基于三维卷积神经网络的多孔介质渗透率的预测方法
本申请涉及人工神经网络技术领域，尤其涉及基于三维卷积神经网络的多孔介质渗透率的预测方法。
背景技术：
渗透率是多孔介质的重要属性，衡量多孔介质对流体的阻碍能力。渗透率在许多工程领域都是关键性的技术指标，比如煤层气和页岩气开采以及co2深地质封存等领域。目前，多孔介质材料渗透率的宏观实验测试方法主要有压汞法、气体稳态法和气体瞬态法，还有基于数值分析计算的有限体积法和格子玻尔兹曼法等。这些较为成熟的宏观测试方法的测试结果虽然十分准确，但测试过程繁琐，非专业操作人员不易上手操作；且上述各个方法随多孔介质材料的不同，其测试周期在几天到几个月不等。而基于数值分析的渗透率计算复杂耗时。因此，寻找一种操作简单、周期短且成本低的多孔介质渗透率的预测方法具有重大意义。
相关技术中，公开号为cn109191423b的专利提供了一种基于机器图像智能学习的多孔介质渗透率预测方法，该方法基于sem电镜扫描到的多孔介质表面二维图像计算得出二维图像的包括灰度均值、灰度方差、图像能量、图像熵值和分形维数在内的五个特征参数，并通过学习特征参数及其对应的真实渗透率之间的关系，得到能够预测多孔介质渗透率的网络模型。基于该网络模型可以实现多孔介质渗透率的预测。
上述技术方案存在以下缺陷：
1、二维图像具有偶然性，无法全面表征多孔介质，尤其是多孔介质的内部结构，从而导致基于其进行深度学习的神经网络模型可靠性不高；
2、该方法需要拟合五个图像特征参数与真实渗透率之间的非线性关系，数据处理过程繁琐。
技术实现要素：
为克服相关技术中存在的问题，本申请提供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，该方法能够简单快速地对多孔介质渗透率进行预测，并得出可靠的预测结果。
本申请第一方面提供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，包括：
对待测多孔介质进行待测三维图像采集；
基于三维卷积神经网络对所述待测三维图像进行处理，得到所述待测多孔介质的渗透率；
所述三维卷积神经网络基于三维图像样本进行分类训练，完成三维图像到渗透率的非线性映射的深度学习；所述三维图像样本为多孔介质样本的三维图像的集合，所述三维图像样本包括：训练集和验证集；
所述三维卷积神经网络将经过卷积和池化处理后的三维特征图展开成向量形式，并基于所述三维特征图的向量形式进行分类，输出所述多孔介质的渗透率。
在一种实施方式中，所述三维卷积神经网络，包括：卷积网络和人工神经网络；
所述卷积网络包括：一个输入层、五个卷积层和三个池化层，其中卷积层的卷积核的个数依次是16、32、64、128和256，卷积核的大小均为3×3×3，池化层大小均为2×2×2，步长均为2；所述卷积层用于进行特征提取并将特征图传输给池化层；所述池化层用于对获取到特征图进行特征压缩，其中，第三层池化层将得到的特征图展开成向量形式传输至所述人工神经网络；
所述人工神经网络包括：一个输入层、两个隐藏层和一个输出层，其中两层隐藏层的神经元个数均为1024；所述隐藏层用于计算输入向量与权向量的内积后，经激活函数处理得到分类结果，并将结果传输给输出层。
在一种实施方式中，所述人工神经网络的激活函数为修正线性单元激活函数；
所述修正线性单元激活函数为relu函数，其表达式为f(x)＝max{0,x}。
在一种实施方式中，所述人工神经网络的隐藏层的权重采用正则化技术处理。
在一种实施方式中，所述正则化技术处理，包括：
在所述人工神经网络的损失函数的基础上增加l2正则的惩罚项，得到所述三维卷积神经网络的损失函数；
所述三维卷积神经网络的损失函数可以由以下表达式表达；
其中，
在一种实施方式中，所述基于三维卷积神经网络对所述待测三维图像进行处理之前，包括：
基于训练集训练得到所述三维卷积神经网络；
获取所述三维卷积神经网络的超参数；
