本发明专利技术涉及一种基于单训练图像的生成对抗网络沉积相建模方法及装置，所述方法构建了金字塔结构的具有多级生成对抗网络的沉积相模拟模型，通过获取单幅真实沉积相训练图像，并根据所述训练图像生成多尺度的分级训练图像对每一级生成对抗网络进行训练，在训练过程中对各层网络中生成器的输出图像与预设条件的误差进行判断，当超过误差阈值时对输出图像进行修正，最后利用训练完备的沉积相模拟模型对基于给定的河道训练图像和沉积相生成条件进行沉积相的模拟。本发明专利技术降低了训练数据的获取成本，建模速度快、效率高，能够在满足给定条件的前提下对沉积相进行随机建模，对沉积相的不确定性进行模拟。
【技术实现步骤摘要】
本专利技术涉及地质建模，尤其涉及一种基于单训练图像的生成对抗网络沉积相建模方法及装置。
技术介绍
1、沉积相模拟是指使用稀疏物理位置测量的井数据推断整个研究区域的沉积相，沉积相建模是地质学中的一门重要学科，对于石油勘探、地质灾害评估、地质演化研究等都具有重要意义。通过沉积相建模，我们可以更好地理解地层中沉积物的空间分布、储量变化、岩性特征等，为地质勘探、工程规划和环境评估提供科学依据。
2、早期地质建模主要采用两点统计，通过变异函数模拟地质模式。由于只考虑空间两点之间的相关性，因此难以再现复杂地质结构特征。在此基础上改进的多点地质统计通过扫描训练图像获取地质变量的空间结构信息，模拟效果优于两点地质统计。但由于对空间结构(地质模式)的表达仅限于数据样板内的多点统计信息，当研究区储层具有非平稳和强非均质性时，多点地质统计学的效果并不理想。同时，多点地质统计学在建模效率和内存占用率上存在不足，无法满足实际使用需要。
3、近年来，深度学习方法逐渐被引入到储层建模领域，并迅速成为研究热点。生成对抗网络gan能够抽象和再现复杂的空间模式特征，在图像生成等多个领域得到成功应用，并于近几年引入到储层建模。传统基于生成对抗网络的建模方法都是基于多图像进行训练，主要应用于简单储层的沉积相建模，例如两种相类型的河道模拟等。而对于具有复杂结构的沉积相建模，需要专门开发相应的数据集构建算法，这需要获取大量的地质资料和训练数据，而获取大量符合储层沉积特征的数据集难度较大且成本很高，传统的基于生成对抗网络建模方法难以实现大规模应用。</p>4、因此，有必要提出一种基于单训练图像的生成对抗网络沉积相建模方法及装置，能够降低模型样本数据获取的成本和难度，利用单一训练图像对不同尺度的地质特征进行提取，生成高质量且多样性的数据样本，对具有复杂结构的沉积相进行精确模拟，为油田开发提供更好的指导。
技术实现思路
1、有鉴于此，本专利技术提供一种基于单训练图像的生成对抗网络沉积相建模方法及装置，用以解决现有中由于获取大量符合储层沉积特征的数据集难度较大且成本高，导致无法充分发挥生成对抗网络的优势对沉积相进行建模、不能为油田开发提供理论指导的技术问题。
2、为达到上述技术目的，本专利技术采取了以下技术方案：
3、第一方面，本专利技术提供了一种基于单训练图像的生成对抗网络沉积相建模方法，包括：
4、构建金字塔结构的具有多级生成对抗网络的沉积相模拟模型；所述金字塔结构中每级生成对抗网络对应一组生成器和判别器；
5、获取单幅真实沉积相训练图像，根据所述沉积相训练图像生成多尺度的分级训练图像，将每张所述分级训练图像作为对应级生成对抗网络的训练图像；
6、利用所述分级训练图像对所述沉积相模拟模型的各级生成对抗网络进行训练，得到训练完备的沉积相模拟模型；其中，当任一级生成对抗网络中生成器的输出图像与预设条件的误差超过预设阈值时，对所述输出图像进行修正，并将修正后的图像作为当前网络的输入，直到当前生成器的输出图像与预设条件的误差小于预设阈值；
7、获取河道训练图像和沉积相生成条件，利用训练完备的所述沉积相模拟模型根据所述河道训练图像和沉积相生成条件进行沉积相建模。
8、进一步的，所述沉积相模拟模型包括依序连接的n级至0级生成对抗网络；第n级生成对抗网络包含互相耦合的生成器gn和判别器dn，n∈[0,1,…,n]；
9、利用所述分级训练图像对所述沉积相模拟模型的各级生成对抗网络进行训练，包括：
10、利用分级训练图像xn训练判别器dn，训练过程逐级进行，每一级训练完成之后参数不再变化；
11、网络第n级通过随机向量zn作为输入，经过生成器gn后得到初始样本除第n级外，每级生成器均对上一级的生成器输出图像上采样，并加入随机噪声作为本级网络的输入。
12、进一步的，当任一级生成对抗网络中生成器的输出图像与预设条件的误差超过预设阈值时，对所述输出图像进行修正，包括：
13、当任一级生成对抗网络中生成器输出图像的井点位置数据与先验井点观测数据的误差超过预设阈值时，对所述输出图像中的井点位置数据进行替换。
14、进一步的，每一级生成对抗网络中生成器gn和判别器dn均包括卷积网络，所述卷积网络包含若干个卷积层和批量归一化层。
15、进一步的，所述卷积层采用lrelu作为激活函数，所述卷积层中过滤器的数目随金字塔结构层级增加而增多。
16、进一步的，第n级生成对抗网络的损失函数为：
17、
18、其中，ladv(gn,dn)为条件对抗网络损失，生成器的训练目标为在预设条件下使判别器对生成目标和真实样本之间的差距最大化，判别器的训练目标为最小化真实样本和生成样本的距离。
