一种基于深度学习模型的砂岩CT图像渗透率预测方法

一种基于深度学习模型的砂岩ct图像渗透率预测方法
技术领域
1.本发明涉及深度学习技术领域，尤其涉及一种基于深度学习模型的砂岩ct图像渗透率预测方法。


背景技术：

2.砂岩的渗透率是许多工程技术领域关心的重要指标，如砂岩铀矿地浸开采、砂岩储层油气开采、二氧化碳地质处置等技术领域。砂岩渗透率获得通常可以通过实验室试验测得，但测试过程费时费力，且可能会对岩心造成不可逆的损害，影响其它后续测试。人们在大量试验的基础上总结了半经验方程，如kozeny-carman方程，可以基于有限的几个特征参数快速地预测渗透率，然而，经验公式的应用范围是十分有限的，而且经验表达式很难处理强异质性。
3.渗透率反映的是岩体允许流体通过的能力，显然其是一个与岩体孔隙结构特征有关的参数。近年来，得益于高精度三维成像技术的发展，数字岩心技术可以完整准确的呈现岩体的三维孔隙结构特征，因此，基于三维数字岩心的数值模拟技术，如格子玻尔兹曼法(lbm)、孔隙尺度有限体积法(pfvs)等可较准确的模拟岩体的渗透率值。但计算的体积应大于具有代表性的典型单元体体积时，计算结果才具有应用价值，而典型单元体的体积往往具有较大体积，其模拟过程计算量往往是巨大的。如体素为1000
×
1000
×
1000的单元体通过lbm或pfvs计算渗透率可能需用到超级计算机。另一种计算方法孔隙网络模型(pnm)被引入以减少数值模拟的计算成本，但pnm对孔隙结构存在简化，这种简化会对精度产生影响。
4.近年来，人工智能算法的快速发展，使基于图像的渗透率快速预测成为可能。相关技术中，公开号为202110212709.8专利提供了一种基于三维卷积神经网络的多孔介质渗透率的预测方法。但其技术方案存在如下缺点：(1)不同ct图像在扫描过程中设定的分辨率可能不一样，如果待测岩体ct图像分辨率与用于训练三维卷积神经网络模型的ct图像分辨率不一致，则预测结果不具有可靠性；(2)具有代表性的典型单元体体积往往尺寸较大，受显存限制，一般不能直接用来训练三维卷积神经网络模型，而如果采用小尺寸单元体训练的模型，则只能用于预测具有相同尺寸的单元体渗透率，其预测值不具有代表性。


