[发明专利]一种结合卷积神经网络和页岩软数据的页岩重构方法

权利要求书

1.一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，包括下列步骤：

1)获取页岩样品的三维图像作为目标图像，从目标图像中随机获取部分页岩图像的硬数据；

2)对硬数据图像进行插值处理，获取页岩数据分布情况的估计值，将估计值作为输入的软数据；

3)将软数据图像输入卷积神经网络，输出重构图像。

2.根据权利要求1所述的一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，所述的卷积神经网络采用具有两层卷积层、两层池化层和三层全连接层的无监督卷积神经网络。

3.根据权利要求2所述的一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，步骤3)的具体内容为：

31)将软数据图像输入卷积神经网络的第一层卷积层，输出页岩图像的卷积特征；

32)对输出的页岩图像的卷积特征通过第一层池化层进行池化处理，对页岩图像的卷积特征进行降维；

33)将降维后的页岩图像的卷积特征进行第二层卷积和池化操作，获取页岩图像的局部特征；

34)将局部特征通过三层全连接层进行整合，获取全局信息，进而输出页岩重构图像。

4.根据权利要求3所述的一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，步骤32)中，采用最大值池化和平均值池化组合的混合池化方法对页岩图像的卷积特征进行降维。

5.根据权利要求3所述的一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，步骤34)中，隐藏层中的全连接层采用的激活函数为Sigmoid函数，输出层采用的激活函数为Tanh函数。

6.根据权利要求5所述的一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，所述Sigmoid函数的表达式为：

式中，x为当前隐藏层的输入值，即前一层隐藏层的输出值。

7.根据权利要求5所述的一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，所述Tanh函数的表达式为：

式中，x为当前隐藏层的输入值，即前一层隐藏层的输出值。

8.根据权利要求1所述的一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，步骤2)中，采用克里金算法对硬数据图像进行插值处理。

9.根据权利要求1所述的一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，在实际重构前，对卷积神经网络的参数进行优化，具体内容为：

给定目标图像的样例集x(n)，输入样品图像x经过卷积池化等计算求得重构的结果y_，利用交叉熵损失函数计算出y_与期望值y之间的差异，以损失函数最小化为目标函数进行参数优化，损失函数的表达式为：

loss＝-ylog(y_)-(1-y)log(1-y_)

10.根据权利要求9所述的一种结合卷积神经网络和页岩软数据的页岩重构方法，其特征在于，采用Adam算法对卷积神经网络的学习率进行动态设定，当目标函数震荡不收敛时，降低学习率，当目标函数收敛速度过慢时，增加学习率。