【技術實現步驟摘要】
本專利技術屬于數字巖心快速重構，具體涉及一種基于代理模型的多尺度數字巖心快速重構方法。
技術介紹
1、近年來，數字巖心構建技術在非常規儲層巖石物理特性研究中得到了迅速發展，尤其是在多礦物、多尺度數字巖心的構建方面取得了顯著的進展。多礦物數字巖心通過結合微米級計算機斷層掃描（微米ct）和掃描電鏡（sem）成像，能夠將不同礦物類型和孔隙的微觀結構納入數字模型中，克服了傳統單一礦物模型無法準確描述儲層復雜孔隙結構的局限性，使得對致密砂巖等復雜儲層的物理特性模擬更加精確。
2、目前，數字巖心構建主要分為圖像融合構建和孔隙網絡整合構建兩類。圖像融合建模方法包括混合疊加、模板匹配和深度學習等，通過融合不同分辨率的圖像數據，能夠精確反映巖石內部的三維結構，并進行多物理場的數值模擬。然而，因其計算效率的限制，難以處理尺度差異較大的混合構建。相對而言，孔隙網絡整合構建則能實現多個連續尺度的構建，數值模擬效率較高，但其在描述礦物屬性和復雜物理特性方面存在一定的局限性。
3、多尺度數字巖心構建的四種現有技術方案如下：圖像融合構建方法；孔隙網絡整合構建方法；生成對抗神經網絡（gan）建模方法；三維voronoi體建模方法。
4、現有技術評價總結如下：1.圖像融合構建方法：通過融合不同分辨率的圖像數據，如微米ct和能量色散掃描電鏡（eds），生成包含微觀結構的數字巖心。這種方法可以精確反映巖石內部的三維結構，并適用于多物理場的數值模擬。
5、計算效率較低：由于需要處理不同分辨率的圖像數據，計算量大且耗時較長
6、難以處理尺度差異：融合不同尺度的數據時，可能因視場和分辨率的不匹配導致融合效果不理想，從而影響建模精度。
7、2.孔隙網絡整合構建方法：通過顯式微孔網絡或添加額外喉道，以及裂縫系統構建數字巖心模型。這種方法能夠實現多個連續尺度的構建，數值模擬效率較高。
8、局限于特定物理特性：該方法主要用于描述滲流和電導等物理特性，難以精確模擬巖石的復雜礦物屬性及其與其他物理過程的耦合。
9、缺乏對復雜礦物成分的描述：無法充分反映礦物的細節和多樣性，因此在模擬含多礦物的復雜儲層時存在局限。
10、3.生成對抗神經網絡（gan）構建方法：深度學習技術的引入，特別是生成對抗網絡（gan）和其改進版本（如attentiongan），可以結合x射線微ct（micro-ct）和掃描電鏡（sem）圖像，生成高分辨率的多尺度數字巖心圖像。這種方法能夠保留原始圖像空間信息，增強圖像細節和礦物信息的表達能力，是一種高精度的數字巖心數值模擬方案。
11、數據需求大：深度學習方法需要大量高質量的圖像數據進行訓練，特別是gan和其改進版本，需要成對的高分辨率與低分辨率圖像數據，這在實際中可能難以獲取。
12、模型復雜性高：需要較高的計算資源和時間進行模型訓練，對于多尺度、多組分的復雜數字巖心建模，其實現過程可能過于復雜。
13、4.三維voronoi體構建方法：基于voronoi理論，建立三維數字巖心模型，用于表征礦物成分、孔隙和裂縫的空間分布。這種方法能夠從細觀角度分析巖石的力學特性及損傷演化過程，模擬結果與實驗室實驗吻合度高，特別適用于力學行為研究。
14、模擬的細節精度有限：voronoi體建模雖然能夠較好地描述巖石的隨機微觀結構，但其建模過程簡化了礦物顆粒的真實形態，可能忽略一些細節特征，特別是在復雜多孔介質中。
15、局限于力學行為模擬：該方法特別適用于力學行為研究，但在描述巖石的滲流、電性等其他物理特性方面的能力較弱，應用范圍相對局限。
16、綜上所述，現有的數字巖心構建技術在多礦物、多尺度融合及其在巖石物理和力學行為研究中的應用尚存在計算能力不足、表征空間尺度小、表征精度不足等局限。一種基于代理模型的多尺度數字巖心快速重構方法通過結合深度學習、圖像融合與多尺度建模等技術，建立了多尺度數字巖心構建方法，其速度和精度相較于現有方法有較大提升，多尺度表征更加精準，為推動非常規儲層的定量化研究和油氣田開發提供更堅實的技術支撐。
技術實現思路
1、針對現有技術中存在的上述技術問題，本專利技術提出了一種基于代理模型的多尺度數字巖心快速重構方法，設計合理，克服了現有技術的不足，具有良好的效果。
2、為了實現上述目的，本專利技術采用如下技術方案：一種基于代理模型的多尺度數字巖心快速重構方法，包括如下步驟：步驟1：數據獲取與圖像拼接；步驟2：圖像分類與紋理特征提取；步驟3：混合代理模型構建；提取深度特征，實現滲透率預測；步驟4：基于物理引導的transformer模型構建；步驟5：多尺度數字巖心構建。
3、優選地，步驟1中，通過掃描電子顯微鏡對巖心樣品進行逐步成像，生成具有邊緣重疊的高分辨率圖像，將這些圖像通過圖像拼接算法處理，生成掃描電鏡拼接圖像。
