一种页岩微米孔隙结构分析方法及装置与流程

本发明涉及非常规油气勘探地球物理技术领域，具体而言，涉及一种页岩微米孔隙结构分析方法及装置。

背景技术：

材料微观结构在各科学和工程应用中都占据重要地位，包括先进材料研发，能源勘探，生物和医药科学等。页岩储层中，微纳米孔隙是其孔隙结构的主体，页岩气大多赋存于微纳米孔隙中，页岩的微观结构分析对于页岩气的资源储量评估的勘探开发起着关键性作用。直接数字成像是对页岩微观孔隙结构分析最为直观有效研究方法，例如，透射电子显微镜(tem)、扫描电子显微镜(sem)、扫描探针显微镜技术等。在获得页岩微纳米成像数据之后，另一个重要的科学问题是如何基于这些成像数据进行对页岩微米孔隙结构进行分析。

现有技术中，使用dcm模型表征材料微观组成分布，发明人研究发现，对于非线性dcm方法需要对每个体素进行一次最优化求解。并且非线性dcm方法在考虑体素间的化学能时，需要采用montecarlo算法，体素按随机顺序选取，直到系统收敛到一个稳定状态。为了能使系统收敛到它的最优解，一个体素可能会被计算很多次，计算量很大，计算效率低，且不够准确。

技术实现要素：

有鉴于此，本发明的目的在于提供一种页岩微米孔隙结构分析方法及装置，以提高页岩微米结构分析的准确性和效率。

第一方面，本发明实施例提供了一种页岩微米孔隙结构分析方法，包括：

获取页岩的ct成像数据；其中，所述ct成像数据为通过采用多个不同能量的同步辐射平行x射线束扫描页岩得到的；

基于获取的页岩的ct成像数据和所述预先建立的神经网络模型计算得到所述页岩样本的内部结构分布数据；

输出所述页岩样本的内部结构分布数据。

第二方面，本发明实施例还提供了一种页岩微米孔隙结构分析装置，其特征在于，包括：

获取模块，用于获取页岩的ct成像数据；其中，所述ct成像数据为通过采用多个不同能量的同步辐射平行x射线束扫描页岩得到的；

计算模块，用于基于所述页岩的ct成像数据和预先建立的神经网络模型计算得到所述页岩样本的内部结构分布数据；

输出模块，用于输出所述页岩样本的内部结构分布数据。

本发明实施例提供的一种页岩微米孔隙结构分析方法及装置，采用预先建立的神经网络模型和获取的页岩的ct成像数据计算得到页岩的内部结构分布数据，实现对页岩微米孔隙结构进行分析，与现有技术中的采用dcm模型计算出页岩样品的组分百分比，得到页岩内部结构分布数据相比，具有计算快速、高效的积极效果。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例一所提供一种页岩微米孔隙结构分析方法的流程图；

图2示出了本发明实施例一所提供的神经网络模型建立的流程图；

图3示出了本发明实施例二所提供的一种页岩微米孔隙结构分析装置的结构示意图；

图4示出了本发明实施例二所提供的另一种页岩微米孔隙结构分析装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

参照图1所示，本发明实施例提供了一种页岩微米结构分析方法，该方法包括如下步骤：

s101、获取页岩的ct成像数据；其中，该ct成像数据为通过采用多个不同能量的同步辐射平行x射线束扫描页岩得到的；

该神经网络模型为采用以下方式建立的，参照图2所示，包括如下步骤：

s201、获取页岩样本的ct成像数据作为训练神经网络所需的输入数据；该页岩样本为预先从页岩上采取得到的，其中，所述ct成像数据为通过采用多个不同能量的同步辐射平行x射线束扫描页岩样本得到的；

s202、基于所述页岩样本的ct成像数据计算所述页岩样本的各组分百分比，得到所述页岩样本的内部结构分布数据作为训练神经网络所需对应输入数据的标签数据；

如果上述页岩样本的ct成像数据为通过采用l个不同能量的同步辐射平行x射线束扫描页岩得到的三维图像数据，大小为(n1,n2,n3)，不同能量的同步辐射平行x射线束扫描页岩得到对应的ct成像数据集合u1,u2,...,ul,...,ul；

