(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211144971.4 (22)申请日 2022.09.20 (71)申请人 西南石油大 学 地址 610500 四川省成 都市新都区新都大 道8号 (72)发明人 陈雁　严兆　李洋冰　方全堂　 杨志平　邓伟　李鹏旗　闫天宇　 安玉钏　 (74)专利代理 机构 北京正华智诚专利代理事务 所(普通合伙) 11870 专利代理师 王玲玲 (51)Int.Cl. G06T 3/00(2006.01) G06T 17/00(2006.01) G06N 3/04(2006.01) (54)发明名称 一种数字岩心重构方法 (57)摘要 本发明公开了一种数字岩心重构方法， 包括 以下步骤： S1： 将三维数字岩心图像转换为岩心 序列切片； S2： 将岩心序列切片转换为数字图像 矩阵； S3： 将数字图像矩阵作为生成对抗网络的 输入， 训练生成对抗网络； S4： 将岩心序列切片作 为改进长短期记忆神经网络的输入， 训练改进长 短期记忆神经网络， 并得到时序特征； S5： 将时序 特征输入至训练好的生成对抗网络中， 生成预测 岩心图像， 并将预测岩心图像转换为最新的数字 图像矩阵， 继续下一张三维数字岩心图像重构。 本发明利用长短期记忆神经网络能够精确的获 得样本序列图片的时序特征， 且生成对抗网络能 够生成清晰的数字岩心切片， 将 两者结合能够预 测生成清晰的数字岩心序列图像 。 权利要求书2页 说明书6页 附图2页 CN 115456867 A 2022.12.09 CN 115456867 A 1.一种数字岩心重构方法， 其特 征在于， 包括以下步骤： S1： 采集三维数字岩心图像， 并将三维数字岩心图像转换为岩心序列切片； S2： 对岩心序列切片进行 预处理， 将岩心序列切片转换为数字图像矩阵； S3： 将三维数字岩心图像的数字图像矩阵作为生成对抗网络的输入， 训练生成对抗网 络； S4： 将岩心序列切片作为改进长短期记忆神经网络的输入， 训练改进长短期记忆神经 网络， 并得到时序特 征； S5： 将时序 特征输入至训练好的生成对抗网络中， 生成预测 岩心图像， 并将预测 岩心图 像转换为 最新的数字图像矩阵， 继续下一张三维数字岩心图像重构。 2.根据权利要求1所述的数字岩心重构方法， 其特征在于， 所述步骤S1包括以下子步 骤： S11： 采集三维数字岩心图像， 并对三维数字岩心图像进行中值滤波处理， 得到岩心灰 度图像； S12： 对岩心灰度图像进行二 值化处理， 得到岩心二 值化图像； S13： 根据岩心的孔隙度确定岩心的重构尺寸， 并将岩心二值化图像转换为岩心序列切 片。 3.根据权利要求1所述的数字岩心重构方法， 其特征在于， 所述步骤S3中， 生成对抗网 络包括生成模型和判别模型。 4.根据权利要求3所述的数字岩心重构方法， 其特征在于， 所述生成模型包括第 一层生 成网络、 第二层生 成网络、 第三层生成网络、 第四层生成网络、 第五层生 成网络、 第六层生成 网络、 第七层生成网络和第八层生成网络； 所述第一层生成网络、 第二层生成网络、 第三层 生成网络、 第四层生成网络、 第五层生成网络、 第六层生 成网络和 第七层生 成网络的结构相 同， 均包括反卷积层、 归一化层和ReLu激活函数层； 所述第八层生成网络包括反卷积层和 Tanh激活函数层； 所述第一层生成网络用于接收数字图像矩阵， 并输出4*4分辨率的图像特征； 所述第二 层生成网络用于接收4*4分辨率的图像特征， 并输出8*8分辨率的图像特征； 所述第三层生 成网络用于接收8*8分辨率的图像特征， 并输出16*16分辨率的图像特征； 所述第四层生成 网络用于接收16*16分辨率的图像特征， 并输出32*32分辨率的图像特征； 所述第五层生成 网络用于接收32*32分辨率的图像特征， 并输出64*64分辨率的图像特征； 所述第六层生成 网络用于接收64*64分辨率的图像特征， 并输出128*128分辨率的图像特征； 所述第七层生 成网络用于接收128*128分辨率的图像特征， 并输出256*256分辨率的图像特征； 所述第八 层生成网络用于 接收256*256分辨率的图像特 征， 并输出512* 512分辨率的图像特 征。 