技术实现要素：

5.本发明公开一种基于深度学习模型的砂岩ct图像渗透率预测方法，为解决上述问题，本发明可快速预测具有不同分辨率的大尺寸砂岩ct图像渗透率，结果具有可靠性。
6.为了实现上述目的，本发明采用了如下技术方案：
7.一种基于深度学习模型的砂岩ct图像渗透率预测方法，具体包括以下步骤：
8.s1：建立砂岩三维二值图像渗透率数据集：
9.s2：训练深度学习模型；
10.s3：预测大尺寸砂岩ct图像的渗透率；
11.建立渗透率数据集时，应采用不同种类砂岩的实际ct图像，使数据集样本具有足
够多样性，且样本数量应充足，保证模型具有足够的泛化能力。
12.在一个优选的方案中，所述s1步骤中具体包括以下步骤：
13.s11：对不同类型砂岩进行x射线微断层扫描，获得一系列高分辨率三维灰度图像，并切割成规则的大尺寸立方体；
14.s12：将砂岩三维灰度图像进行二值化处理，分割成空隙和固体空间，0像素点表示孔隙，1像素点表示固体骨架，从而获得三维二值化图像；
15.s13：采用滑动窗口采样法对大尺寸砂岩三维二值图像进行分块处理，分割成小尺寸(如体素大小为128*128*128)的三维二值砂岩图像；
16.s14：利用lbm方法计算小尺寸砂岩图像的渗透率，得到小尺寸砂岩图像渗透率数据集；
17.所述s2步骤中具体包括以下步骤：
18.s21：对步骤s1得到的小尺寸三维二值砂岩图像按照一定的比例划分为训练集、验证集、测试集(如将80％的小尺寸砂岩图像作为训练集，10％作为验证集，10％作为测试集)；
19.s22：利用渗透率数据集对三维深度学习模型进行训练，得到权重参数；
20.所述s3步骤具体包括以下步骤：
21.s31：对待测砂岩进行上述步骤s1中s11、s12、s13小步相同处理，扫描分辨率可以不同；
22.s32：利用步骤s2训练的三维深度学习模型预测小尺寸三维二值图像的渗透率；
23.s33：计算小尺寸图像渗透率的平均值，作为大尺寸待测砂岩的渗透率。
24.在一个优选的方案中，采用lbm计算小尺寸图像渗透率时，应采用如下方法将渗透率单位转化为像素平方pixel2，提高后续模型在广泛空间分辨率下的泛化能力：
[0025][0026]
其中k为渗透率，单位pixel2；为与压降方向一致的平均速度矢量；为速度矢量相似的压力梯度,μ为流体粘度，计算方法为其中ω为lbm的弛豫频率，为保证lbm密度收敛和减小误差，设为1.0；
[0027]
所述渗透率单位可通过如下方式转化为毫达西md，为后续渗透率预测提供可用的渗透率值：
[0028][0029]ks
为渗透率，单位为毫达西(md)；为ct图像的分辨率(μm/像素)。
[0030]
在一个优选的方案中，所述深度学习模型，采用残差网络模型resnet，主要包括一层单独卷积层、四组残差块和全连接层；其中，四组残差块，根据每一组残差块的数目和类型不同，可以是resnet_18、resnet_34和resnet_50模型，当目标值分布不均衡时，则采用log10(k)变换，使目标值分布近似正态分布，提高模型的拟合度。
[0031]
在一个优选的方案中，基于训练集和验证集训练深度学习模型，不断调整模型超参数，训练周期、学习率、批次大小和l2正则化系数，直至模型具有良好的预测能力，并采用测试集对模型泛化能力进行测试，在进行滑动窗口取样时，滑动步长应小于取样窗口边长，即保证任意相邻的两个子小样品具有重复的部分，避免大尺寸图像样品中结构信息丢失，在进行滑动窗口取样时，应确保取样数量足够，使最终结果具有代表性。
[0032]
由上可知，一种基于深度学习模型的砂岩ct图像渗透率预测方法，具体包括以下步骤：s1：建立砂岩三维二值图像渗透率数据集：s2：训练深度学习模型；s3：预测大尺寸砂岩ct图像的渗透率；建立渗透率数据集时，应采用不同种类砂岩的实际ct图像，使数据集样本具有足够多样性，且样本数量应充足，保证模型具有足够的泛化能力。本发明提供的基于深度学习模型的砂岩ct图像渗透率预测方法具有能够对大尺寸砂岩ct图像进行快速的渗透率预测，预测结果具有可靠性。同时，在渗透率的计算过程中将图像的分辨率转换为像素单位，能够灵活地在广泛的空间分辨率下预测砂岩的渗透率，而不需要改变或重新训练模型的技术效果。
附图说明
[0033]
图1为本发明提出的一种基于深度学习模型的砂岩ct图像渗透率预测方法的整体结构示意图。
具体实施方式
[0034]
下面将结合本发明实施例中的附图，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。
[0035]
参照图1，一种基于深度学习模型的砂岩ct图像渗透率预测方法，具体包括以下步骤：
[0036]
s1：建立砂岩三维二值图像渗透率数据集：
[0037]
s2：训练深度学习模型；
[0038]
s3：预测大尺寸砂岩ct图像的渗透率；
[0039]
建立渗透率数据集时，应采用不同种类砂岩的实际ct图像，使数据集样本具有足够多样性，且样本数量应充足，保证模型具有足够的泛化能力。
[0040]
在一个优选的实施方式中，所述s1步骤中具体包括以下步骤：
[0041]
s11：对不同类型砂岩进行x射线微断层扫描，获得一系列高分辨率三维灰度图像，并切割成规则的大尺寸立方体；
[0042]
s12：将砂岩三维灰度图像进行二值化处理，分割成空隙和固体空间，0像素点表示孔隙，1像素点表示固体骨架，从而获得三维二值化图像；