调用验证集对所述三维卷积神经网络的进行测试，判断所述三维卷积神经网络是否符合目标条件，若是，则输出所述三维卷积神经网络；若否，则重新设置所述三维卷积神经网络的超参数，直至所述三维卷积神经网络符合目标条件；
所述目标条件包括：所述三维卷积神经网络的识别准确率不低于识别阈值；
所述识别阈值的取值范围为90％至100％。
在一种实施方式中，所述输出所述三维卷积神经网络之后，包括：
通过剪枝的优化方式对所述三维卷积神经网络进行优化，以减小模型大小。
在一种实施方式中，所述基于训练集训练得到所述三维卷积神经网络之前，包括：
使用x射线三维显微ct扫描多孔介质样本，获取三维图像样本；
对所述三维图像样本进行数据增强得到训练集和验证集。
在一种实施方式中，所述对所述三维图像样本进行数据增强得到训练集和验证集，包括：
对所述三维图像样本进行旋转、翻转、缩放、平移、尺度变换、对比度变换、噪声扰动及随机颜色中的n种数据增强处理，n为取值范围为1至8的整数；
将数据增强后的三维图像样本拆分成训练集和验证集。
在一种实施方式中，所述对待测多孔介质进行待测三维图像采集，包括：
使用x射线三维显微ct扫描待测多孔介质；
利用三维可视化软件avizo对扫描得到的三维图像进行去除无关空隙处理，得到待测三维图像。
本申请提供的技术方案可以包括以下有益效果：
本方案仅需利用一个三维卷积神经网络对扫描得到的待测多孔介质的三维图像进行处理，基于对三维图像到渗透率的非线性映射的深度学习，通过上述待测三维图像即可预测出该待测多孔介质的渗透率，无需计算图像的其他特征参数，操作简单且测试周期短；由于三维图像可以可靠表征多孔介质的内部结构，而渗透率作为多孔介质的内部属性与其内部结构关系紧密，因此，采用多孔介质的三维图像作为训练样本训练得到的三维卷积神经网络在预测该多孔介质渗透率时具有足够的可靠性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
图1是本申请实施例示出的基于三维卷积神经网络的多孔介质渗透率的预测方法的流程示意图；
图2是本申请实施例示出的三维卷积神经网络的构建方法的流程示意图；
图3是本申请实施例示出的三维卷积神经网络的测试方法的流程示意图；
图4是本申请实施例示出的训练集和验证集的制备方法的流程示意图。
具体实施方式
下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
渗透率在许多工程领域都是关键性的技术指标，而目前行业内针对多孔介质渗透率的宏观测试方法的测试结果虽然十分准确，但存在不易操作、测试周期长以及成本高的缺陷。现有技术中存在一种基于机器图像智能学习的多孔介质渗透率预测方法，虽然与上述宏观测试方法比较起来操作难度降低了，但是由于采用的二维图像无法全面表征多孔介质且需要拟合五个图像特征参数与真实渗透率之间的非线性关系，因此仍然存在可靠性不高以及数据处理繁琐的缺陷。
实施例1
针对上述问题，本申请实施例提供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，能够简单快速对多孔介质渗透率进行预测，且得到的预测结果具有足够的可靠性。
以下结合附图详细描述本申请实施例的技术方案。
图1是本申请实施例示出的基于三维卷积神经网络的多孔介质渗透率的预测方法的流程示意图。
参见图1，所述基于三维卷积神经网络的多孔介质渗透率的预测方法，其特征在于，包括：
101、对待测多孔介质进行待测三维图像采集；
在本申请实施例中，使用x射线三维显微ct扫描待测多孔介质，得到所述待测三维图像。
进一步地，为了使得基于该待测三维图像预测得到的多孔介质渗透率更准确，可以对该待测三维图像进行处理，例如，利用三维可视化软件avizo对扫描得到的三维图像进行去除无关空隙处理。
可以理解的是，上述对于待测三维图像的描述仅是本申请实施例的一个示例，不必作为对本发明的限定。
