文摘

多孔介质的重建是广泛应用于流体流动的研究和工程科学。一些传统的重建方法用于多孔介质特性提取的天然多孔介质和复制实现重构。目前,机器学习方法的重要分支之一,深转移学习(迪泰)方法已经显示出良好的性能在提取特征和转移他们的预测对象,可用于多孔介质的重建。因此,重建的方法提出了多孔介质通过应用迪泰从训练图像中提取的特征(TI)的多孔介质来代替扫描过程中不同模式的TI多点统计方法。深层神经网络实际上是用于提取TI的多孔介质的复杂特性,然后,一个重建的结果可以通过复制转移学习获得的这些特性。该方法在页岩和砂岩样品评估通过比较多点连接函数,变差函数曲线、渗透率、孔隙度、等。实验结果表明,该方法效率高,同时保留相似的特征与目标图像,缩短重建时间,减少了CPU的负担。

1。介绍

多孔介质的重建在许多工程学科中发挥着关键作用。多孔介质模型可以用来定量地研究各种微观因素的影响(例如,孔隙结构、润湿性和水电影)在石油和天然气储层的宏观性质,显示其具有重要意义的渗流机制研究石油和天然气(1- - - - - -3]。

不同的方法被用来模拟多孔介质的内部结构和特性,如地质相、岩石物性性质。一些典型的物理实验方法包括串行部分断层扫描法(SSTM)和x射线计算机断层扫描方法(XRCTSM) [4- - - - - -7)使用实验仪器扫描的多孔介质获得大量样本的二维截面图像,然后把这些图像叠印建模程序或软件形成三维数字多孔介质。SSTM相当耗时,之间的连接片有时并不令人满意。XRCTSM的优点是快速、精确,但实验是非常昂贵。一般来说,物理方法(如SSTM和XRCTSM)可以获得高分辨率的真实图像的多孔介质,但受制于高成本的设备或实验的困难。

不同于物理实验方法,数值重建方法如cross-correlation-based模拟(CCSIM) [8),序贯指示模拟方法(SISM) (9),和基于流程的方法(10)通常是基于少数两到三维真实图像和重建三维多孔介质通过随机模拟或沉积过程模拟。与物理实验方法相比,数值方法是有效的,可以重建多种多孔介质,但他们中的一些人仍然很费时,无法在多孔介质的重建与页岩等复杂的内部结构(3]。

多点统计(MPS) (11,12)也被认为是一个典型的重建多孔介质的数值方法,计算条件累积概率函数代替训练图像的方差图(TIs)使用一个连续的模拟过程。然而,整个仿真比较缓慢,memory-demanding,每一次,从这概率信息将在新模拟反复扫描,因为概率信息存储在内存中,而不是一个文件,导致浪费时间和硬件资源,例如,单一的正规方程模拟(SNESIM) [12),基于模式的模拟(SIMPAT) [13仿真(FILTERSIM)[],基于过滤器14(DISPAT)[],基于距离模式模拟15),和直接采样(16,17]。

目前,可以找到一些新的解决方案从繁荣的机器学习特别是深度学习和转移学习取得更好的重建效率和质量的多孔介质。深度学习是一种算法,提取复杂特性通过多层数据上执行多个非线性变换和神经网络18]。神经网络起源于1950年代,当时被称为感知器。一个神经网络具有三层:输入层、输出层,和一个隐藏层。输入特征向量通过隐层输出层连接,和获得的结果是输出层。单层感知器是根据输入向量的线性组合,计算出的结果是一个非线性函数。如图1的第一层感知器被认为是一种输入向量的线性组合 。输出可以用作输入层次网络的非线性变换后的激活函数 。定义的重量 和偏见 。如果有多个单层多层感知器连接,一个完全连接和离散网络称为人工神经网络(ANN)。

2006年,辛顿和Salakhutdinov [18)提出了一个有效的方式使用限制玻耳兹曼机从数据集(元)学习特性,建立深度学习的框架。作为一个算法基于学习数据和特征的内在特性,深度学习使用许多简单的将原始数据转换成更复杂的非线性特性,更高级别的,和更抽象的表示19]。相比与传统的安,深度学习有更多的层次层,所以它有更强的能力抽象复杂的特性。