[0043]
s13：采用滑动窗口采样法对大尺寸砂岩三维二值图像进行分块处理，分割成小尺寸(如体素大小为128*128*128)的三维二值砂岩图像；
[0044]
s14：利用lbm方法计算小尺寸砂岩图像的渗透率，得到小尺寸砂岩图像渗透率数据集。
[0045]
在一个优选的实施方式中，所述s2步骤中具体包括以下步骤：
[0046]
s21：对步骤s1得到的小尺寸三维二值砂岩图像按照一定的比例划分为训练集、验
证集、测试集(如将80％的小尺寸砂岩图像作为训练集，10％作为验证集，10％作为测试集)；
[0047]
s22：利用渗透率数据集对三维深度学习模型进行训练，得到权重参数。
[0048]
在一个优选的实施方式中，所述s3步骤具体包括以下步骤：
[0049]
s31：对待测砂岩进行上述步骤s1中s11、s12、s13小步相同处理，扫描分辨率可以不同；
[0050]
s32：利用步骤s2训练的三维深度学习模型预测小尺寸三维二值图像的渗透率；
[0051]
s33：计算小尺寸图像渗透率的平均值，作为大尺寸待测砂岩的渗透率。
[0052]
在一个优选的实施方式中，采用lbm计算小尺寸图像渗透率时，应采用如下方法将渗透率单位转化为像素平方pixel2，提高后续模型在广泛空间分辨率下的泛化能力：
[0053][0054]
其中k为渗透率，单位pixel2；为与压降方向一致的平均速度矢量；为速度矢量相似的压力梯度,μ为流体粘度，计算方法为其中ω为lbm的弛豫频率，为保证lbm密度收敛和减小误差，设为1.0。
[0055]
在一个优选的实施方式中，所述渗透率单位可通过如下方式转化为毫达西md，为后续渗透率预测提供可用的渗透率值：
[0056][0057]ks
为渗透率，单位为毫达西(md)；为ct图像的分辨率(μm/像素)。
[0058]
在一个优选的实施方式中，所述深度学习模型，采用残差网络模型resnet，主要包括一层单独卷积层、四组残差块和全连接层；其中，四组残差块，根据每一组残差块的数目和类型不同，可以是resnet_18、resnet_34和resnet_50模型，当目标值分布不均衡时，则采用log10(k)变换，使目标值分布近似正态分布，提高模型的拟合度。
[0059]
在一个优选的实施方式中，基于训练集和验证集训练深度学习模型，不断调整模型超参数，训练周期、学习率、批次大小和l2正则化系数，直至模型具有良好的预测能力，并采用测试集对模型泛化能力进行测试。
[0060]
在一个优选的实施方式中，在进行滑动窗口取样时，滑动步长应小于取样窗口边长，即保证任意相邻的两个子小样品具有重复的部分，避免大尺寸图像样品中结构信息丢失，在进行滑动窗口取样时，应确保取样数量足够，使最终结果具有代表性。
[0061]
应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
[0062]
(1)采用上述方法基于数字岩心门户网站开源数据库中10中砂岩建立渗透率数据集。10种砂岩分别为：bandera gray、parker、kirby、berea sister gray、berea upper gray、berea、castlegate、buff berea、leopard、bentheime，图像分辨率为2.25微米/像素，均为已进行二值化处理的三维二值图像。大尺寸图像体积像素为1000*1000*1000，采用128*128*128的滑动窗口进行取样，滑动步长为96像素，每个大尺寸图像可分割成1000个
128*128*128体素的小尺寸图像，共计10000个子样品。
[0063]
(2)采用上述方法对10000个子样品进行渗透率计算，将计算结果作为真实渗透率值，建立渗透率数据集，并划分训练集、验证集和测试集，其中训练集8800，验证集800个，其余400个作为测试集。
[0064]
(3)由于目标值分布不均衡，对标签作log10(k+0.1)变换，使目标值分布近似正态分布，提高模型的拟合度。训练一个resnet_34模型，超参数设置如下：激活函数为relu，优化器选用adam，损失函数选用mse，决定系数r2作为衡量指标，l2正则惩罚系数为1
×
10-4。设置一个动态调整学习率，初始学习率为0.001，当验证损失在三个迭代(epoch)中不再减小时，学习率衰减0.4，总迭代(epoch)次数为60，保存验证损失最低时的权重参数作为最终模型的权重参数。最好采用测试集对模型泛化能力进行测试。
[0065]
(4)选择一种砂岩(bandera brown)对该预测方法进行检验，该砂岩渗透率试验值为63.0md。首先将1000*1000*1000体素的大尺寸三维二值图像进行滑动窗口取样，滑动窗口尺度为128*128*128，滑动步长为96，将大尺寸图像分割成1000个128*128*128的图像。采用上述训练的模型权重参数对1000个样品的渗透率进行预测，最终取平均值作为大尺寸bandera brown砂岩的渗透率。
[0066]
(5)预测值为69.9md，与试验值(63.0md)相比具有可靠的精度，预测过程耗时仅约20秒。且模型训练数据集中并不含有bandera brown砂岩，表明模型具有良好的泛化能力
[0067]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。