基于边缘生成模型的智能成图与迭代无缝拼接方法和装置制造方法及图纸

本发明专利技术公开了一种基于边缘生成模型的智能成图与迭代无缝拼接方法和装置。方法包括：对专家绘制好的多张沉积相带图和相应多张井位图进行共享边缘信息的图像切割；将每张沉积相带图切片的边缘信息复制到相应第一井位图切片上；组成训练样本对集合；构建训练数据集；构建并训练条件约束生成对抗网络模型；利用训练得到的条件约束生成对抗网络模型，对将待拼接的n张目标井位图中每张图进行迭代预测；将得到的n张预测沉积相带图按照顺序进行拼接。本发明专利技术实现将人工经验融入到绘制过程中，能够更好地指导油田开发；可确保图像内容自然衔接，解决了由于GAN模型尺寸大小固定而导致的大范围成图过程中存在的训练样本切割后的预测相图拼接问题。测相图拼接问题。测相图拼接问题。

【技术实现步骤摘要】
基于边缘生成模型的智能成图与迭代无缝拼接方法和装置


[0001]本申请涉及油田勘探
，特别是涉及一种基于边缘生成模型的智能成图与迭代无缝拼接方法和装置。

技术介绍

[0002]沉积研究是对剩余油分布情况和地下流体流动规律研究的前提。沉积相带图是从平面上的角度来反映当前区域具有的沉积规律，描述了目标范围中具体地层单元的各种沉积相的空间分布情况，为设计与规划工程建设提供主要依据。
[0003]目前，沉积相带图的自动成图通常采用三角网格法和插值方法。然而其目前的沉积相带图自动生成过程仍面临诸多难题，首先，图幅的绘制步骤复杂，数据准备繁琐，需要大量的人为干预，造成绘图效率低的问题；其次，图幅的自动绘制并没有将人工经验融入到绘制过程中，无法体现区域沉积特征，形成的沉积相带图存在着河道砂体跨井排不连通问题，无法指导油田开发，给进一步应用带来了困难。
[0004]GAN是一种非常强大的深度学习模型，它的应用领域非常广泛，包括图像生成、视频生成、语音合成、图像风格转换等等。同时，GAN的训练也非常复杂，需要考虑多个因素，如训练数据的质量、网络结构的设计、超参数的调整等。GAN是一种深度学习模型，全称为生成对抗网络(Generative AdversarialNetworks)。它由两个神经网络组成：一个生成器网络和一个判别器网络。生成器网络通过学习训练数据的分布，生成新的数据。而判别器网络则尝试区分生成器生成的数据和真实的训练数据。在训练过程中，两个网络相互对抗，生成器网络试图欺骗判别器网络，使其无法准确地区分生成的数据和真实的训练数据，而判别器网络则试图正确地识别哪些数据是真实的。通过不断地迭代训练，生成器网络逐渐学习到如何生成更逼真的数据，而判别器网络则逐渐变得更加准确。最终，生成器网络可以生成与训练数据相似的新数据，这些数据可以用于图像生成、视频生成、自然语言处理等领域。
[0005]pix2pixGAN是一类GAN模型，主要用于图像之间的转换，又称图像翻译，将一张输入的图片转变为一张对应的输出图片。如图1所示，图像翻译(ImageTranslation)是将一个物体的图像表征转换为该物体的另一个表征，例如根据皮包的轮廓图得到皮包的彩色图。也就是找到一个函数，能让域A的图像映射到域B，从而实现图像的跨域转换。此类模型的主要应用是图片上色、简笔画到实物画的转化等等。
[0006]近年来，随着人工智能技术和GAN的发展，人工智能方法在沉积相建模领域的应用越来越广泛，例如：ZHANG等使用基于沉积结构的生成对抗神经网络方法生成三维相模型。ERIC等提出基于训练图像的空间生成对抗神经网络地质统计学反演方法能够快速生成二维和三维的非条件模拟结果。但由于GAN模型尺寸大小固定而导致的大范围成图或建模过程中，必然存在的训练样本切割以及创建成果拼接问题，这就需要解决相邻相图的无缝拼接问题。目前还未有成熟的解决方案。

