【技术实现步骤摘要】
本专利技术涉及三维数字岩心构建，更具体地说，它涉及融合多源实验与变分扩散模型的数字岩心构建方法及系统。
技术介绍
1、在油气田勘探开发中，岩心样本是地下储层的重要实际样本，提供了储层类型、孔隙结构和油气含量等关键信息；但取心成本高昂，且许多实验中岩心样本不可重复使用，因此，将岩心样本进行数字化处理，创建虚拟岩心模型的数字化岩心技术近年来在石油和矿业等领域迅速发展，这种技术可以在不破坏实际岩心的情况下进行多次分析和实验，从而提高效率、降低成本，并减少资源浪费；三维数字岩心的构建是数字岩心实验的基础，准确的三维数字岩心能够反映真实储层的微观孔隙结构，使数字岩心仿真具有实际应用价值。
2、目前，三维数字岩心构建的主要方法包括物理实验法和数值重建法；其中，物理实验法依靠ct扫描或电镜获得高分辨率的岩心图像，但构建成本较高；数值重建法通过数学建模和模型参数调整，生成的数字岩心模型与实际岩心实验数据进行验证，以确保其准确性，但传统数值重建法效率较低。
技术实现思路
1、本专利技术的目的在于提供融合多源实验与变分扩散模型的数字岩心构建方法及系统，将多源岩心实验数据与生成式深度学习算法相结合，形成一种能够快速高效的生成符合实验数据的三维数字岩心的重建方法，此方法为三维数字岩心的重建提供了更强大、高效和准确的手段，有助于深入理解地下储层的特性，优化勘探和开发决策，降低成本，并同时提高资源利用效率，对石油和天然气工业以及地质科学研究都具有重要的实际意义。
2、本专利技术的上述技
3、第一方面，本申请提供了融合多源实验与变分扩散模型的数字岩心构建方法，包括以下步骤：
4、利用perlin噪音随机生成预置大小的多个随机三维数字岩心样本；
5、将多个随机三维数字岩心样本输入到预置的第一自编码器中，并基于随机梯度下降算法对第一自编码器进行训练，直到第一自编码器的损失函数达到收敛，得到与第一自编码器对应并训练完成的数字岩心自编码器；
6、从多个随机三维数字岩心样本中获取任意一个或多个样本的几何参数，基于几何参数对相应的随机三维数字岩心样本进行微观渗流仿真处理，并得到仿真结果；
7、基于仿真结果得到任意一个或多个样本对应的岩心样本参数，将几何参数以及对应的岩心样本参数按照预置顺序拟合为样本多源数据特征向量，并截取对应随机三维数字岩心样本的多个样本流入截面；
8、基于数字岩心自编码器，构建基于神经网络的初始模型，并将样本多源数据特征向量和样本流入截面输入至初始模型中进行处理，得到与初始模型对应并训练完成的变分扩散模型；
9、确定原始数字岩心的目标多源数据特征向量和目标流入截面，将目标多源数据特征向量和目标流入截面输入至变分扩散模型中进行处理，得到原始数字岩心对应的目标三维数字岩心。
10、本专利技术的有益效果是：本方案中，首先，通过perlin噪音生成多个随机三维数字岩心样本，再利用随机三维数字岩心样本对预置的第一自编码器进行训练，以获得数字岩心自编码器；其次，再利用随机三维数字岩心样本对初始模型进行训练，以获得与初始模型对应并训练完成的变分扩散模型；最终，利用变分扩散模型，输入原始数字岩心的目标多源数据特征向量和目标流入截面，从而生成原始数字岩心对应的目标三维数字岩心；基于perlin噪音生成大量的三维数字岩心样本，从而建立自编码器，以获得低维的隐变量空间表示，有效降低了模型复杂度，增强计算效率和稳定性；在原始数字岩心的基础上，通过数值仿真低成本地获得大量数字岩心-多源实验数据样本库，再反过来基于多源实验数据通过变分扩散模型重建数字岩心，能在秒级时间内完成三维数字岩心的重建，代替传统的三维数字岩心构建方式，极大提高效率并降低成本。
11、本方案中，将大量随机生成的数字岩心作为样本，获得具有鲁棒性的数字岩心自编码器(encoder-decoder)，将自编码器的特征空间作为变分扩散模型的隐变量空间；并通过利用微观渗流仿真，快速低成本地获得大量实验数据样本，构建起了较大规模的三维数字岩心-多源实验结果数据集；同时将随机从三维数字岩心中获得的截面作为反演数字岩心的约束，不仅极其有效地扩充了样本数据规模，且进一步地提高了数字岩心重建的泛化能力和实用性，并且重建的数字岩心基于多源实验数据，包含了岩石地质、几何、物理等各类参数作为约束条件，能够较为准确地反映地下储层真实流动特性。
12、在上述技术方案的基础上，本专利技术还可以做如下改进。
13、进一步，上述方法还包括：
14、对目标三维数字岩心进行微观渗流仿真处理，得到目标三维数字岩心的多源实验数据，将目标三维数字岩心的多源实验数据与原始数字岩心的多源实验数据进行对比，并得到对比结果；
15、若对比结果满足预设条件，将目标三维数字岩心确定为合格的目标三维数字岩心；若对比结果不满足预设条件，基于变分扩散模型重新生成新的目标三维数字岩心，直到新的目标三维数字岩心满足预设条件。
