[发明专利]一种基于深度学习的煤岩数据生成及渗透率预测方法

权利要求书

1.一种基于深度学习的煤岩数据生成及渗透率预测方法，其特征在于：包括以下步骤，

S1：数据处理，使收集的煤岩数据生成三维二值化数据；

S2：数据生成，将已有的真实数据采用CGAN的模型进行煤岩数据生成，通过斯托克斯方程和达西定律对其进行渗透率计算，获得相似且可靠的煤岩生成数据；

S3：渗透率预测，通过构建CNN和Transformer结构的并行化特征提取，得到融合特征进行渗透率预测。

2.根据权利要求1所述的一种基于深度学习的煤岩数据生成及渗透率预测方法，其特征在于：所述S1包括以下步骤，

S11：对收集的煤岩数据边缘进行裁剪，使所有切片图像裁剪到相同尺寸；

S12：对切片数据进行滤波降噪、自适应阈值与阈值分割共同作用，分割对孔隙结构进行获取，产生其对应的二值化图像；

S13：将切片进行序列维度拼接，生成三维二值化数据。

3.根据权利要求2所述的一种基于深度学习的煤岩数据生成及渗透率预测方法，其特征在于：所述S12包括以下步骤，

S121：将裁剪的切片图像分为具有特定特征的区域并将切片图像根据其孔-裂缝结构进行差异性的选择与提取；

S122：因其不同图像之间的差异性，其分割的阈值设定存在差异，采用自适应阈值分割的方法对切片进行合理的孔隙分割，生成对应的二值化切片数据；

S123：通过自适应分割以及阈值分割联合分割的方式增强分割的细节信息，自适应分割通过对局部特征进行均值化进行自适应的阈值调整，相对给定阈值进行分割更加注重细节信息，而阈值分割通过阈值划分能够极大保留整体结构上的孔隙信息。

4.根据权利要求3所述的一种基于深度学习的煤岩数据生成及渗透率预测方法，其特征在于：所述自适应分割公式为：

T_a＝mean(I_L)-C

式中：T_a为自适应产生的分割阈值，mean(I_L)是邻域面积的平均值，C是用于微调T_a所定义的常数值，f(x，y)为原始图像在像素位置(x，y)的灰度值，g₁(x，y)是根据自适应阈值分割产生的分类编号，在煤岩数字图像中，1表示实体基质，0表示孔隙结构；

所述阈值分割公式为：

式中：T_b为阈值分割的阈值设定，f(x，y)为原始图像在像素位置(x，y)的灰度值，g₂(x，y)是根据自适应阈值分割产生的分类编号，在煤岩数字图像中，1表示实体基质，0表示孔隙结构；

最终的切片分割公式为：

式中：g(x，y)是根据自适应阈值分割和阈值分割结果进行融合产生的分类编号。

5.根据权利要求1至4任一所述的一种基于深度学习的煤岩数据生成及渗透率预测方法，其特征在于：所述S2包括以下步骤，

S21：将已有的真实数据按照6：4的比例划分为训练集和测试集，利用训练集进行相关特征的提取以用于数据生成的条件信息，并通过对训练集进行压缩，压缩k倍到指定维度作为训练的真实数据，采用CGAN的模型利用上述处理后的数据进行煤岩数据生成；

S22：将生成的数据进行上采样k倍恢复到所需大小后采用LBM模拟孔隙结构中的流体运动，通过斯托克斯方程和达西定律对其进行渗透率计算，获得相似且可靠的煤岩生成数据。

6.根据权利要求5所述的一种基于深度学习的煤岩数据生成及渗透率预测方法，其特征在于：所述S21包括以下步骤，

S211：将数据处理好的数据根据其单个切片计算对应的孔隙面积，提取其孔隙面积比、曲率信息作为数据生成的条件信息；

S212：按比率将三维数据进行压缩，通过下采样的方式将数据维度对数据进行k倍压缩，以便为CGAN提供可行的输入。