[发明专利]基于深度学习和支持向量机的页岩数字岩心三维重构方法

说明书

本发明涉及一种基于深度学习和支持向量机(SVM，Support Vector Machine)的页岩数字岩心三维重构方法，包括以下步骤：S1，利用三维数据模板扫描真实页岩岩心的体数据，获得页岩岩心的三维模式库；S2，采用深度信念网络(DBN，Deep Belief Networks)对三维模式库进行特征提取；S3，利用SVM对提取的特征进行分类，形成各个特征的类集合{Category_i，i＝1,2,3…}；S4，利用多点地质统计法重构数字岩心。与现有技术相比，本发明使用深度学习和支持向量机进行页岩数字岩心的重构，深度学习具有很强的提取训练图像本质特征的能力，而支持向量机可以对页岩的结构特征分类，再利用多点地质统计法可以有效重构页岩数字岩心。

技术领域

本发明涉及一种数字岩心三维重构方法，尤其是涉及一种基于深度学习和支 持向量机的页岩数字岩心三维重构方法。

背景技术

随着常规气藏的不断衰竭，页岩气藏等非常规油气资源的开发生产日益受到重视。页岩气在储层中旳流动是一个复杂的多尺度流动过程，气体流动机理明显不同 于常规气藏。作为页岩气的储集和流动载体，页岩储层的岩石孔隙结构复杂，孔隙 尺寸从纳米到微米不等，同时还伴有天然发育的微裂缝，而且不同尺寸的孔隙、裂 缝中气体的赋存状态与运动特征不同。页岩内部孔隙、裂缝及孔隙中流体的耦合作 用直接影响着页岩的物理、力学性质，其中页岩孔隙—微裂缝结构特征直接影响着 页岩气藏的储能与内部流体的渗流行为。因此，准确、定量地表征页岩孔隙—微裂 缝结构特征对于页岩中微细观渗流机理的研究有着重要理论意义。

岩心常规实验方法借助实验手段来观测岩石表观性质的变化，来间接地反映岩石孔隙结构及其对物理、力学等宏观性质的影响。这种表观上的观测不能定量地解 析岩石内部孔隙的连通性，也无法对决定岩石的表观性质的内部机制进行研究。页 岩岩心受储层疏松度的影响，获取比较困难，可供实验研究的岩心数量有限。而且 由于实验设备获得的页岩岩样大多是微米或毫米尺度，如果要获得更大尺度和范围 内的孔隙结构，必须通过对其特征的三维重构才能实现。通过数值方法重构页岩的 三维微观结构模型，即数字岩心，能够再现页岩复杂的微观结构，克服了常规岩石 物理实验测量存在的问题，在此基础上可以开展微观尺度或者是更大尺度上的页岩 物理属性的分析。因此研究三维页岩数字岩心的重构方法对于以微细观渗流机理为 基础的提高页岩气采收率的研究具有重要的理论指导作用，对页岩储层物性解释具 有重要的应用价值。

数字岩心是研究岩石孔隙和微观渗流理论的基础平台，数字岩心建模方法可分为两大类：物理实验方法和数值重构方法。建立数字岩心的数值重构法通常以岩心 切片图像为基础，借助各种不同的统计方法或者机器学习方法来建立数字岩心。近 年来，机器学习算法迅猛发展。2006年，《Science》中的一篇文章提出了“深度学 习”的概念，掀起了新一轮机器学习的热潮。Hinton等人提出的深度信念网络(DBN， Deep Belief Networks)是“深度学习”的一种典型方法，使用连续层的二进制或真 值的变量来学习高层表示的分布，为提取复杂模式中的本质特征提供了有力的工具。 另外一种机器学习算法—“支持向量机”(SVM，Support Vector Machine)是一种通 用学习机器，是统计学习理论的一种实现方法。SVM将输入向量映射到一个高维 的特征空间，并在该特征空间中构造最优分类面。因此，SVM成为了为复杂模式 分类的强有力工具。

如上所述，由于页岩内部多种尺度的孔隙共存，包含微米级和纳米级的孔隙和 微裂缝，传统页岩数字岩心重构方法无法较好地描述页岩中复杂的孔隙-微裂缝结 构，使得重构的页岩岩心难以达到研究微观渗流机理的要求，为利用数值方法重构 数字岩心带来极大的挑战。因此基于深度学习的特征提取能力和支持向量机的分类 功能，需要实现一种任意尺度下的页岩数字岩心重构方法。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种实现一种任 意尺度下的基于深度学习和支持向量机的页岩数字岩心三维重构方法。

本发明的目的可以通过以下技术方案来实现：