深度学习也发展成为数量相关的分支,如卷积神经网络(cnn) [20.,21)和生成对抗网络(甘斯)22]。CNN是一个多层感知机专门设计的识别二维形状。它使用空间关系来减少参数的数量需要学会改善一般训练反向传播(BP)算法的性能。GAN火车两个深层网络(发电机和鉴别器),然后让他们进行对抗性的学习,提高发电机的功能和鉴别器连续敌对的学习。甘斯已被用于重建多孔介质通过使用一个鉴别器学习是和发电机重建一个新的形象的多孔介质2]。

在许多机器学习算法,一个重要的假设是,当前的训练数据和未来的训练数据必须在同一个特征空间和具有相同的分布。然而,在许多实际情况下,这种假设可能会失败。学习提出了转移到解决这个问题通过使用不同的转换拉近的距离不同的数据分布,从一个或多个源中提取信息的任务,然后应用到目标任务。没有必要再培训是为每一个新的重建或模拟使用转移时学习,所以它可以节省时间和减少必要的训练数据量(23]。

许多不同的转移学习方法已经开发出来。适应方法包括转让分布成分分析(TCA) [24)和深度域混乱(DDC) [25学习方法)是典型的转移。联合分布适应方法(26)提高转移学习通过减少之间的距离的联合概率分布源和目标域。深度学习转移(迪泰)27,28)是基于转移学习,目前最重要的一个技术在深度学习,可以快速转移训练有素的模型从一个数据集到另一个(29日]。迪泰可以模拟一个新的数据集的网络通过借贷的特性从以前训练数据集(30.]。

本文提出一种基于迪泰多孔介质的重建方法,它使用深度学习学习多孔介质的特点,然后拷贝到重建结果的学习功能转移学习。具体地说,学习的方法设计深度学习模型的特点是,然后重建从多孔介质的传输特性是通过深层神经网络(款)。重建结果有相似的特性(例如,孔隙结构,连接,和渗透率)隐藏在这。

在该方法中有两个重要的任务。第一个是确定合适的参数学习是当培训款实现精度高。第二个是款学到的特性转移到一个新的重建。第一任务,相应的网络结构(例如,隐藏层和神经细胞)和优化方法(例如,激活函数和梯度下降算法)以及一些调优的方法将会考虑。第二个可以解决通过改善迪泰和选择合适的传输条件。

该方法可以很大程度上的处理时间缩短由于GPU加速和优化算法相比,深度学习议员等传统的仿真方法。实验表明,迪泰可以重建类似结构的多孔介质与目标图像。与此同时,一旦重建可以确定的参数,它们存储训练后,可以迅速用于新的重建,显示了该方法的有效性在重建质量,速度和内存需求。

2。该方法的主要思想

在拟议的方法中,使用深度学习学习多孔介质的复杂特性,然后,这些特性被转移学习转移到重建,重建的细节将讨论多孔介质在两个部分:深学习阶段和学习阶段转移。

2.1。深入学习阶段

深度学习在培训过程中,错误或输出和期望之间的距离通常可以通过计算得到一个目标函数。这些错误减少修改内部模型的可调参数,通常称为权重。在一个典型的深度学习系统,有成千上万的样品和权重训练模型。为了正确调整权重向量,有必要计算每个重量的梯度向量,然后调整权重向量方向相反的梯度向量,这样整体错误减少到一个合理的区间。在实际应用程序中,使用梯度下降算法迭代上述过程,它提供了输入向量样本,输出,和错误通过计算这些样本的平均梯度,然后调整权重(31日]。这个过程是由不断重复输入样本训练网络,直到目标函数最优。与其他优化技术相比,梯度下降的速度快,泛化能力更强(23]。

一个典型的在深学习如图款2,一个神经元,表示为“○,”是基本节点单元和隐藏层神经元组成。 代表输入特征向量,””是预测输出层的输出值。不包括输入层和输出层,神经网络层。” ”代表的序列号th层神经网络。情商。1)是每个隐层的输出,情商。2)是指输出被激活激活功能: 在哪里每个隐层的输出;是激活函数的输出作为唯一的参数;和分别是重量和偏见;和激活函数有几个选项包括乙状结肠(Eq。3)),双曲正切(Eq。4)),ReLu (Eq。5)):

