[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

说明书

本发明公开了一种基于深度学习的煤岩数据生成及渗透率预测方法，对煤岩二维切片图像进行预处理，拼接图像得到三维二值化数据；使用CGAN模型生成图像数据，采用斯托克斯方程和达西定律进行渗透率计算；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。本发明采用Transform模型+CNN模型建立具有空间特征选择以及序列特征补充来预测渗透率，保证了序列图的相关性特征，得到更高精度的预测结果。通过深度学习，弥补了数据不足带来的模型欠拟合的问题，并为大尺寸图像在卷积过程中训练困难，提供一种基于融合采样图像切片以及非采样切片的特征，为模型训练带来更高的可行性，便于模型训练以及减小对训练设备的需求，增强其方案的部署可能性。

技术领域

本发明属于煤岩开发数据挖掘技术领域，尤其是涉及一种基于深度学习的煤岩数据生成及渗透率预测方法。

背景技术

煤岩渗透率对于煤岩领域的相关开发和研究具有深远意义。在实际场景中，煤层在沉积后常遭受多期次构造运动，遭受多次不同方向的构造应力场挤压，进而使得原始结构发生破坏，产生破坏变形，形成大量天然裂隙。在煤层气开采过程中，由于排水降压作用，使得煤储层原始应力状态发生改变，煤储层中孔裂隙产生变形，进而影响渗透率发生动态变化，多种因素的共同影响，增加了对于煤岩数据渗透率进行快速有效预测的难度。

煤岩渗透率预测方法可分为基于物理模拟和基于深度学习两种方案，物理模拟主要是根据已有2D或3D数据进行相关的结构提取、流数据模拟进行估计，实现对渗透率的预测，这样的做法往往需要花费较多的时间进行处理和分析。在实际场景中，往往需要更加快速的方法进行更加实时的预测，而对于深度学习的煤岩渗透率预测相关研究较少，而岩石类渗透率预测的方法主要根据随机高斯进行随机的数据生成进行渗透率预测，利用二维切片构建2D到3D渗透率的对应关系，根据图像数据的一些相关物理特征进行渗透率预测，这些做法往往对于数据信息的破坏较大，难以对图像数据进行有效的结构说明和特征转换，或因数据量的匮乏，其预测模型相对来说具有较弱的相关性和可信性，导致难以在真实场景中进行应用推广。

目前，在利用机器学习预测煤层渗透率的方法中，大多基于单一的机器学习模型，这种机器学习方法简单快捷，利用大量的数据建立模型，理论上训练数据越多，得到的预测模型越稳定，通过深度学习方法在大量数据集上进行可靠训练可以快速正确地预测出煤岩渗透率。但由此建立的预测模型的准确度和泛化性较差，而且极度依赖样本数量，尤其是当训练样本体量较小时，模型可能会出现较大误差。

发明内容

本发明要解决的问题是提供的一种基于深度学习的煤岩数据生成及渗透率预测方法，尤其是通过对煤岩数据进行处理,引入深度学习进行数据生成并为渗透率预测建立一个快速可行的序列化方案，能够避免以整体图像作为输入导致不可训练的情况发生。

为解决上述技术问题，本发明采用的技术方案是：一种基于深度学习的煤岩数据生成及渗透率预测方法，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。

进一步的，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。

进一步的，所述S12包括以下步骤，