且页岩样本内部包含m个组分，在每个体素网格点n处构建由如下公式(1)、公式(2)、公式(3)、公式(4)和公式(5)所构成的目标方程：

其中，公式(1)表示求取使tn(vn)这个函数最小的那个vn的值，tn(vn)为需要最小化的目标函数，表示第n个体素的第m个组分的体积分数；表示由第l个(l大于等于1小于等于l)ct成像数据集合得到的在这个体素内的总线性吸收系数；μ^(m,l)表示第m个组分在第l个ct成像数据集和所对应的能量的x射线束下的单一物质吸收系数；s^m表示第m个组分的物质成分的自能量，代表距离为k的相邻体素成分m1和m2之间的界面自由能，可以是由用户定义，这些参数的数值可以基于先验信息和实验测量手段得到。

采用线性搜索方法求解令目标函数tn(vn)最小的即所需的第n个体素内各物质的体积百分比；对ct成像数据集合u1,u2,...,ul,...,ul的每个体素分别进行上述算法，即可得到本页岩样本各组分的组成分布v1,v2,...,vm,其中，v′m是组成的(n1,n2,n3)形式的三维矩阵；上述的页岩样本的内部结构数据包括页岩样本的各组分的百分比。

本实施例中，上述的采用线性搜索方法求解令目标函数tn(vn)最小的得到该目标函数值，是通过以下方式实现的：

初始化：取满足公式(3)的正的离散体积分数的可能组合，组成的向量如公式(6)，

计算所有可能组合的目标函数值tn，找到离散间隔δ＝1/g，给定迭代误差e，给定权重参数α，g为预先设定的大于零的整数；

计算：以v0为中心，2δ为区间，找到满足公式(3)的所有正的离散体积分数值的可能组合，此时组成的向量如公式(7)，

计算所有可能组合的目标函数值tn，找到

更新：设v0＝v1，离散间隔

迭代：如果δ≥e则返回计算进行更新，否则停止迭代，得到v0以及目标函数值tn；v0指的是体积百分比组成的向量。

s203、基于页岩样本的ct成像数据和页岩样本的内部结构分布数据建立多层前馈神经网络模型；

上述通过非线性规划算法求解约束优化问题，得到训练数据vn。逐体素对页岩内部孔隙含量进行计算，得到结果作为神经网络训练时的标签数据，该标签数据即是前面提到的计算得到的组分百分比数据。根据所述页岩的ct成像数据以及内部结构分布数据，创建多层前馈神经网络模型，配置并初始化本神经网络模型；该神经网络模型如下表(1)所示，

其中，xi表示神经网络的输入，表示第n层的第q输出到第m层的第k个神经元的权重，表示神经网络第i层第j个神经元的阈值，fⁱ表示第i层的激活函数，表示第j层网络的第i个输出，n表示输入的总数量，nⁱ分别表示第i层的神经元个数。

s204、对神经网络模型进行反向传播求解所述神经网络模型的权重和阈值，得到训练好的神经网络模型。

上述方法中通过调用该训练好的神经网络模型进行计算得到页岩的内部结构分布数据。

准备神经网络训练数据：取同一页岩样本在l中不同能量下的ct数据集u1,u2,...,ul，u1,u2,...,ul都是二维的数组，数组大小是(n1,n2)，组分分布的数据与原始ct数据的大小一致。组分分布数据集v1,v2,...,vm，每个数据大小均为(n1,n2,n3)的三维数组；取ct数据集u1,u2,...,ul中第i个体素值u1,i,u2,i,...,ul,i组成向量xi作为输入数据，其中，uj,i(j∈1,2,...l)表示在数据集uj中的第i个体素值；取组分分布数据集v1,v2,...,vm中第i个体素值v1,i,v2,i,...,vm,i组成向量yi作为标签数据，其中，vj,i(j∈1,2,...m)表示在数据集cj中的第i个体素值；，由此给定训练数据集d＝{(x1,y1),(x2,y2),...,(xn,yn)},xi∈r^l,yi∈r^m，n取一个较大的正整数；

上述对神经网络模型进行反向传播求解所述神经网络模型的权重和阈值，采用nguyen-widrow算法对每层神经网络的权值和阈值进行初始化。初始化神经网络的权重矩阵和阈值矩阵，所述权重矩阵和阈值矩阵分别如公式(8)和公式(9)所示，

w＝0.7×s^1/r×normr(2×rand(s,r)-i(s,r))(8)

θ＝0.7×s^1/r×(2×rand(s,1)-i(s,r))(9)

其中，w为权重矩阵，θ为阈值矩阵；s为该层神经元个数，r为输入向量的维数；rand(s,r)为均匀分布的s行r列的随机数矩阵；i(s，r)为元素全为1的s行r列的矩阵；normr(*)指将矩阵进行归一化；