5.根据权利要求3所述的数字岩心重构方法， 其特征在于， 所述判别模型包括第 一层判 别网络、 第二层判别网络、 第三层判别网络、 第四层判别网络、 第五层判别网络、 第六层判别 网络、 第七层判别网络和第八层判别网络； 所述第一层判别网络、 第二层判别网络、 第三层 判别网络、 第四层判别网络、 第五层判别网络、 第六层判别网络和 第七层判别网络的结构相 同， 均包括卷积层、 归一化层和LeakyReLu激活函数层； 所述第八层判别网络包括卷积层和 sigmoid激活函数层； 所述第一层判别网络用于接收512*512分辨率的图像特征， 并输出256*256分辨率的图权　利　要　求　书 1/2 页 2 CN 115456867 A 2像特征； 所述第二层判别网络用于接收256*256分辨率的图像特征， 并输出128*128分辨率 的图像特征； 所述第三层判别网络用于接收128*128分辨率的图像特征， 并输出64*64分辨 率的图像特征； 所述第四层判别网络用于接收64*64分辨率的图像特征， 并输出32*32分辨 率的图像特征； 所述第五层判别网络用于接收32*32分辨率的图像特征， 并输出16*16分辨 率的图像特征； 所述第六层判别网络用于接收16*16分辨率的图像特征， 并输出8*8分辨率 的图像特征； 所述第七层判别网络用于接收8*8分辨率的图像特征， 并输出4*4分辨率的图 像特征； 所述第八层判别网络用于接收4*4分辨率的图像特征， 并输出三 维数字岩心图像属 于真实图像的概 率。 6.根据权利要求1所述的数字岩心重构方法， 其特征在于， 所述步骤S4中， 训练改进长 短期记忆神经网络的具体方法为： 设置步长为20的滑动窗口， 通过滑动窗口将20张岩心序 列切片依次作为改进长短期记 忆神经网络的输入， 依次进行训练。 7.根据权利要求6所述的数字岩心重构方法， 其特征在于， 所述改进长短期记忆神经网 络包括第一层记忆神经网络、 第二层记忆神经网络、 第三层记忆神经网络、 第四层记忆神经 网络、 第五层记忆神经网络、 第六层记忆神经网络、 第七层记忆神经网络、 第八层记忆神经 网络、 第九层记忆神经网络和 第十层记忆神经网络； 所述第一层记忆神经网络、 第二层记忆 神经网络、 第三层记忆神经网络、 第四层记忆神经网络、 第五层记忆神经网络、 第六层记忆 神经网络、 第七层记忆神经网络、 第八层记忆神经网络和第九层记忆神经网络的结构相同， 均包括卷积层、 归一化层和LeakyReLu激活函数层； 所述第十层记忆神经网络包括全连接层 和LSTM层； 所述第一层记忆神经网络用于接收512*512分辨率的图像特征， 并输出256*256分辨率 的图像特征； 所述第二层记忆神经网络用于接收256*256分辨率的图像特征， 并输出128* 128分辨率的图像特征； 所述第三层记忆神经网络用于接收128*128分辨率的图像特征， 并 输出64*64分辨率的图像特征； 所述第四层记忆神经网络用于接收64*64分辨率的图像特 征， 并输出32*32分辨率的图像特征； 所述第五层记忆神经网络用于接收32*32分辨率的图 像特征， 并输出16*16分辨率的图像特征； 所述第六层记忆神经网络用于接收16*16分辨率 的图像特征， 并输出8*8分辨率的图像特征； 所述第七层记忆神经网络用于接收8*8分辨率 的图像特征， 并输出4*4分辨率的图像特征； 所述第 八层记忆神经网络用于接收4*4分辨率 的图像特征， 并输出2*2分辨率的图像特征； 所述第九层记忆神经网络用于接收2*2分辨率 的图像特征， 并输出1*1分辨率的图像特征； 所述第十层记忆神经网络用于接收2*2分辨率 的图像特 征， 并输出向量大小为1024的时序特 征。权　利　要　求　书 2/2 页 3 CN 115456867 A 3