在培训过程中,随着神经网络的层数增加,训练的梯度参数将会变得更小。它是一种常见的问题称为“梯度消失”,这将防止参数改变他们的价值观,甚至打破培训过程。ReLu可以解决问题的“梯度消失,所以比乙状结肠和双曲正切函数(32,33]。因此,ReLu用于该方法的激活函数。

款,损失函数措施模拟在一个训练样本的质量。所有的训练样本,成本函数 和损失函数 需要定义: 在哪里 , ,和输入样本的数量、重量和偏见的神经元,分别和和 ,分别代表真正的和输出的预测值。

迭代参数的神经网络训练向前传播(34)和反向传播(35]。如方程式所示。(1)和(2),向前传播计算输出和每个隐层的输入,输出 ,和成本函数 (36]。与此同时,如方程式所示。(8)和(9),向后传播的计算和由链推导规则(37),然后更新 在每一个正向传播和反向传播: 在哪里是学习速率。培训的目的是找到合适的和总成本降到最低 ,这是计算由正向传播和反向传播。的参数(例如, )是通过链推导规则和更新整个网络在上面的计算。

当培训和学习复杂的特性,没有必要每一层都有很多节点,但层数更重要。对于所有这些隐藏层,前几层可以学习一些低级简单的特性,而后者可以组合成更复杂的功能。

2.2。转移学习阶段

迪泰需要一些功能转移到一个新的网络,导致这些层分离(输入层、输出层,和一些隐藏层)分为两类:固定层和传输层,如图3。转移学习,固定层不会改变参数,但传输层将更新参数,所以它是非常重要的,以确定哪些层应该转让或固定在迪泰。

正如上面提到的,固定层迪泰不会改变,只有学习简单的特性从原始数据。相反,传输层是可以更改的,而且学习复杂的特性。传输层可调的数量,确定总层数款。典型的转移学习方法命名threshold [29日,30.]介绍了拟议的方法,该方法具有以下特点:(1)节省时间,因为它不需要启动一个新任务从一开始当学习和训练数据;(2)容易附加pretrained当前数据集扩展训练数据模型;(3)简单的实现;和(4)允许训练数据和测试数据的分布不一定是完全相同的。

在神经网络的结构,整合可以改变(即最后一层。,the output layer) and then perform a round of new training by inputting new data. For some more complex models, Finetune can be expanded to include several hidden layers before the output layer for better accuracy. However, Finetune has a poor effect when the distributions of training data and test data are quite different. There is a solution to address the issue by adding an adaptation layer into the layers of DTL, ensuring the accuracy of a transfer learning model. When using the adaptation method, there are two key points to be determined: (i) the layers that are added to the adaptation layer and (ii) the adaptative method. The first one determines the quality of the whole transfer learning, and the second one determines the generalization ability of the network.

当添加一个自适应层在迪泰,共有三个步骤:(1)确定适合适应的层,(2)增加一个自适应层和传输层之间的固定层,和(3)使用目标域的数据训练网络整合。下列损失函数定义在迪泰: 在哪里和分别是(即源的输入数据集。,TIs) and the target dataset (e.g., known conditioning data),源数据集的输出,是网络的全部损失, 是网络的损失 自适应网络的损失,是数据集的重量。

迪泰的学习质量可以提高通过添加一个自适应层,但计算复杂度是另外增加,和自适应层也很难选择。为了简化深层网络适应性、自适应层被BatchNorm (BN)层(38]正常化将改编的统计特性,叫做一批适应标准化(AdaBN)方法。迪泰使用AdaBN方法的结构如图4。

如图4、传输层包括一些隐藏层和BN层。后者可以减少差异分布的源数据和目标数据集。数据规范化的目标在AdaBN是使每一层每一层接收数据从一个类似的分布来减轻数据集转变的问题。AdaBN规范化样品从源数据集零均值和方差。中定义的BN层是情商。11)th神经元: 在哪里和的输入和输出th神经元;和分别是重量和偏见;和平均值和标准偏差;和意味着迭代。

输入的样品在th迭代,假设输入均值和方差和 ,分别。计算均值和方差为th神经元可以更新如下: 在哪里之间的区别是输入的意思吗在th迭代和计算的意思在th迭代和是前面的所有样本的总和迭代,即。,the cumulative number of samples. The variables on the left of the operator ““在每次迭代更新。在第一次迭代,和分别初始化为0和1。