技术实现思路

[0007]基于此，针对上述技术问题，提供一种基于边缘生成模型的智能成图与迭代无缝拼接方法和装置，以解决现有沉积相带图的自动成图方案没有将人工经验融入到绘制过程中，并且缺乏解决相邻相图无缝拼接问题的解决方案的技术问题。
[0008]为了实现上述目的，本申请提供如下技术方案：
[0009]第一方面，一种基于边缘生成模型的智能成图与迭代无缝拼接方法，包括：
[0010]S1，获取专家绘制好的多张沉积相带图；
[0011]S2，根据所述专家绘制好的多张沉积相带图，生成相应多张井位图；
[0012]S3，将所述专家绘制好的多张沉积相带图和多张井位图，以预设尺寸进行共享边缘信息的图像切割，得到多张沉积相带图切片和多张第一井位图切片，所有相邻沉积相带图切片之间以及所有相邻井位图切片之间均共享一定比例的信息；
[0013]S4，将每张沉积相带图切片的边缘信息复制到相应第一井位图切片上，形成多张第二井位图切片，并将所述多张沉积相带图切片与多张第一井位图切片和多张第二井位图切片一一对应起来，组成训练样本对集合；
[0014]S5，对所述训练样本对集合进行乱序处理，并根据预设比例关系对所述训练样本对集合进行划分，构建训练数据集、验证数据集、测试数据集；
[0015]S6，构建条件约束生成对抗网络模型，并利用所述训练数据集训练所述条件约束生成对抗网络模型；所述条件约束生成对抗网络模型以所述训练数据集中的第二井位图切片为输入图像，以所述训练数据集中的沉积相带图切片为标签图像；
[0016]S7，将待拼接的n张目标井位图中的第1张目标井位图输入到所述条件约束生成对抗网络模型中，得到对应所述第1张目标井位图的第1张预测沉积相带图；在得到的所有预测沉积相带图中，将与待拼接的多张目标井位图中的第i张目标井位图相邻的预测沉积相带图的相邻侧边缘信息复制到所述第i张目标井位图上，并将得到的图像输入到所述条件约束生成对抗网络模型中，得到对应所述第i张目标井位图的第i张预测沉积相带图，i依次取2、3、...n；
[0017]S8，将得到的n张预测沉积相带图按照顺序进行拼接。
[0018]可选地，步骤S1还包括：
[0019]将所述专家绘制好的多张沉积相带图根据预设比例尺和图像输出比例进行调整。
[0020]可选地，步骤S2具体包括：
[0021]根据所述多张沉积相带图中包含的沉积相颜色创建点符号；
[0022]创建点符号模板，所述点符号模板的点符号风格与该点符号模板的相应沉积相类型相对应；
[0023]利用所述点符号模板将所述多张沉积相带图分别转换为井位图。
[0024]可选地，所述预设尺寸为512pixel*512pixel。
[0025]可选地，所述预设比例关系为6:2:2。
[0026]可选地，所述构建条件约束生成对抗网络模型，包括构建所述条件约束生成对抗网络模型的生成器模型和判别器模型；所述生成器模型采用U
‑
Net，所述判别器模型采用PatchGAN。
[0027]可选地，步骤S4中所述将每张沉积相带图切片的边缘信息复制到相应第一井位图
切片上，形成多张第二井位图切片，具体包括：
[0028]将每张沉积相带图切片的上侧边缘信息复制到相应第一井位图切片上，形成多张上条带融合的第二井位图切片；
[0029]将每张沉积相带图切片的左侧边缘信息复制到相应第一井位图切片上，形成多张左条带融合的第二井位图切片；
[0030]同时将每张沉积相带图切片的左侧边缘信息和上侧边缘信息复制到相应第一井位图切片上，形成多张左上条带融合的第二井位图切片。
[0031]进一步可选地，步骤S7具体包括：
[0032]S71，将待拼接的n张目标井位图中的第1行第1张目标井位图J11输入到所述条件约束生成对抗网络模型中，得到对应于所述第1行第1张目标井位图J11的第1行第1张预测沉积相带图C11；