102、基于三维卷积神经网络对所述待测三维图像进行处理，得到所述待测多孔介质的渗透率。
在本申请实施例中，所述三维卷积神经网络基于三维图像样本进行分类训练，完成三维图像到渗透率的非线性映射的深度学习；所述三维图像样本为多孔介质样本的三维图像的集合，所述三维图像样本包括：训练集和验证集。
需要说明的是，所述三维图像样本的获取过程为：通过x射线三维显微ct获取高分辨率和高质量的多孔介质三维图像；所有三维图像数据在三维可视化软件avizo中将图像中的无关孔隙去除，并将得到的多孔介质三维图像裁剪成合适的大小，形成样本数据集。
需要说明的是，所述训练集和所述验证集是将上述样本数据集按照一定比例拆分出来的。所述训练集用于训练三维卷积神经网络，使所述三维卷积神经网络完成三维图像到渗透率的非线性映射的深度学习；所述验证集用于所述三维卷积神经网络搭建完成后，对该网络进行测试，选出符合准确率要求的三维卷积神经网络。
可以理解的是，上述对于三维图像样本的描述仅是本申请实施例的一个示例，不必作为对本发明的限定。
在本申请实施例中，所述三维卷积神经网络对所述待测三维图像进行处理的具体过程可表示为：所述三维卷积神经网络将经过卷积和池化处理后的三维特征图展开成向量形式，并基于所述三维特征图的向量形式进行分类，输出所述多孔介质的渗透率。
可以理解的是，上述对于三维卷积神经网络的描述仅是一个示例，不必作为对本发明的限定。
本方案仅需利用一个三维卷积神经网络对扫描得到的待测多孔介质的三维图像进行处理，基于对三维图像到渗透率的非线性映射的深度学习，通过上述待测三维图像即可预测出该待测多孔介质的渗透率，无需计算图像的其他特征参数，操作简单且测试周期短；由于三维图像可以可靠表征多孔介质的内部结构，而渗透率作为多孔介质的内部属性与其内部结构关系紧密，因此，采用多孔介质的三维图像作为训练样本训练得到的三维卷积神经网络在预测该多孔介质渗透率时具有足够的可靠性。
实施例2
在实际应用中，本申请实施例对上述实施例1中所述的三维卷积神经网络的构建方法进行了设计。
图2为三维卷积神经网络的构建方法的流程示意图。
详见图2，所述三维卷积神经网络的构建方法，包括：
201、搭建三维卷积神经网络模型的网络结构；
在本申请实施例中，所述三维卷积神经网络，包括：卷积网络和人工神经网络；
所述卷积网络包括：一个输入层、五个卷积层和三个池化层，其中卷积层的卷积核的个数依次是16、32、64、128和256，卷积核的大小均为3×3×3，池化层大小均为2×2×2，步长均为2；所述卷积层用于进行特征提取并将特征图传输给池化层；所述池化层用于对获取到特征图进行特征压缩，其中，第三层池化层将得到的特征图展开成向量形式传输至所述人工神经网络；
所述人工神经网络包括：一个输入层、两个隐藏层和一个输出层，其中两层隐藏层的神经元个数均为1024；其中两层隐藏层的神经元个数均为1024；所述隐藏层用于计算输入向量与权向量的内积后，经激活函数处理得到分类结果，并将结果传输给输出层。
可以理解的是，上述对于卷积网络和人工神经网络的描述仅是本申请实施例中的一个示例，不必作为对本发明的限定。
202、构建三维卷积神经网络的损失函数和激活函数；
在本申请实施例中，所述人工神经网络的激活函数为修正线性单元激活函数；具体地，所述修正线性单元激活函数为relu函数，其表达式为f(x)＝max{0,x}。
需要说明的是，在实际应用中，还可以根据实际情况，采用其他激活函数作为所述人工神经网络的激活函数，例如，sigmoid函数，其表达式为f(x)＝1/(1+ex)。
可以理解的是，上述对于激活函数的描述仅是本申请实施例中的一个示例，不必作为对本发明的限定。
在本申请实施例中，所述人工神经网络的隐藏层的权重采用正则化技术处理。
示例性的：
在所述人工神经网络的损失函数的基础上增加l2正则的惩罚项，得到所述三维卷积神经网络的损失函数；