4、優選地，步驟2中，采用高斯混合模型對拼接后的掃描電鏡拼接圖像進行區域特征分類，提取巖心的微觀結構信息，通過提取的包括對比度、同質性、能量、相關性和熵在內的紋理特征，采用k-means聚類算法對圖像進行分割，將圖像劃分為a個類別，每一類別代表巖心的特定特征。
5、優選地，步驟3中，具體包括如下步驟：步驟3.1：獲取用于訓練代理模型的數據集，包括圖像及其對應的滲透率標簽；步驟3.2：對圖像進行標準化、灰度調整以及尺寸統一化處理，將圖像尺寸調整為256×256像素，以適配vgg網絡輸入要求；步驟3.3：使用avizo軟件計算每個微觀結構樣本的滲透率值，生成“圖像-滲透率”數據集；步驟3.4：通過vgg卷積神經網絡提取微觀巖心圖像的深度特征向量，并通過bp神經網絡建立圖像特征與滲透率的非線性關系，實現滲透率預測。
6、優選地，步驟3.4中，具體包括如下步驟：步驟3.4.1：數據預處理；保留前7層卷積和池化層，用于低級和中級圖像特征提取；獲取第7層輸出的高維度特征向量，作為微觀巖心圖像的復雜特征表達；步驟3.4.2：在完成數據預處理后，微觀巖心圖像被輸入到vgg網絡，通過卷積層與池化層提取高維特征向量，提取的高維特征向量包括巖心的幾何特征以及圖像的紋理特征，被用于訓練bp神經網絡；步驟3.4.3：bp神經網絡的輸入層接受高維特征向量，輸出層生成滲透率預測值，網絡的每一層實現如下非線性映射：；其中，為第l層的激活值，第?l層的權重矩陣，為偏置向量，為非線性激活函數，通過對權重和偏置進行反向傳播優化，網絡學習輸入特征與輸出目標的映射關系；步驟3.4.4：通過學習圖像特征與滲透率標簽的非線性映射關系，完成滲透率預測。
7、優選地，步驟3.4.4中，具體包括如下步驟：步驟3.4.4.1：使用vgg網絡輸出的特征向量作為bp神經網絡的輸入層節點，通過avizo計算獲得的滲透率標簽作為輸出目標；步驟3.4.4.2：網絡參數調整；設置包括bp網絡層數、節本文檔來自技高網...
【技術保護點】
1.一種基于代理模型的多尺度數字巖心快速重構方法，其特征在于：包括如下步驟：
2.根據權利要求1所述的基于代理模型的多尺度數字巖心快速重構方法，其特征在于：步驟1中，通過掃描電子顯微鏡對巖心樣品進行逐步成像，生成具有邊緣重疊的高分辨率圖像，將這些圖像通過圖像拼接算法處理，生成掃描電鏡拼接圖像。
3.根據權利要求1所述的基于代理模型的多尺度數字巖心快速重構方法，其特征在于：步驟2中，采用高斯混合模型對拼接后的掃描電鏡拼接圖像進行區域特征分類，提取巖心的微觀結構信息，通過提取的包括對比度、同質性、能量、相關性和熵在內的紋理特征，采用K-means聚類算法對圖像進行分割，將圖像劃分為a個類別，?每一類別代表巖心的特定特征。
4.根據權利要求1所述的基于代理模型的多尺度數字巖心快速重構方法，其特征在于：步驟3中，具體包括如下步驟：
5.根據權利要求4所述的基于代理模型的多尺度數字巖心快速重構方法，其特征在于：步驟3.4中，具體包括如下步驟：
6.根據權利要求5所述的基于代理模型的多尺度數字巖心快速重構方法，其特征在于：步驟3.4
7.根據權利要求2所述的基于代理模型的多尺度數字巖心快速重構方法，其特征在于：步驟4中，基于物理引導的Transformer模型使用VGG提取的特征向量作為輸入，通過BP神經網絡預測滲透率，采用均方誤差作為損失函數，并通過反向傳播和梯度下降算法進行模型訓練與優化，最終獲得最優預測結果；
8.根據權利要求7所述的基于代理模型的多尺度數字巖心快速重構方法，其特征在于：步驟4中，物理引導的Transformer模型的具體實現步驟如下：
9.根據權利要求1所述的基于代理模型的多尺度數字巖心快速重構方法，其特征在于：步驟5中，具體包括如下步驟：
...【技術特征摘要】
1.一種基于代理模型的多尺度數字巖心快速重構方法，其特征在于：包括如下步驟：
2.根據權利要求1所述的基于代理模型的多尺度數字巖心快速重構方法，其特征在于：步驟1中，通過掃描電子顯微鏡對巖心樣品進行逐步成像，生成具有邊緣重疊的高分辨率圖像，將這些圖像通過圖像拼接算法處理，生成掃描電鏡拼接圖像。
3.根據權利要求1所述的基于代理模型的多尺度數字巖心快速重構方法，其特征在于：步驟2中，采用高斯混合模型對拼接后的掃描電鏡拼接圖像進行區域特征分類，提取巖心的微觀結構信息，通過提取的包括對比度、同質性、能量、相關性和熵在內的紋理特征，采用k-means聚類算法對圖像進行分割，將圖像劃分為a個類別，?每一類別代表巖心的特定特征。
4.根據權利要求1所述的基于代理模型的多尺度數字巖心快速重構方法，其特征在于：步驟3中，具體包括如下步驟：
5.根據權利要求4...
【專利技術屬性】
技術研發人員：孫海，柯晨晨，景華鵬，張磊，樊冬艷，付帥師，楊永飛，姚軍，鐘俊杰，張凱，
申請(專利權)人：中國石油大學華東，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。