19、进一步的，对上一级的生成器输出图像上采样，包括：
20、根据预设采样系数对上一级的生成器输出图像上采样。
21、第二方面，本专利技术还提供了一种基于单训练图像的生成对抗网络沉积相建模装置，包括：
22、模型构建模块，用于构建金字塔结构的具有多级生成对抗网络的沉积相模拟模型；所述金字塔结构中每级生成对抗网络对应一组生成器和判别器；
23、数据获取模块，用于获取单幅真实沉积相训练图像，根据所述沉积相训练图像生成多尺度的分级训练图像，将每张所述分级训练图像作为对应级生成对抗网络的训练图像；
24、训练模块，用于利用所述分级训练图像对所述沉积相模拟模型的各级生成对抗网络进行训练，得到训练完备的沉积相模拟模型；其中，当任一级生成对抗网络中生成器的输出图像与预设条件的误差超过预设阈值时，对所述输出图像进行修正，并将修正后的图像作为当前网络的输入，直到当前生成器的输出图像与预设条件的误差小于预设阈值；
25、输出模块，用于获取河道训练图像和沉积相生成条件，利用训练完备的所述沉积相模拟模型根据所述河道训练图像和沉积相生成条件进行沉积相建模。
26、第三方面，本专利技术还提供了一种电子设备，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现上述技术方案任一所述的基于单训练图像的生成对抗网络沉积相建模方法。
27、第四方面，本专利技术还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述任一种实现方式中的基于单训练图像的生成对抗网络沉积相建模方法中的步骤。
28、本专利技术提供了一种基于单训练图像的生成对抗网络沉积相建模方法及装置，本专利技术的方法构建了金字塔结构的具有多级生成对抗网络的沉积相模拟模型，通过获取单幅真实沉积相训练图像，并根据所述训练图像生成多尺度的分级训练图像对每一级生成对抗网络进行训练，在训练过程中对各层网络中生成器的输出图像与预设条件的误差进行判断，当超过误差阈值时对输出图像进行修正，最后利用训练完备的沉积相模拟本文档来自技高网
...
【技术保护点】
1.一种基于单训练图像的生成对抗网络沉积相建模方法，其特征在于，包括：
2.根据权利要求1所述的基于单训练图像的生成对抗网络沉积相建模方法，其特征在于，所述沉积相模拟模型包括依序连接的N级至0级生成对抗网络；第n级生成对抗网络包含互相耦合的生成器Gn和判别器Dn，n∈[0,1,…,N]；
3.根据权利要求1所述的基于单训练图像的生成对抗网络沉积相建模方法，其特征在于，当任一级生成对抗网络中生成器的输出图像与预设条件的误差超过预设阈值时，对所述输出图像进行修正，包括：
4.根据权利要求2所述的基于单训练图像的生成对抗网络沉积相建模方法，其特征在于，每一级生成对抗网络中生成器Gn和判别器Dn均包括卷积网络，所述卷积网络包含若干个卷积层和批量归一化层。
5.根据权利要求4所述的基于单训练图像的生成对抗网络沉积相建模方法，其特征在于，所述卷积层采用LReLU作为激活函数，所述卷积层中过滤器的数目随金字塔结构层级增加而增多。
6.根据权利要求2所述的基于单训练图像的生成对抗网络沉积相建模方法，其特征在于，第n级生成对抗网络的损失函数为：
7.根据权利要求2所述的基于单训练图像的生成对抗网络沉积相建模方法，其特征在于，对上一级的生成器输出图像上采样，包括：
8.一种基于单训练图像的生成对抗网络沉积相建模装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-7任一所述的基于单训练图像的生成对抗网络沉积相建模方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1-7中任一项所述基于单训练图像的生成对抗网络沉积相建模方法中的步骤。
...
【技术特征摘要】
1.一种基于单训练图像的生成对抗网络沉积相建模方法，其特征在于，包括：
2.根据权利要求1所述的基于单训练图像的生成对抗网络沉积相建模方法，其特征在于，所述沉积相模拟模型包括依序连接的n级至0级生成对抗网络；第n级生成对抗网络包含互相耦合的生成器gn和判别器dn，n∈[0,1,…,n]；
3.根据权利要求1所述的基于单训练图像的生成对抗网络沉积相建模方法，其特征在于，当任一级生成对抗网络中生成器的输出图像与预设条件的误差超过预设阈值时，对所述输出图像进行修正，包括：
4.根据权利要求2所述的基于单训练图像的生成对抗网络沉积相建模方法，其特征在于，每一级生成对抗网络中生成器gn和判别器dn均包括卷积网络，所述卷积网络包含若干个卷积层和批量归一化层。
5.根据权利要求4所述的基于单训练图像的生成对抗网络沉积相建模方法，其特征在于，所述卷积层采用lrelu作为激活...
【专利技术属性】
技术研发人员：卢昌盛，李少华，王喜鑫，喻思羽，昌伦杰，李君，朱正俊，吕端川，
申请(专利权)人：长江大学，
类型：发明
国别省市：
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。