所述三维卷积神经网络的损失函数可以由以下表达式表达；
正则的惩罚项，θ为三维卷积神经网络的超参数，m为训练数据的个数，
需要说明的是，上述l2正则化处理仅是本申请实施例中的一个示例，在实际应用过程中，所述正则化技术处理还可以采用l1正则化处理。
可以理解的是，上述对于正则化技术处理的描述仅是本申请实施例的一个示例，不必作为对本发明的限定。
203、基于训练集训练三维卷积神经网络；
在本申请实施例中，所述训练集为以多孔介质渗透率为标签的三维图像的数据集；所述多孔介质渗透率是采用孔隙尺度有限体积法数值模型得出的。
需要说明的是，本申请实施例对于训练集中多孔介质渗透率的获取方法并没有严格的限定，任何可以计算出多孔介质样本的渗透率的方法都适用于该步骤，例如，格子玻尔兹曼法或反演法。
需要说明的是，在实际应用中，所述三维卷积神经网络还可以采用无需获取标签的自监督学习的方法进行训练。
可以理解的是，上述对于三维卷积神经网络的训练过程的描述仅是本申请实施例中的一个示例，不必作为对本发明的限定。
204、基于验证集对三维卷积神经网络进行测试。
在本申请实施例中，所述三维卷积神经网络训练后，还需利用验证集对训练后的三维卷积神经网络进行反复测试，根据测试得到的结果对所述三维卷积神经网络进行调整，直至测试结果符合要求。
需要说明的是，上述调整的对象可以是以下对象中的m个：卷积层层数、卷积核大小、池化层大小和学习率，其中m为正整数。
可以理解的是，上述对于测试过程的描述仅是本申请实施例的一个示例，不必构成对本发明的限定。
本申请实施例提供了一种三维卷积神经网络的构建方法，基于该方法构建的三维卷积神经网络包括卷积网络和人工神经网络，其中，卷积网络能够对输入的三维图像进行特征提取和压缩；人工神经网络采用修正线性单元激活函数作为激活函数，且采用了正则化处理对其损失函数进行惩罚，有效防止模型过拟合及提高了模型泛化性能；同时，该方法利用验证集反复测试调整三维卷积神经网络，使得最终得到的三维卷积神经网络的测试结果与实际结果足够接近，从而通过该三维卷积神经网络能够实现高精度的多孔介质渗透率预测。
实施例3
在实际应用中，本申请实施例对上述实施例2中的步骤204进行了设计。
图3为三维卷积神经网络的测试方法的流程示意图。
请参见图3，所述三维卷积神经网络的测试方法，包括：
301、获取所述三维卷积神经网络的超参数；
在本申请实施例中，对于所述超参数的获取并没有严格的限定，在实际应用中，可以采用数据增广对三维图像样本机型扩充，将扩充的三维图像集合作为三维卷积神经网络的输入得到预测结果，并基于预测结果确定所述对抗网络模型的超参数；或用户自行进行超参数的设定。
可以理解的是，上述对于三维卷积神经网络的超参数的描述仅是本申请实施例的一个示例，不必构成对本发明的限定。
302、调用验证集对所述三维卷积神经网络的进行测试，得到符合目标条件的三维卷积神经网络；
所述目标条件包括：所述三维卷积神经网络的识别准确率不低于识别阈值；
所述识别阈值的取值范围为90％至100％。
在本申请实施例中，由于用于测试的验证集经过去除无关孔隙的预处理，因此用于测试的验证集数据噪声小，所以基于该验证集进行所述三维卷积神经网络的测试时，得到的准确率数值高，因此，在本申请实施例中，所述识别阈值取值为90％。
需要说明的是，在实际应用中，用于测试的数据样本可以是直接通过扫描设备获取到的，未经过三维可视化软件的处理，由此，所述识别阈值的取值可以依据实际情况和验证集的图片质量进行调整。
可以理解的是，上述对于识别阈值的描述，仅是本申请实施例中的一个示例，不必作为对本发明的限定。
本申请实施例提供了一种三维卷积神经网络的测试方法，通过使用验证集对所述三维卷积神经网络进行测试，基于测试的结果来确定所述三维卷积神经网络的超参数的优选值，从而选出能够满足准确率要求的三维卷积神经网络，使得最终获得的三维卷积神经网络在预测多孔介质渗透率上具有优异的准确度和可靠性。
实施例4