[0033]将待拼接的n张目标井本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘生成模型的智能成图与迭代无缝拼接方法，其特征在于，包括：S1，获取专家绘制好的多张沉积相带图；S2，根据所述专家绘制好的多张沉积相带图，生成相应多张井位图；S3，将所述专家绘制好的多张沉积相带图和多张井位图，以预设尺寸进行共享边缘信息的图像切割，得到多张沉积相带图切片和多张第一井位图切片，所有相邻沉积相带图切片之间以及所有相邻井位图切片之间均共享一定比例的信息；S4，将每张沉积相带图切片的边缘信息复制到相应第一井位图切片上，形成多张第二井位图切片，并将所述多张沉积相带图切片与多张第一井位图切片和多张第二井位图切片一一对应起来，组成训练样本对集合；S5，对所述训练样本对集合进行乱序处理，并根据预设比例关系对所述训练样本对集合进行划分，构建训练数据集、验证数据集、测试数据集；S6，构建条件约束生成对抗网络模型，并利用所述训练数据集训练所述条件约束生成对抗网络模型；所述条件约束生成对抗网络模型以所述训练数据集中的第二井位图切片为输入图像，以所述训练数据集中的沉积相带图切片为标签图像；S7，将待拼接的n张目标井位图中的第1张目标井位图输入到所述条件约束生成对抗网络模型中，得到对应所述第1张目标井位图的第1张预测沉积相带图；在得到的所有预测沉积相带图中，将与待拼接的多张目标井位图中的第i张目标井位图相邻的预测沉积相带图的相邻侧边缘信息复制到所述第i张目标井位图上，并将得到的图像输入到所述条件约束生成对抗网络模型中，得到对应所述第i张目标井位图的第i张预测沉积相带图，i依次取2、3、...n；S8，将得到的n张预测沉积相带图按照顺序进行拼接。2.根据权利要求1所述的基于边缘生成模型的智能成图与迭代无缝拼接方法，其特征在于，步骤S1还包括：将所述专家绘制好的多张沉积相带图根据预设比例尺和图像输出比例进行调整。3.根据权利要求1所述的基于边缘生成模型的智能成图与迭代无缝拼接方法，其特征在于，步骤S2具体包括：根据所述多张沉积相带图中包含的沉积相颜色创建点符号；创建点符号模板，所述点符号模板的点符号风格与该点符号模板的相应沉积相类型相对应；利用所述点符号模板将所述多张沉积相带图分别转换为井位图。4.根据权利要求1所述的基于边缘生成模型的智能成图与迭代无缝拼接方法，其特征在于，所述预设尺寸为512pixel*512pixel。5.根据权利要求1所述的基于边缘生成模型的智能成图与迭代无缝拼接方法，其特征在于，所述预设比例关系为6:2:2。6.根据权利要求1所述的基于边缘生成模型的智能成图与迭代无缝拼接方法，其特征在于，所述构建条件约束生成对抗网络模型，包括构建所述条件约束生成对抗网络模型的生成器模型和判别器模型；所述生成器模型采用U
‑
Net，所述判别器模型采用PatchGAN。7.根据权利要求1所述的基于边缘生成模型的智能成图与迭代无缝拼接方法，其特征在于，步骤S4中所述将每张沉积相带图切片的边缘信息复制到相应第一井位图切片上，形
成多张第二井位图切片，具体包括：将每张沉积相带图切片的上侧边缘信息复制到相应第一井位图切片上，形成多张上条带融合的第二井位图切片；将每张沉积相带图切片的左侧边缘信息复制到相应第一井位图切片上，形成多张左条带融合的第二井位图切片；同时将每张沉积相带图切片的左侧边缘信息和上侧边缘信息复制到相应第一井位图切片上，形成多张左上条带融合的第二井位图切片。8.根据权利要求7所述的基于边缘生成模型的智能成图与迭代无缝拼接方法，其特征在于，步骤S7具体包括：S...

【专利技术属性】
技术研发人员：矫树春，袁钢辉，黄俊锋，曹艳虹，刘志军，高锋，徐强，
申请(专利权)人：北京金阳普泰石油技术股份有限公司，
类型：发明
国别省市：