[发明专利]基于三维卷积神经网络的多孔介质渗透率的预测方法

权利要求书

1.一种基于三维卷积神经网络的多孔介质渗透率的预测方法，其特征在于，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。

2.根据权利要求1所述的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，

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。

3.根据权利要求2所述的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，

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}。

4.根据权利要求2所述的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，

所述人工神经网络的隐藏层的权重采用正则化技术处理。

5.根据权利要求4所述的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，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，为人工神经网络的损失函数，为L2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，为预测值与真实值之间的差距的平方值，λ为正则化参数，取值为0.01，l为隐藏层的权重数量，ω_i为人工神经网络层的待学习的参数。

6.根据权利要求1所述的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，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％。

7.根据权利要求6所述的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，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。

8.根据权利要求6所述的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，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。