基于准备的训练的神经网络数据、所述阈值矩阵和权重矩阵的初始值，通过bp算法训练多层前馈神经网络神经网络，得到权值和阈值确定的神经网络。

进一步的，本发明实施例采用levenberg-marquardt算法对结果与目标数据的均方误差进行最小化，得到网络中的权值参数，这里为了表示简便，将权重矩阵w与阈值矩阵b合并写成一个向量w的形式。

本实施例中，采用levenberg-marquardt算法(l-m)对结果与目标数据的均方误差进行最小化，得到网络中的权值参数；l-m算法是梯度下降法与高斯牛顿法的结合，既有高斯-牛顿的局部超线性收敛性，又由于迭代点列被广义球约束，因而具有全局收敛性；下面对l-m算法作简要阐述。

设误差指标函数为公式(10)：

其中，e(w)的每个组份可以写成ej(w)＝||yj-y′j||(j＝1,2,…,l)，ej(w)为误差；yj表示期望的网络输出向量；y′j为实际的网络输出向量；l为样本数目；w为网络权值和阈值所组成的向量。

设w^k表示第k次迭代的权值和阈值所组成的向量，新的权值和阈值所组成的向量w^k+1为w^k+1＝w^k+δw。在l-m方法中，权值增量δw计算公式如下公式(11)：

δw＝[j^t(w)j(w)+μi]^-1j^t(w)e(w)(11)

其中，i为单位矩阵；μ为用户定义的学习率；j(w)为jacobian矩阵，即如公式(12)：

从公式(12)中可看出，如果比例系数μ＝0，则为高斯-牛顿法；如果μ取值很大，则l-m算法近似梯度下降法。由于l-m算法利用了近似的二阶导数信息，它的下降速度优于梯度下降法方法。此外，由于[j^t(w)j(w)+μi]是正定矩阵，所以公式(10)的解总是存在的，从这个意义上说，l-m算法也优于高斯-牛顿法，因为对于高斯-牛顿法来说需要考虑j^tj是否满秩。在实际操作中，μ是一个试探性的参数，对于给定的μ，如果求得的δw能使误差目标函数e(w)降低，则μ降低；反之，则μ增加。l-m算法的计算复杂度为o(n³/6)，若n很大，则计算量和存储量都很大。然而，每次迭代效率的显著提高，可大大改善其整体性能，特别是在精度要求高的时候。

l-m算法的计算步骤如下：

准备神经网络训练数据：取同一页岩样本下不同能量下ct成像数据集u1,u2,...,ul，通过dcm算法计算出的组分分布数据集为c1,c2,...,cm，每个数据集大小为(n1,n2)，代表有两个列向量，每个列向量的元素个数分别是n1、n2。取ct成像数据集中的对应体素的数据组成向量x作为输入数据，取dcm数据集中的对应体素的数据组成向量y作为输出数据。由此给定训练数据集d＝{(x1,y1),(x2,y2),...,(xn,yn)},xi∈r^l,yi∈r^m

输入训练集数据给出训练误差允许值ε，常数μ0和β(0<β<1)；

迭代计算：

1)、采用较小的随机数初始化权值和阈值向量，令k＝0,μ＝μ0；

2)、计算网格输出及误差指标函数e(w^k)；若e(w^k)<ε，转到7)；

3)、计算jacobian矩阵j(w^k)；

4)、计算δw；

5)、更新权值w^k+1＝w^k+δw；

6)、计算误差指标函数e(w^k+1)；

7)、若e(w^k+1)<e(w^k)，则令k＝k+1，μ＝μβ转到2)，否则令k＝k+1，μ＝μ/β，转到步骤2)；

8)、算法结束，输出由权值和阈值为w决定的神经网络；其中w指的是所有的权重构成的向量。

s102、基于获取的页岩的ct成像数据和预先建立的神经网络模型计算得到所述页岩的内部结构分布数据；

输入多个能量下页岩同步辐射平行x射线束对页岩进行ct成像数据，通过训练好的神经网络模型，得到页岩内部微观结构分布数据。

s103、输出所述页岩的内部微观结构分布数据。

在一可能的实施方式中，上述还可以输出训练好的神经网络模型，因为神经网络方法的特点，除了最终得到的内部结构数据，训练好的神经网络也是重要的结果，因为本次训练好的神经网络可以用于其它的数据。

