一种基于Phy-ConvNeXt卷积神经网络的铸体薄片渗透率快速预测方法

本发明属于油气田开发领域，涉及一种基于phy-convnext卷积神经网络的铸体薄片渗透率快速预测方法。

背景技术：

1、铸体薄片技术是评价储层质量的关键技术之一。铸体薄片识别可以直观地揭示岩石孔隙结构，是确定储层物性和多孔介质流动特征的重要方法。预测渗透率在地质、石油工程等领域中具有重要的意义。在石油和天然气勘探中，了解岩石的渗透率对于确定储层的产能至关重要。准确预测铸体薄片渗透率，可以更准确地评价储层，减少油气勘探开发中的不确定性。因此，快速、准确预测多孔介质的性质对于石油和天然气的勘探和开采至关重要。

2、目前，岩石的渗透率通常通过实验室岩心分析来模拟，可通过计算其达西定律获得。但是，实验条件受到较大限制，且实验耗时耗力。此外，进行渗透率预测的一般方法主要是采用直接模拟法求解。然而，对于大型数字岩石图像来说，数值模拟方法计算时间长并且可能受到计算资源的限制导致模型不收敛，计算成本高。随着微观成像技术和计算机技术的发展，基于机器学习方法的多孔介质渗透率预测得到了广泛应用。该方法提供了一种简洁高效的途径，避免了传统数值方法中繁琐的建模和求解过程。通过这种方法能够直接把握多孔介质的局部结构参数与整体性能之间的隐含关系。但是，基于机器学习算法的多孔介质渗透率预测研究需要先获得多孔介质特征参数，比如：孔隙度、弯曲度、比表面积和连通性等。然而利用提取的特征参数带入模型进行训练，获取相关特征数据需要花费大量的计算成本和时间成本，并且获取的特征参数并不能完全代表铸体薄片结构特性。

3、近年来，深度学习在视觉领域及图像处理方面有了很多新的进展。由于渗透率只与孔隙几何形状有关，因此可以通过获得多孔介质铸体薄片二维图像，将图像作为输入，对应渗透率作为输出建立模型。

4、现有的卷积神经网络的铸体薄片渗透率预测模型需要大量的图像数据带入模型进行训练，并且只能预测相同尺寸单元的渗透率。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于phy-convnext卷积神经网络预测铸体薄片渗透率的方法，有效克服了当前应用传统数值模拟方法建模繁琐且求解困难、样本量需求多以及多孔介质结构特征提取复杂等问题。基于phy-convnext卷积神经网络的铸体薄片渗透率预测方法可以准确、快速的预测不同铸体薄片的渗透率，且预测结果可靠。

2、为实现上述目的，本发明提供了一种基于phy-convnext卷积神经网络的铸体薄片渗透率预测方法，该方法包括下列步骤：

3、步骤一，通过计算机随机生成足够数量的多孔介质结构，在一定的像素区域中生成岩石颗粒，以获得渗流研究所需的孔隙结构样本图像作为模型输入数据；

4、步骤二，利用商业有限元软件comsol对多孔介质图像进行数值模拟，使用达西定律计算多孔介质图像对应的渗透率，作为模型输出数据；

5、步骤三，对输入的图像数据和输出的渗透率标签数据进行预处理，设置图像数据尺寸为模型可接受的大小，并使用minmaxscaler方法对渗透率数据归一化，然后将图像数据和其对应的渗透率标签数据按一定比例划分为训练集、测试集和验证集；

6、步骤四，建立phy-convnext多孔介质渗透率预测模型，包括conv层、正则化层、convnext网络、下采样层、平均池化层以及全连接层；

7、在phy-convnext多孔介质渗透率预测模型中添加额外的物理信息，将孔隙度信息添加到模型的损失函数中作为约束，修正后的损失函数为：

8、l(θ)＝λ1lmse(θ)+λ2lphy(θ)

9、其中：λ1和λ2为权值，lmse为均方误差损失，lphy为真实孔隙度与图像计算孔隙度之间的损失；

10、步骤五，使用回归评价指标r2和mse评估phy-convnext多孔介质渗透率预测模型在训练集和测试集上的性能；

11、步骤六，使用cad软件对铸体薄片中的岩石颗粒进行勾绘，重复步骤二到步骤五，利用迁移学习方法预测铸体薄片的渗透率。

12、进一步地，步骤一通过delaunay三角剖分算法将控制域剖分成pebi网格，通过控制pebi网格与voronoi多边形距离来生成不同大小的多边形，再通过voronoi多边形获取与其相切的曲线voronoi多边形；通过布尔运算获得多孔介质的孔隙结构。