2.3。在迪泰Hyperparameters

在迪泰,可以人为地设置一些参数称为hyperparameters前培训。Hyperparameters不需要调整,通常分为三大类:网络参数,优化参数,和正则化参数。

网络参数包括交互模式(加法、乘法、连接等)之间的网络层,网络层的数量(也称为深度),和激活函数。优化参数包括学习速率、批量大小,参数不同的优化,和一些损失函数的可调参数。正则化参数包括体重衰减系数和辍学。

培训过程的一开始,一个大的学习速率可以加快训练。学习速率被定义为 在哪里是最初的学习速率,轮梯度下降的数量,是训练时间。随着训练时间的增长,学习速率会逐渐减少,确保情商。13)是收敛的。自从迪泰模型很复杂,可能容易过度拟合校准和underfitting验证,应考虑模型的泛化能力。至于过度拟合问题,可以使用正则化方法通过添加正则项减少过度拟合损失函数(39]: 在哪里是正规化的重量吗减少了特征向量的数量和复杂性的模型,以防止过度拟合。

辍学是过度拟合的另一个正则化方法(40),丢弃一些神经元节点的值在每一轮的训练通过随机点设置为0(即。,这些神经细胞被认为是“辍学”),提高模型的泛化能力。添加正则项和辍学的方法都是使用的方法来防止过度拟合。underfitting的验证,选择一个合适的网络,调整hyperparameters,应该使用和培训多次,将讨论与其他hyperparameters如隐藏层的数量和BN层部分4.4。

3所示。该方法的程序

如图5该方法的程序如下。

步骤1。设计深度学习结构(层数、激活函数等)和BN层添加到隐藏层。

步骤2。输入2 d或3 d是多孔介质,然后使用梯度下降法来更新参数和自适应学习速率。

步骤3。保存所有网络参数( ,层数和层的神经元数量)和hyperparameters(例如,学习速率和激活函数)。

步骤4。负荷模型和参数,然后把空调新数据集的数据作为输入。

第5步。设置固定层和初始化传输层,然后使用整合更新传输层的参数。

步骤6。导出神经网络模型包括结构和相应的参数文件。

步骤7。输出2 d或3 d图像的多孔介质使用上述模型和参数。

多个源数据集(即。,TIs) can be used in the proposed method. Besides, reconstructing porous media with any different sizes of 2D or 3D images can be realized according to the features extracted from TIs. Since TIs are real 3D images, the reconstruction retains the features of porous media in the real world.

4所示。实验结果和分析

迪泰可以通过使用一个运行以来tensorflow-gpu框架(41)加速了GPU,下面的测试进行了基于CPU的tensorflow-gpu框架英特尔酷睿i7 - 8700 (3.2 GHz), 8 GB的内存,和GPU的GeForce 1070 GTX公司(6 GB内存)。如前所述,该方法使用深度学习从这中提取所有功能然后保存训练模型和相应的参数。层的数量往往可以根据一些试验和经验决定的。一般来说,越复杂的多孔介质,应该应用更多的隐藏层。在实际的测试中,多孔介质的重建是基于模型显示在图6,网络有8隐藏层使用ReLu函数作为激活函数(33]。细节架构如图6在部分将讨论吗4.4。

4.1。训练数据和代表基本体积

评价该方法的效果和适用性在多孔介质的重建,真正的页岩体积nano-CT获得的数据与64纳米的分辨率和真实砂岩体积数据用获得的10.9微米的分辨率ct机被用作以下测试数据测试。图7显示了一些截面页岩和砂岩体积数据的两个相:谷物(白色)和毛孔(黑)。

以下4.4.1。3 d实验页岩图像

在应用任何重建方法之前,两个三维立方体 体素提取原始页岩体积数据的不同部分:一个是用作TI和另一个是目标图像。目标图像时可以比较重建结果的法官从TI提取特征,然后使用该方法繁殖他们习惯于一些调节数据从目标图像。数据8(一个)- - - - - -8 (c)外观( 体素)、截面( , ,和 ),和孔隙空间的TI ( )。同样,外观( 体素)、截面( , ,和 ),和孔隙空间目标图像( )如数据所示9(一个)- - - - - -9 (c)。

