[发明专利]一种基于LSTM的多孔介质渗透率的预测方法

权利要求书

1.一种基于LSTM的多孔介质渗透率的预测方法，其特征在于，包括以下步骤：

(1)计算出多孔介质的渗透率；

(2)将多孔介质的三维孔隙结构图像经切分后形成二维灰度图像切片序列；

(3)将二维灰度图像切片序列中每一张切片进行几何图像特征的提取，并分别组成包括孔隙度、二维比表面积与二维欧拉数的多个特征序列；

(4)将步骤(3)的多个特征序列与步骤(1)的渗透率组成样本集并划分为训练集与测试集，其中训练集用作LSTM神经网络的训练，以获取最佳的模型参数；测试集用作评估模型的预测能力。

2.根据权利要求1所述的基于LSTM的多孔介质渗透率的预测方法，其特征在于：步骤(2)具体为，将多孔介质的三维孔隙结构图像沿待求渗透率的方向，切分后形成连续的二维灰度图像切片序列。

3.根据权利要求1或2所述的基于LSTM的多孔介质渗透率的预测方法，其特征在于：步骤(3)具体为，将每一张灰度图像切片中的1值像素表示为固相，则0值像素表示为孔隙；再提取出孔隙度、二维比表面积与二维欧拉数从而组成一维序列；所述孔隙度定义为孔隙所占面积与切片面积的比值，表示方法为孔隙像素数与切片图像总像素数之比；二维比表面积定义为切片内所有孔隙的总周长与切片面积的比值，表示方法为孔隙边缘的像素数与孔隙像素数之比；二维欧拉数定义为1值像素的连通组件数与其中孔洞数的差值，孔洞是以前景即1值为边界的背景即0值的区域。。

4.根据权利要求3所述的基于LSTM的多孔介质渗透率的预测方法，其特征在于：步骤(4)具体为，将步骤(3)的一维特征序列拼接成的T×n矩阵加以表征，其中T为多孔介质切分的个数，n为一维特征序列数量；以步骤(1)计算得到的渗透率作为标签值，从而组成样本集；样本集按照7:3划分为训练集与测试集；根据多孔介质的特征序列矩阵构建相应的LSTM模型；LSTM模型的时间步即为多孔介质的切片数；以训练集的特征序列矩阵、对应的渗透率标签值作为输入，对所建立的LSTM进行训练以调整网络的权重参数；测试集用以测试模型的预测能力；根据测试集预测结果的好坏，调整网络的结构与超参数。

5.根据权利要求4所述的基于LSTM的多孔介质渗透率的预测方法，其特征在于，步骤(4)所述的LSTM网络采用以下方式控制信息的流动：

其中，给定输入特征序列矩阵T为输入序列长度，x_t＝[孔隙度_t 比周_t 欧拉数_t]为t时刻，即第t个切片的输入；W_*、b_*和U_*是神经网络的可学习参数,*∈{c,i,f,o}；i_t、f_t与o_t，分别表示t时刻的网络的输入、遗忘与输出函数，c_t与h_t分别表示t时刻的网络的候选状态、内部状态与外部状态；σ表示控制门的激励函数，tanh表示状态的激励函数，⊙表示矩阵相乘。