13、进一步地，步骤四所述phy-convnext由一个stem层、多个convnext block堆叠形成的四个convnext stage层和一个head层组成，所述stem层由卷积层和层归一化ln组成，所述convnext stage层由convnext block和下采样层组成，所述head层由平均池化层、ln、dropout层和全连接层组成。

14、进一步地，所述phy-convnext使用逆瓶颈结构。

15、进一步地，所述phy-convnext使用分组卷积：将三个输入通道分成若干组，每组通道进行独立的卷积运算，block中采用分组卷积的方式进行特征提取。

16、进一步地，在1×1卷积之间添加一个高斯误差线性单元gelu激活函数，其表达式为：

17、

18、其中，x为输入值；

19、在把数据送入激活函数之前使用层归一化ln进行处理，ln通用公式为：

20、

21、其中，xi为输入特征向量；μ为特征向量的均值；σ为特征向量的标准差；γ为可学习的缩放参数；β为可学习的移位参数。

22、本发明通过嵌入物理信息，即使在数据稀缺的情况下也能更准确的进行预测，减少了模型对大量数据的依赖，使模型即使在训练数据有限的情况下也能泛化到新的、未见过的情况，提高了模型在实际应用中的鲁棒性。

23、本发明的有益效果如下：

24、(1)本发明提出的phy-convnext铸体薄片渗透率预测模型增加了考虑物理信息的模块，将孔隙度信息添加到模型的损失函数中作为约束。通过将孔隙度这一关键物理参数纳入模型训练过程，使phy-convnext模型能更精准地反映铸体薄片的渗透率特性，优化了模型对目标特性的理解和预测能力，提升了预测结果的准确性。

25、(2)本发明引入物理信息的phy-convnext模型能够弥补数据的不足，从而减少对大规模训练数据集的依赖，降低了数据收集和处理的成本，使预测过程更简洁、快速，预测结果更稳定、准确。

技术特征：

1.一种基于phy-convnext卷积神经网络的铸体薄片渗透率快速预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于phy-convnext卷积神经网络的铸体薄片渗透率快速预测方法，其特征在于，步骤一通过delaunay三角剖分算法将控制域剖分成pebi网格，通过控制pebi网格与voronoi多边形距离来生成不同大小的多边形，再通过voronoi多边形获取与其相切的曲线voronoi多边形；通过布尔运算获得多孔介质的孔隙结构。

3.根据权利要求1所述的基于phy-convnext卷积神经网络的铸体薄片渗透率快速预测方法，其特征在于，步骤四所述phy-convnext由一个stem层、多个convnextblock堆叠形成的四个convnext stage层和一个head层组成，所述stem层由卷积层和层归一化ln组成，所述convnext stage层由convnextblock和下采样层组成，所述head层由平均池化层、ln、dropout层和全连接层组成。

4.根据权利要求3所述的基于phy-convnext卷积神经网络的铸体薄片渗透率快速预测方法，其特征在于，所述phy-convnext使用逆瓶颈结构。

5.根据权利要求3所述的基于phy-convnext卷积神经网络的铸体薄片渗透率快速预测方法，其特征在于，所述phy-convnext使用分组卷积：将三个输入通道分成若干组，每组通道进行独立的卷积运算，block中采用分组卷积的方式进行特征提取。

6.根据权利要求3所述的基于phy-convnext卷积神经网络的铸体薄片渗透率快速预测方法，其特征在于，在1×1卷积之间添加一个高斯误差线性单元gelu激活函数，其表达式为：

技术总结
本发明公开了一种基于Phy‑ConvNeXt卷积神经网络的铸体薄片渗透率快速预测方法，该方法利用添加了物理信息的Phy‑ConvNeXt卷积神经网络智能预测铸体薄片图像渗透率。鉴于大量的铸体薄片数据难以获取，首先通过人工合成足够数据量的多孔介质二值图像作为输入数据，并利用CFD方法计算每张图像所对应的渗透率作为输出数据，将二值图像和其对应的渗透率标签作为训练模型的基础数据。然后基于Phy‑ConvNeXt卷积神经网络建立多孔介质渗透率预测模型，通过训练得到一个适合铸体薄片渗透率预测的模型。最后利用迁移学习方法预测铸体薄片的渗透率，R<supgt;2</supgt;为0.822，MSE为0.016，预测效果较好。本发明通过Phy‑ConvNeXt卷积神经网络，解决了铸体薄片渗透率预测效率以及预测准确度低的问题。

技术研发人员：寨硕,李成勇,耿少阳,刘义,李亚锜
受保护的技术使用者：成都理工大学
技术研发日：
技术公布日：2024/7/18