4.1.2。3 d实验砂岩图像

类似地,两个3 d砂岩立方体 体素,分别用作TI和目标图像。数据10 ()- - - - - -10 (c)外观( 体素)、截面( , ,和 ),和孔隙空间的TI ( )。数据(11日)- - - - - -11 (c)显示外部( 体素)、截面( , ,和 ),和孔隙空间目标图像( )。的孔隙度值的目标图像和TIs页岩和砂岩都故意不同测试方法的适用性。

4.1.3。代表性体积单元的样本

在执行测试之前,代表小学卷(牧师)42,43应该首先确定训练数据)。重要的是观察研究样本的规模的影响施加重建多孔介质时,即,a key point is to determine the minimum size of a studied sample in which the features tend to be substantially stable and can be independent of the size of the sample. When the size of the sample is less than an REV, the features possibly will change easily with the different sizes of the sample, showing obvious fluctuations in the features. On the contrary, when the samples are bigger than the REV, they have almost the same features no matter where they are located in the original data.

根据转速的定义,所有样品的多孔介质比牧师有相同的统计分布,只要他们是来自原始数据。的影响不同位置的原始数据不需要考虑。牧师实际上符合统计数据的遍历性和平稳性的概念,因为样本比一个牧师有固定的统计分布,实验样本意义大于一个牧师也满足牧师要求时遍历性和平稳性。

主要有两种方法来确定一个启第一个是孔隙度广泛应用于土壤科学和材料科学,无论宏观尺度参数;第二个决定基于一些宏观尺度参数的牧师没有考虑样本的微尺度参数,常用在工程力学44,45]。均匀多孔介质,使用孔隙度进行转速的方法可能是有效的,但它不会工作以来非均匀多孔介质孔隙度往往变化很大程度上与不同的大小。因此,应该考虑一些其他方法来确定非均匀多孔介质的一个牧师,确保与不同大小的特性基本上不会改变。在我们的测试中,转速的大小是由方差图 ,通常用于表示空间结构变化的相关性和差异性在一定方向和定义 在哪里意味着数学期望,是一个变量值的位置吗 ,和两个地点之间的延迟吗和 。

确定一个牧师的具体过程如下:首先,变差函数曲线的毛孔 , ,和方向分别绘制;其次,当变差函数曲线的三个方向开始变得稳定,相应的多孔介质的大小是一个启原始体积数据的变差函数曲线计算页岩和砂岩在三个方向( , ,和 )如数据所示12和13。横坐标表示的空间距离(单位:体素),纵坐标表示变差函数的值。在图12,三个方向的变差函数曲线趋于稳定 ,分别为31日和19像素点(红色虚线表示),所以可以至少牧师 为页岩压;同样,牧师可以至少 体素为砂岩推断从图13。因为这和目标图像的页岩和砂岩在我们的测试中 体素,它们的大小比牧师和满足实验的要求。

4.2。重构和与其他方法的比较

一些采样点提取页岩和砂岩的目标图像,分别作为训练数据的页岩和砂岩重建,占总额的1%目标图像的像素点,在孔隙压和谷物压具有相同数量(即孔隙和颗粒体素,分别调节数据)占50%。故意的比例调节数据完全不同的孔隙度目标图像来证明该方法的适用性。假设孔隙的值是1,值为0。为了方便起见,该方法被称为迪泰以后。重建的多孔介质(页岩和砂岩)进行使用迪泰和一些典型的议员方法(SNESIM、FILTERSIM DISPAT)调节数据和这。

4.2.1。准备重建页岩的孔隙空间

图14是重建3 d页岩的孔隙空间,分别使用迪泰,SNESIM FILTERSIM, DISPAT。看到所有的孔隙空间的四个方法有相似的结构与目标图像(图9 (c)),长连接的孔隙空间复制。

4.2.2。重建的砂岩孔隙空间

图15是重建3 d砂岩的孔隙空间,分别使用迪泰,SNESIM FILTERSIM, DISPAT。由四个方法重建的图像也有类似的结构与目标图像(图11 (c)),孔隙空间的长连接是复制,。