上述输出页岩的内部结构分布数据的形式，可以是向用户以报表、图像等方式向用户显示该数据；进而用户可以快速、清楚地获取该数据。

上述实施例中所提供的一种页岩微米孔隙结构分析方法，采用神经网络模型对页岩的微米孔隙结构进行预测，避免了现有技术中计算量大和计算效率低的缺点。

实施例2

本发明实施例提供了一种页岩微米孔隙结构分析装置，参照图3所示，该装置包括：

获取模块301，用于获取页岩的ct成像数据；其中，所述ct成像数据为通过采用多个不同能量的同步辐射平行x射线束扫描页岩得到的；

计算模块302，用于基于所述页岩的ct成像数据和所述预先建立的神经网络模型计算得到所述页岩样本的内部结构分布数据；

输出模块303，用于输出所述页岩样本的内部结构分布数据。

参照图4所示，上述装置还包括：建立模块401，该建立模块401用于通过以下方式建立神经网络模型：

获取页岩样本的ct成像数据；其中，所述ct成像数据为通过采用多个不同能量的同步辐射平行x射线束扫描页岩样本得到的；

基于所述页岩样本的ct成像数据计算所述页岩样本的各组分百分比，得到所述页岩样本的内部结构分布数据；

上述的建立模块还用于通过以下方式计算所述页岩样本的各组分百分比：

如果所述ct成像数据为通过采用l个不同能量的同步辐射平行x射线束扫描页岩得到的，每个能量的同步辐射平行x射线束扫描页岩得到一个ct成像数据集合；

且页岩样本内部包含m个组分，在每个体素网格点n处构建由如下公式(1)、公式(2)、公式(3)和公式(4)所构成的目标方程：

其中，tn(vn)为需要最小化的目标函数，表示第n个体素的第m个组分的体积分数；表示由第l个ct数据集合得到的在这个体素内的总线性吸收系数；μ^(m,l)表示第m个组分在第l个ct数据集和所对应的能量的x射线束下的单一物质吸收系数；s^m表示第m个组分的物质成分的自能量，代表距离为k的相邻体素成分m1和m2之间的界面自由能。

采用线性搜索方法求解令目标函数tn(vn)最小的得到该目标函数值。

基于所述页岩样本的ct成像数据和所述页岩样本的内部结构分布数据建立多层前馈神经网络模型；

对所述神经网络模型进行反向传播求解所述神经网络模型的权重和阈值，得到训练好的网络模型。

建立模块采用线性搜索方法求解令目标函数tn(vn)最小的得到该目标函数值，具体包括：

初始化：取满足公式(3)的正的离散体积分数的可能组合，组成的向量如公式(6)，

计算所有可能组合的目标函数值tn，找到离散间隔δ＝1/g，给定迭代误差e，给定权重参数α，g为预先设定的大于零的整数；

计算：以v0为中心，2δ为区间，找到满足公式(3)的所有正的离散体积分数值的可能组合，此时组成的向量如公式(7)，

计算所有可能组合的目标函数值tn，找到

更新：设v0＝v1，离散间隔

迭代：如果δ≥e则返回计算进行更新，否则停止迭代，得到v0以及目标函数值tn。

建立模块对所述神经网络模型进行反向传播求解所述神经网络模型的权重和阈值，具体包括：

准备神经网络训练数据：取同一页岩样本在l中不同能量下的ct数据集u1,u2,...,ul，组分分布数据集v1,v2,...,vm，每个数据大小均为(n1,n2,n3)的三维数组；取ct数据集u1,u2,...,ul中第i个体素值u1,i,u2,i,...,ul,i组成向量xi作为输入数据，其中，uj,i(j∈1,2,...l)表示在数据集uj中的第i个体素值；取组分分布数据集v1,v2,...,vm中第i个体素值v1,i,v2,i,...,vm,i组成向量yi作为标签数据，其中，vj,i(j∈1,2,...m)表示在数据集cj中的第i个体素值；，由此给定训练数据集d＝{(x1,y1),(x2,y2),...,(xn,yn)},xi∈r^l,yi∈r^m；

初始化神经网络的权重矩阵和阈值矩阵，所述权重矩阵和阈值矩阵分别如公式(8)和公式(9)所示，

w＝0.7×s^1/r×normr(2×rand(s,r)-i(s,r))(8)

θ＝0.7×s^1/r×(2×rand(s,1)-i(s,r))(9)

其中，w为权重矩阵，θ为阈值矩阵；s为该层神经元个数，r为输入向量的维数；rand(s,r)为均匀分布的s行r列的随机数矩阵；i(s，r)为元素全为1的s行r列的矩阵；normr(*)指将矩阵进行归一化；

基于建立的神经网络数据、所述阈值矩阵和权重矩阵的初始值，通过bp算法训练多层前馈神经网络神经网络，得到权值和阈值确定的神经网络。

本发明实施例所提供的一种页岩微米孔隙结构分析方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

本发明实施例所提供的一种页岩微米孔隙结构分析的装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。