16、进一步，上述初始模型包括数字岩心自编码器和学习层，学习层包括向量线性层、截面线性层、时间步线性层和神经网络模块；其中，变分扩散模型是通过以下方式训练得到的：
17、将随机三维数字岩心样本按照预置的时间步长度依次输入至数字岩心自编码器中的编码器中进行处理，得到随机三维数字岩心样本在各个时间步下并排列为目标张量的第一隐变量；
18、将样本多源数据特征向量输入至向量线性层中进行处理，得到排列为第一张量的数据向量；
19、将样本流入截面输入至截面线性层中进行处理，得到排列为第一张量的截面向量；
20、通过时间步线性层得到在各个时间步下并排列为第一张量的时间向量；
21、将第一隐变量与时间步对应的时间向量、数据向量和截面向量在通道方向连接，得到排列为第二张量的第一向量；
22、将第一向量输入至神经网络模块中进行处理，得到排列为目标张量的第二向量，排列为目标张量的第二向量表征了第一隐变量的噪音估计值；
23、计算噪音估计值与噪音真实值之间的均方误差，根据预置误差函数进行反向传播，并更新学习层的网络参数；
24、基于更新网络参数后的学习层按以上步骤进行迭代，直到预置误差函数达到收敛，并将预置误差函数达到收敛的学习层和数字岩心自编码器确定为训练完成的变分扩散模型。
25、进一步，上述目标三维数字岩心是通过以下方式得到的：
26、基于原始数字岩心和预置时间步长度，并利用训练完成的学习层得到各个时间步下对应的隐变量噪音值；
27、利用隐变量噪音值计算得到排列为目标张量的目标隐变量；
28、将目标隐变量输入至数字岩心自编码器中的解码器中进行处理，并按照预置的第一条件进行过滤，得到目标三维数字岩心。
29、进一步，上述利用perlin噪音随机生成预置大小的多个随机三维数字岩心样本，具体为：...
【技术保护点】
1.融合多源实验与变分扩散模型的数字岩心构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的融合多源实验与变分扩散模型的数字岩心构建方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的融合多源实验与变分扩散模型的数字岩心构建方法，其特征在于，所述初始模型包括数字岩心自编码器和学习层，所述学习层包括向量线性层、截面线性层、时间步线性层和神经网络模块；其中，所述变分扩散模型是通过以下方式训练得到的：
4.根据权利要求3所述的融合多源实验与变分扩散模型的数字岩心构建方法，其特征在于，所述目标三维数字岩心是通过以下方式得到的：
5.根据权利要求4所述的融合多源实验与变分扩散模型的数字岩心构建方法，其特征在于，利用Perlin噪音随机生成预置大小的多个随机三维数字岩心样本，具体为：
6.根据权利要求4所述的融合多源实验与变分扩散模型的数字岩心构建方法，其特征在于，所述目标隐变量的目标函数通过第一公式表示，所述第一公式为：
7.融合多源实验与变分扩散模型的数字岩心构建系统，应用于权利要求1-6中任一项所
8.根据权利要求7所述的融合多源实验与变分扩散模型的数字岩心构建系统，其特征在于，所述系统还包括：
9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现权利要求1-6中任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行权利要求1-6中任一项所述的方法。
...【技术特征摘要】
1.融合多源实验与变分扩散模型的数字岩心构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的融合多源实验与变分扩散模型的数字岩心构建方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的融合多源实验与变分扩散模型的数字岩心构建方法，其特征在于，所述初始模型包括数字岩心自编码器和学习层，所述学习层包括向量线性层、截面线性层、时间步线性层和神经网络模块；其中，所述变分扩散模型是通过以下方式训练得到的：
4.根据权利要求3所述的融合多源实验与变分扩散模型的数字岩心构建方法，其特征在于，所述目标三维数字岩心是通过以下方式得到的：
5.根据权利要求4所述的融合多源实验与变分扩散模型的数字岩心构建方法，其特征在于，利用perlin噪音随机生成预置大小的多个随机三维数字岩心样本，具体为：
...【专利技术属性】
技术研发人员：米中荣，张博，张亮，邓睿，蒋利平，赵星，徐兵，段策，邓云辉，李扬，欧阳静芸，李辰，梁力文，杨凌风，
申请(专利权)人：成都北方石油勘探开发技术有限公司，
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。