4.2.3。平均的重建

为了方便起见,页岩和砂岩的孔隙度值重建放在一起。的孔隙度值是,目标图像,和重建的图像如表所示1。

平均表现,另一个使用SNESIM 10页岩和砂岩重建,FILTERSIM, DISPAT,和迪泰进行,如表所示2。所有的重建图像与同样大小的立方体 体素。因为每个立方体内体素都有其固定的位置和价值,这些十重建的平均值计算,构成一个“平均立方”的大小 体素为每个方法(SNESIM, FILTERSIM DISPAT,迪泰),如图16和17。每个立体像素的属性值在“平均立方”立体像素的平均值在重建图像在同一位置。似乎重建页岩图像使用迪泰有一个清晰的区分孔隙空间和谷物,表明迪泰已经相对固定重建结果较其他三种方法。

4.2.4。变差函数和多点连接

变差函数取决于自变量 ,和变差函数曲线可以代表两个点在一个方向上的空间变异性。在多孔介质的重建,变差函数也可以用于评估。变差函数曲线的TIs,目标图像,和SNESIM的重建,FILTERSIM, DISPAT,迪泰方向的计算 , ,和 ,如数据所示18和19。看到的是迪泰的变差函数曲线的方法,在所有三个方向,非常接近的目标图像。

多点连接(MPC) (12,46)可以测量之间的联合连接多个点在一个方向上,这被定义为 在哪里属性值的位置吗 , 滞后的距离,是节点或点的数量在一个方向,然后呢数学期望。假设 当对应于孔隙空间;否则, 。如数据所示20.和21TIs, MPC曲线,目标图像和重建非常相似和方向,但在方向(特别是在图20.),迪泰显示出更好的性能,因为他们的曲线更接近目标的图像。

4.2.5。用晶格玻尔兹曼方法渗透率估算

渗透率是指允许流体通过多孔介质的能力,经常与孔隙度、孔隙的几何方向的液体渗透,和其他因素47]。重建的多孔介质的渗透率计算用晶格玻尔兹曼方法(加快)3,48]。演化方程定义如下: 在哪里是无量纲的弛豫时间, 密度分布函数速度方向的晶格位置和时间 ,和和分别是增量的时间和空间。平衡分布函数 在哪里 格的速度和吗是流体的速度。的权重值 , ,和 ,分别。是离散速度:

的密度的势头和流体是

自重构系统的内部结构非常复杂,反弹方案用于获得无滑动速度的条件。模型是计算用的进口和出口的压力条件。的数据是,目标图像,重建的图像,分别作为输入文件加快仿真计算渗透率的模型的大小 体素。在加快一些参数定义如下: , 。重建模型的两个面,垂直于流动方向,敞开,而所有其他四个面与矩阵相密封。当达到收敛时,渗透率沿这个流方向可以根据达西定律计算。

如表所示3和4的渗透率是,目标图像,并使用迪泰十重建图像的平均渗透率,SNESIM, FILTERSIM, DISPAT三个方向是加快计算的。(特别是在的渗透率值方向)的重建图像使用迪泰非常接近的目标图像,显示良好的迪泰重建质量。

4.2.6。分布和数量的毛孔

孔隙结构进行的分析软件Avizo [49通过导入TIs),目标图像,和迪泰的重建图像,SNESIM FILTERSIM, DISPAT。孔隙结构包括孔的数量、孔隙的大小,每个孔的直径计算。孔的直径大约是定义为 在哪里每个孔的体积。

表5这显示了孔隙的平均数量,目标图像,和10重建图像,采用FILTERSIM SNESIM, DISPAT,迪泰。毛孔的直径是,目标图像和重建图像SNESIM, FILTERSIM, DISPAT,迪泰显示在表中6(页岩)和表7(砂岩)。图22这显示了孔隙直径的分布,目标图像,SNESIM重建图像,FILTERSIM, DISPAT,迪泰。迪泰在所有个人物品并不是最好的,但是它展示了在整体性能质量好,从表5- - - - - -7和图22。

平均内存使用、CPU / GPU利用率和SNESIM的运行时间,DISPAT FILTERSIM,迪泰十重建(页岩和砂岩)如表所示8和9。分裂的原因“第一轮运行时间”的总体运行时间是花费更多的时间在他们的第一轮运行所有的四个方法:SNESIM, DISPAT, TIs FILTERSIM扫描所有点或模式,和迪泰需要使用深度学习训练一个基本的模型在这学习所有的结构特点。然而,在“第一轮运行时间”,这四个方法的时间消耗会很大程度上减少了,因为培训或学习过程已经完成了第一轮。看到迪泰是比其他方法的重建时间和内存需求由于GPU的使用。