在实际应用中，在上述实施例3的步骤302之后，本申请实施例对所述三维卷积神经网络进行优化步骤的设计。
所述优化方法包括：通过剪枝的优化方式对所述三维卷积神经网络进行优化，以减小模型大小。
需要说明的是，本申请实施例对于采用的剪枝方法并没有严格的限定，可以根据实际需求采用不同的剪枝方法，例如，可行性剪枝或最优性剪枝。
需要说明的是，在实际应用中，除剪枝的优化方式之外，还可以使用量化或二值化的优化方式对所述三维卷积神经网络进行处理，以减少所述三维卷积神经网络的计算量及内存占用，加快模型的推断速率。
可以理解的是，上述对于模型优化的描述仅是本申请实施例中的一个示例，不应该构成对本发明的限定。
本申请实施例提供了一种模型优化的方法，该方法通过剪枝的优化方式对三维卷积神经网络进行处理，减少所述三维卷积神经网络的内存占用。对于所述三维卷积神经网络而言，剪枝将模型中权重占比很小的神经元去除，由于剔除的神经元权重很小，所以对于模型准确度的影响不大，但可以大幅减小模型的计算量，从而提高三维卷积神经网络的预测效率，缩短预测周期。
实施例5
上述实施例1、实施例2和实施例3中采用的三维卷积神经网络的建立有赖于使用训练集进行深度学习以及使用验证集筛选出准确率高的网络模型，因此，本申请实施例对所述训练集和所述验证集的制备进行了设计。
图4为训练集和验证集的制备方法的流程示意图。
请参见图4，所述训练集和验证集的制备，包括：
501、使用x射线三维显微ct扫描多孔介质样本，获取三维图像样本；
在本申请实施例中，步骤501的具体操作过程与上述实施例1中步骤101的内容一致，此处不再赘述。
502、对所述三维图像样本进行数据增强得到训练集和验证集。
示例性的：
对所述三维图像样本进行旋转、翻转、缩放、平移、尺度变换、对比度变换、噪声扰动及随机颜色中的n种数据增强处理，n为取值范围为1至8的整数；
将数据增强后的三维图像样本拆分成训练集和验证集。
在本申请实施例中，对数据增强后的三维图像样本按照一定比例进行拆分，得到训练集和验证集。
需要说明的是，本申请实施例对于上述拆分比例并没有严格的限定，在实际应用中，可以根据情况设置该拆分比例，例如，在本申请实施例中，可以按照1:1或2:3的比例将所述三维图像样本拆分为训练集和验证集。
可以理解的是，上述对于训练集和验证集的描述仅是本申请实施例中的一个示例，不必作为对本发明的限定。
本申请实施例提供一种训练集和验证集的制备方法，该方法包括使用数据增广技术对获取的三维图像样本进行数据增强，再对增强后的数据处理获得训练集和验证集。数据增强处理增加了训练集和验证集的数据量，让训练集和验证集尽可能的多样化，使得训练的模型具有更强的泛化能力；基于多样化的训练集进行深度学习，能够有效提高三维卷积神经网络的预测性能和准确率；且通过大量多样化的验证集测试得到的网络模型，可以筛选出可靠性高的三维卷积神经网络。
上文中已经参考附图详细描述了本申请的方案。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。本领域技术人员也应该知悉，说明书中所涉及的动作并不一定是本申请所必须的。另外，可以理解，本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
此外，根据本申请的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者，本申请还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或电子设备、服务器等)的处理器执行时，使所述处理器执行根据本申请的上述方法的各个步骤的部分或全部。
附图中的流程图和框图显示了根据本申请的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
- 还没有人留言评论。精彩留言会获得点赞！