方式来代替随机初始化，可以确保下一阶段的训练任务，是在前一阶段基础上所进行的参数优化与调整，保证了模拟结果的真实性与可靠性。
[0007]综上所述，传统GAN在训练过程中容易产生梯度消失和模式坍塌的问题，其本质原因是由于KL散度的非对称性所引起的。因此，使用具有平滑特性的Wasserstein距离进行损失度量，是确保网络训练稳定性的重要前提。同时，由于储层模型的先验知识表达有限，对于GAN的训练而言，支撑集是缺乏的。在数据集有限的情况下，如何确保GAN得到充分训练是一个亟待解决的问题。此外，通过随机初始化的方式，对每一阶段的网络单独训练，可能会导致网络参数无法得到有效的训练。因此，需要引入一种策略，能够同时训练多组网络，通过参数继承的方式来代替随机初始化，从而提升训练效率。鉴于上述分析的GAN在复杂地质三维重构中的问题和挑战，有必要提出一种基于单一训练图像和并发训练策略的生成对抗网络模型，从而实现储层模型的自动重构。

技术实现思路

[0008]为了克服GAN在储层建模领域的局限性，本专利技术提供了一种基于并发生成对抗网络的储层模型多尺度精细表征方法。该方法中，通过引入金字塔结构，对原始的训练图像进行多尺度表征，使得不同尺度下的训练图像都保持着相似的空间分布模式。在感受野固定的情况下，对于小尺度和大尺度的训练图像而言，分别捕捉对应的全局信息和局部信息，并且小尺度条件下的训练图像可以看成是一种软数据约束，后续的重建过程是基于小尺度重构的细节信息修复。同时，为了避免随机初始化所引起的网络参数训练不充分的问题，在上一阶段训练完成后，其参数值会传递给相邻的下一阶段，并且对于训练队列中的生成器，通过设置最大并发数量并赋予不同的学习率，从而保证每个阶段中有多个生成器参与训练，
确保网络参数的最优取值范围。此外，针对每一阶段的优化过程，通过引入Wasserstein距离与梯度惩罚项进行差异性度量，使得其梯度满足1
‑
Lipschitz约束条件，保证了每一个阶段的训练稳定性，同时也保证了生成样本与原始训练图像之间的相关性。因此，该方法对于先验储层模型表达有限的情况下，能够实现多尺度随机重构，从而为复杂储层模型的随机模拟与精细表征提供了新的技术手段与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于并发生成对抗网络的储层模型多尺度精细表征方法，其特征在于，包括以下步骤：S1：建立研究区域的先验储层模型作为原始训练图像，并提取对应的属性信息；S2：定义超参数的取值范围，并获取原始训练图像的尺寸；S3：将原始训练图像输入至金字塔模型，获取多尺度表征结果，将多尺度表征结果存储到训练图像队列中；S4：创建一个生成器网络，仅在第一个训练阶段，对其中的参数进行随机初始化，并将初始化后的生成器添加至生成器训练队列中；S5：遍历训练图像队列，从小尺度训练图像开始进行顺序提取并进行逐阶段训练，直至遍历过程结束；随着训练程度加深，采用并发训练模式，通过判别器建立起对抗学习过程，对多个生成器的网络参数进行优化直至收敛；S6：当所有阶段的生成器完成训练时，通过输入给定的数据，基于不同阶段所保存的网络参数，输出多尺度重构结果。2.根据权利要求1所述的储层模型多尺度精细表征方法，其特征在于，还包括：S7：对多尺度重构结果进行重构性能评估，若满足性能阈值条件，则保存所有的网络参数，通过输入特定的数据，实现储层模型多尺度自动重构；否则返回步骤S2，重新调整参数与网络结构，对网络模型重新进行训练。3.根据权利要求1所述的储层模型多尺度精细表征方法，其特征在于，步骤S1中，所述先验储层模型包括二维模型和三维模型。4.根据权利要求3所述的储层模型多尺度精细表征方法，其特征在于，对于所述二维模型，所述将原始训练图像输入至金字塔模型，获取多尺度表征结果的步骤，包括：获取训练图像的维度大小，二维模型对应尺寸大小分别为y
n
＝(L,W)，其中，L和W表示长和宽；记训练阶段为n，则对于每一个单独训练阶段而言，其对应训练图像的大小y
i
满足：y
i
＝y
n
×
m
((n
‑
1)/logn)*log(n
‑
i)+1
,i＝1,
…
,n
‑
1.对于二维模型，m满足：m＝(min(L1,W1)/min(L*δ,W*δ))
1/(n
‑1),δ＝min(max(L
s
...

【专利技术属性】
技术研发人员：刘刚，范文遥，陈麒玉，崔哲思，陈根深，吴雪超，王思璇，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：