申请/专利权人：西南石油大学

申请日：2024-01-24

公开（公告）日：2024-04-02

公开（公告）号：CN117611485B

主分类号：G06T5/70

分类号：G06T5/70;G06T5/90;G06T5/40;G06T7/136;G06T7/33;G06T17/00;G06N3/042;G06N3/049

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2024.03.15#实质审查的生效;2024.02.27#公开

摘要：本发明公开了一种基于时空图神经网络的三维岩心渗透率预测方法，该方法包括以下步骤：对X射线μCT扫描岩心样本图像序列进行三维重建；过滤岩心三维数据噪声，增强岩心实体与孔缝间的对比度，并执行自动化阈值分割，得到二值化三维数据；将三维数据体切分为小体积样本，用达西公式计算岩心渗透率作为数据标签；对每个小体积样本三维岩心提取孔隙网络，处理为时空图表征数据；将时空图表征数据输入时空图神经网络模型，使用具有多查询注意力机制的图神经网络和门控逻辑单元模块提取岩心时空特征，并通过多层感知机预测渗透率。本发明较现有方法，具有较好的物理科学解释性，同时关注了渗透网络通道，降低了数据冗余成分干扰，适应于实际场景需求。

主权项：1.一种基于时空图神经网络的三维岩心渗透率预测方法，其特征在于，所述方法包括以下步骤：S1：对岩心样本进行X射线μCT扫描，将图像序列进行三维介质重建，得到岩心三维数据；S2：将岩心三维数据进行预处理，过滤数据噪声，增强岩心实体与孔缝间的对比度，并执行自动化阈值分割，将岩心内部实体和孔缝结构进行分离，转化成二值化的三维数据；S3：对二值化的三维数据，从XYZ任一轴向将岩心三维数据进行切分，得到三维岩心立方体，对每个三维岩心立方体，根据达西定理公式计算岩心渗透率作为数据标签，获得扩充数据集；S4：对扩充数据集中每个三维岩心提取其网络孔隙结构数据，并生成为时空图表征数据；所述步骤S4，具体包括：S41：对扩充后的数据集进行连通性分析，剔除孤立、不连通的孔洞点；S42：通过网络孔隙模型计算得到岩心三维孔隙网络结构，提取岩心喉道的长度、相连喉孔、平均半径和面积数据作为边的属性特征，提取岩心喉孔的相对位置、配位数、平均半径和面积大小作为节点的属性特征；S43：根据岩心三维网络孔隙结构构建时空图，首先从渗透计算方向以岩心边界为开始，然后渐进式扫描区域内的孔隙网络结构并累计点边集合，每经过固定长度将累计的点边集合记录到时空图，最后将所有扫描的集合作为时空图数据，关系公式为： 式中,表示时空图数据，表示第j次扫描的时空图数据，t表示扫描的次数；所述步骤S43，具体包括：S431：提取时空图，首先按照渗透率计算方向开始，从岩心三维边界扫描，然后将扫描到的节点连同节点添加到时空图中，若时空图与新加入节点有孔隙边连接，则时空图的节点作为边的起点，新扫描到的节点作为边的终点，直到生成整个时空图,其中表示整个扫描t次的时空图集合，表示第i-1次扫描的时空图，表示第i次扫描的时空图；S432：提取时空图节点属性特征，使得步骤S42的网络孔隙结构的喉孔的相对位置、配位数、平均半径和面积大小提取为时空图节点属性特征；S433：提取时空图边属性特征，使得步骤S4的网络孔隙结构的喉道的长度、相连喉孔、平均半径和面积提取为时空图边属性特征；S434：对时空图的节点与边进行归一化操作；S435：生成不同的邻接矩阵，使得归一化后的时空图边属性特征生成，该关系公式为： 式中，表示时空图邻接矩阵集合，表示第i次扫描的邻接矩阵，表示实数域，表示在第i次扫描的时空图节点个数，t表示扫描的次数；S5：将时空图表征数据输入到构建的时空图神经网络模型，首先基于多查询注意力机制的图神经网络提取岩心的空间特征，再进入门控逻辑单元时序网络层捕捉岩心的时序关系，最后通过多层感知机预测渗透率；所述步骤S5，具体包括：S51：将时空图数据输入基于多查询注意力机制的图神经网络层，提取空间特征；S52：将基于多查询注意力机制的图神经网络层提取的空间特征，输入到门控逻辑单元时序网络层提取时序特征，得到融合的时空特征数据；S53：将时空特征数据经过多层感知机，得到预测的三维岩心渗透率；所述步骤S51，具体包括：S511：计算时空图中节点的邻居的重要性得分，对每一节点进行多查询注意力机制的计算，通过邻接矩阵获得当前节点入度向量作为查询，节点特征矩阵作为键和值，得到邻居节点的重要性分数，该多查询注意力机制的评分公式为： 式中，表示节点u的多查询注意力机制的得分，MultiQueryAttention·表示多查询注意力算法，表示张量拼接函数，表示时空图下u节点边属性每个注意力机制的得分，表示各得分的权重值，，，分别表示查询、键和值，表示归一化指数函数，表示输入向量的维度；S512：更新当前网络层的图表征节点，使用图采样聚合机制采样得分最高的d个节点，聚合得分与自身该节点，生成当前网络层的节点特征，该信息传播的相关公式为： 式中，Z表示所有节点v的多查询注意力机制得分,表示节点v的所有邻居节点，zi表示多查询注意力机制的得分； 式中，M表示前d个最大得分的节点集合，表示该得分的节点，表示集合Z的个数，表示大于任意个节点的得分元素，即最大得分前d个得分，ui表示多查询注意力机制得分的对应节点； 式中，表示第l层节点v的隐藏状态，σ表示激活函数，表示均值函数，表示第l-1层节点v的隐藏状态，是第l-1层的节点u的隐藏状态，W表示可学习权重。

全文数据：

权利要求：

百度查询： 西南石油大学 一种基于时空图神经网络的三维岩心渗透率预测方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD