申请/专利权人:武汉大学
申请日:2024-01-12
公开(公告)日:2024-03-22
公开(公告)号:CN117557742B
主分类号:G06T17/05
分类号:G06T17/05
优先权:
专利状态码:有效-授权
法律状态:2024.03.22#授权;2024.03.01#实质审查的生效;2024.02.13#公开
摘要:本发明公开了一种基于数字图像与机器学习的3D岩石储层建模方法,包括:获取岩石XCT数字图像并进行预处理;根据预处理后的数字图像建立统计特征向量SCV;根据SCV对岩石XCT数字图像中的像素点进行微观结构相分类并建立不同微观结构相分类数据集,以形成基于SCV的数字编码分类器;建立岩石图像深度学习模型,并根据数字编码分类器调整其模型参数以获取最优化的深度学习模型;将待建模的岩石XCT数字图像输入到最优化的岩石图像深度学习模型中对岩石不同微观结构相进行预测和分类,获得数字标签图像;根据数字标签图像建立岩石储层地质力学模型。本发明提高了岩石内部不同微观结构相的识别划分精度,打破了岩石储层从微观模型到宏观模型的尺度限制。
主权项:1.一种基于数字图像与机器学习的3D岩石储层建模方法,其特征在于,包括如下步骤:步骤1、对岩石试件进行X-射线层析成像,获取岩石XCT数字图像,并对获取的岩石XCT数字图像进行预处理;步骤2、根据预处理后的岩石XCT数字图像建立包含红色、绿色、蓝色三通道像素灰度划分阈值和两点相关系数阈值的统计特征向量SCV;步骤3、以步骤2得到的SCV作为分析依据,将当前像素点的三通道像素灰度值与SCV中的灰度划分阈值、当前像素点的两点相关系数与SCV中的两点相关系数阈值进行比较,以对岩石XCT数字图像中的像素点进行微观结构相分类,并根据分类结果建立不同岩石微观结构相的分类数据集,基于分类数据集形成基于SCV的数字编码分类器;步骤4、以深度残差网络模型作为基础框架建立岩石图像深度学习模型,根据步骤3中的数字编码分类器调整岩石图像深度学习模型的模型参数,以获取最优化的岩石图像深度学习模型;步骤5、将预处理后的待建模的岩石XCT数字图像输入到最优化的岩石图像深度学习模型中对岩石不同微观结构相进行预测和分类,获得数字标签图像;步骤6、根据获得的数字标签图像建立岩石储层地质力学模型;其中,步骤2具体方法为:对预处理后的岩石XCT数字图像进行处理,分别得到红色、绿色、蓝色通道的岩石XCT数字图像;对红色、绿色、蓝色通道的岩石XCT数字图像分别进行计算,对应得到红色通道岩石XCT数字图像的灰度划分阈值和两点相关系数阈值、绿色通道岩石XCT数字图像的像素灰度划分阈值和两点相关系数阈值,以及蓝色通道岩石XCT数字图像的像素灰度划分阈值和两点相关系数阈值;根据得到的红色、绿色、蓝色三通道像素灰度划分阈值和两点相关系数阈值建立统计特征向量SCV;SCV的表达式如下: 式中:SCV为特征向量,T,P分别对应为像素灰度划分阈值和两点相关系数阈值,2-pointCorrelation为两点相关性符号,m1、n1分别对应为红色通道岩石XCT数字图像的像素灰度划分阈值、两点相关系数阈值的个数;m2、n2分别对应为蓝色通道岩石XCT数字图像的像素灰度划分阈值、两点相关系数阈值的个数;m3、n3分别对应为绿色通道岩石XCT数字图像的像素灰度划分阈值、两点相关系数阈值的个数。
全文数据:
权利要求:
百度查询: 武汉大学 基于数字图像与机器学习的3D岩石储层建模方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。