[发明专利]一种油气储集空间类型及其含量的识别方法在审
申请号: | 201910857195.4 | 申请日: | 2019-09-11 |
公开(公告)号: | CN110596166A | 公开(公告)日: | 2019-12-20 |
发明(设计)人: | 杨莎莎;刘恺德;权娟娟;孙佳伟 | 申请(专利权)人: | 西京学院 |
主分类号: | G01N23/2202 | 分类号: | G01N23/2202;G01N1/28;G01N1/34;G01N21/84;G01N23/2251;G06N3/04;G06N3/08 |
代理公司: | 61215 西安智大知识产权代理事务所 | 代理人: | 王晶 |
地址: | 710123 *** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 空间类型 卷积 岩石 卷积神经网络 神经网络结构 图像特征信息 非线性映射 人工智能 岩心 分类结果 含量计算 获取图像 精度要求 孔隙类型 实际输出 特征向量 提取特征 岩石特征 样品制备 油气储层 油气储集 自动识别 输出 计算量 连接层 特征图 图像 期望 保留 观察 | ||
1.一种油气储集空间类型及其含量的识别方法,其特征在于:包括以下步骤:
一种油气储集空间类型及其含量的识别方法,包括以下步骤:
步骤一:将不同类型岩石中的岩心进行样品制备,样品的规格为:厚度0.03mm;通过显微镜或扫描电镜获取岩心样品图像,从获取的岩心样品图像中首先人为分辨出储集空间类型及其含量;
步骤二:构造卷积神经网络结构,卷积神经网络的结构形式是:输入层-->卷积层-->池化层-->重复卷积层和池化层-->全连接层-->softmax层-->输出层;
步骤三:输入步骤一提取的岩心样品图像,用步骤二所得的卷积神经网络直接对其进行训练;
步骤四:卷积提取岩心样品特征,并利用激活函数的非线性映射,获取新的特征图;
步骤五:提取特征值最大值或平均值,保留岩心样品图像特征信息即不同储集空间类型的形状、颜色、空间关系,进一步减少运算量;
步骤六:重复进行步骤四和步骤五,进一步提取出以下特征信息:形状、颜色、空间关系,并减少计算量;
步骤七:将最终提取的特征向量输入全连接层,并通过softmax层输出储集空间的类型及其含量;
步骤八:计算实际输出的卷积神经网络识别出的储集空间类型及其含量与首先人为分辨出的储集空间类型及其含量之间的误差,若满足精度要求,即可停止训练;否则,返回步骤三。
2.根据权利要求1所述的一种油气储集空间类型及其含量的识别方法,其特征在于:步骤一所述的岩心样品制备的步骤为:
第一步:用手动快速切割机将岩石切割成约长25mm×宽25mm×厚5mm的小块;
第二步:用自动精密研磨抛光机将粘接面研磨并抛光;
第三步:用超声波清洗机去除残余研磨屑、磨料与矿物碎屑;
第四步:利用树脂胶将抛光面粘接在载玻片上;
第五步:将粘结好的样品放入真空干燥箱,加速树脂胶凝固;
第六步:用手动快速切割机将样片减薄至0.5mm;
第七步:在保证样品两表面平行度的前提下,用自动精密研磨抛光机将样品研磨至0.03mm,并进行抛光处理;
第八步:加盖上覆玻片。
3.根据权利要求1所述的一种油气储集空间类型及其含量的识别方法,其特征在于:步骤二所述的重复卷积层和池化层所达到程度为:直至无法再进一步提取图像特征。
4.根据权利要求1所述的一种油气储集空间类型及其含量的识别方法,其特征在于:步骤三所述的用卷积神经网络对岩心样品图像进行训练,其具体方法是:用卷积神经网络对岩心样品图像中的储集空间类型及其含量进行识别。
5.根据权利要求1所述的一种油气储集空间类型及其含量的识别方法,其特征在于:步骤四所述的激活函数为sigmoid函数:tanh函数:或relu函数:f(x)=max(0,x),x为自变量。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西京学院,未经西京学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910857195.4/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种改进的基于矿物组成的页岩脆性指数确定方法
- 下一篇:一种样品制备工艺方法