4.3。比较使用不同条件数据

结果用四种方法(即1%条件数据。,accounting for 1% of total voxels of the target image) are compared in Section4.2。因为目标图像的孔隙度值和训练图像有很大的不同,更多的调节数据从目标图像中提取可以证明该方法的适用性更好。因此,(即5%条件数据。,accounting for 5% of total voxels of the target image) extracted from the target image for reconstruction were used to demonstrate the applicability of the proposed method. The pore voxels and grain voxels in the conditioning data have the same number. Variogram and MPC curves (average of ten reconstructions) of sandstone and shale using the conditioning data (5% of the total voxels) are shown in Figures23- - - - - -26。

看到,当有更多的调节数据(总压的5%),重建迪泰图像的方差图和MPC曲线更接近的目标图像,证明了该方法的适用性。

4.4。参数用于迪泰

迪泰网络使用的几乎和一些参数将在本节中讨论。当使用迪泰方法时,需要对网络结构设计,包括隐藏层的数量,隐藏层神经细胞的数量,优化方法,激活函数,和其他一些参数,这将很大程度上影响训练时间,学习能力,准确性,泛化能力等。

在设计迪泰的结构时,隐藏层的数量可以由学习效果,测量的精度在深度学习阶段。比较体素值的计算精度训练模型的结果与TI在深度学习阶段。准确性(范围从0到100%)是导致之间的相似性与TI深度学习阶段,测量网络结构是否可以学习训练数据快速、准确的结构特点。高精度的深度学习阶段意味着网络学习训练数据的特点。然而,高精度小迪泰的泛化能力和影响并不意味着过度拟合重建,因为在转移阶段调节数据将添加约束和模型将再次培训。过度拟合的效果在整个迪泰小在深度学习阶段,但调节数据产生重大影响的泛化能力迪泰在学习阶段转移。因此,选择网络参数的原则是选择用一个简单的网络结构同时确保准确性。

如图27和表10,更多的隐藏层和神经细胞制造精度高,但需要更多的训练时间。在实际实验中,隐藏层的数量是8和神经细胞的数量是500平衡训练时间和准确性。

十亿层将插入在传输层,但具体位置应由实验决定。十亿层的不同位置插入一个迪泰网络,分别形成一个6,7,8,9,和个人网络测试。在深度学习阶段的准确性也分别计算。如图28,横坐标从1到6的层数的位置插入BN层最后一层,被认为是“距离”(单位:层)从当前插入BN层的最后一层迪泰网络。例如,插入时的精度是80% BN层几乎是最后一层( )6-layer迪泰网络图28;精度是98% 对于一个8-layer迪泰网络。由于隐藏层的数量是8在现实实验(见讨论图27和表10)和准确率接近100% ,BN层添加到倒数第二层(例如, )。

至于优化算法,Adam-gradient下降法(40),具有更快的收敛速度和更有效的学习效果在实际的应用程序。重量和偏见应该是随机初始化。学习速率开始时可以设置为0.5,将一些培训流程后调整到一个较小的水平。我们实验的损失函数是叉损失函数为加快培训过程和提高精度13),它被定义为

5。结论

统计方法由国会议员和其他一些方法广泛用于重建高分辨率三维多孔介质。然而,这些方法的适用范围是有限的,由于大量的CPU成本和内存需求。同时,建立的模型不确定性但一系列随机实现以同样的概率,所以有必要重建模型多次获得平均的结果。

由于各种机器学习技术的迅速发展,它已成为可行的使用深度学习解决问题的重建三维多孔介质。本文提出了一种基于迪泰的重建方法,被认为是一个深度学习和转移学习。深度学习用于学习多孔介质的结构特点,然后,转移学习新的繁殖功能的重建。

而不是重建未知区域像素像素或模式的模式,该方法学习的特性和这和调节数据之间的关系。神经网络的建模过程是一个迭代的过程优化,使错误逐渐较小,结果更加肯定,而不是一系列的等概率的结果,这也是之所以迪泰有更稳定的结果。这个方法有较低的CPU成本和内存的要求比传统MPS-like方法。页岩和砂岩图像重建的实验证明了该方法的优点在重建质量、时间消耗和CPU利用率。

数据可用性

使用的数据来支持本研究可从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金(41672114和41672114号)。