[发明专利]一种基于LSTM的多孔介质渗透率的预测方法

说明书

本发明公开了一种基于LSTM的多孔介质渗透率的预测方法。该方法首先利用计算流体力学方法计算出多孔介质的渗透率并用作训练样本的标签值；将多孔介质进行切分并提取每一切片的几何图像特征，并组成一维特征序列；将特征序列拼接为二维矩阵，作为长短时记忆神经网络LSTM的输入，经过训练与调参后的网络能够预测出测试样本的渗透率。通过三维多孔介质样本进行神经网络的训练与测试，本方法能够很好地预测三维多孔介质的渗透率。该方法的最大优点在于对多孔介质三维孔隙结构数据的大幅压缩，压缩后的数据保存了空间上的序列性，然后利用深度学习LSTM的序列处理能力实现对三维多孔介质渗透率的精确预测。

技术领域

本发明涉及水力学、水文地质学、深度学习领域，具体涉及一种基于长短时记忆神经网络(LSTM)的多孔介质渗透率的预测方法。

背景技术

多孔介质渗透率的估算是地下水、石油开采、地下二氧化碳储存和核废料泄漏等领域的关键问题。渗透率估算的传统方法是Darcy压力梯度法。然而，达西实验的试验周期长、成本高，而且测试条件的微小变化往往会导致测量数据出现较大误差。根据达西定律，多孔介质渗透率由孔隙的几何形状决定。因此，将孔隙结构映射到渗透率可以转化为监督学习问题。许多研究人员采用机器学习回归方法建立替代模型以达到快速预测渗透率的目的。

建立上述替代模型的第一步也是最关键的一步是选择多孔介质的特征。许多研究人员倾向于使用深度学习的卷积神经网络(CNN)及其变体，通过卷积计算和池化操作等步骤对多孔介质的CT图像(可以是二维或三维)提取图像的深层特征向量(KamravaS,et al,Linking morphology of porous media to their macroscopic permeability by deeplearning[J].Transport in Porous Media,2020,131(2):427-448.)。借助CNN出色的图像处理能力，该方法可以有效地将自行提取的多孔介质特征与渗透率联系起来，因此具有较高的准确率。然而，CNN需要较多的训练样本，其训练过程相当复杂，消耗大量的计算资源和时间，尤其是在3D卷积计算的情况下。

还有许多其他研究人员选择手动提取多孔介质的结构特征。他们尝试提取多孔介质图像的几何形态特征参数，如比表面积、平均曲率积分等闵可夫斯基泛函或是提取表面-空间函数等多点相关函数作为人工神经网络(ANN)或其他监督学习模型的输入(etal.,Predicting permeability via statistical learning on higher-ordermicrostructural information[J].Scientific reports,2020,10(1):1-17)。与第一种方法相比，它需要的计算资源更少并且精度相当。然而，该方法提取的特征复杂且提取的方法繁琐，并且为了优化模型的预测结果，较为常见的方法是进行多种参数的组合，而这可能会导致过拟合。

发明内容

针对现有技术中存在的不足，本发明提供一种方法较为简单同时保持了高准确率的多孔介质渗透率预测方法，有效克服了当前应用深度学习卷积神经网络训练难度大、多孔介质结构特征提取复杂的问题，而且该方法的样本数据量也得以大幅压缩。

为了实现上述发明目的，本发明采用的技术方案为：

一种基于LSTM的多孔介质渗透率的预测方法，包括以下步骤：

(1)通过计算流体力学方法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。