基于生成对抗神经网络的数字岩心重构方法及系统[发明专利]

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202010242671.4
(22)申请日 2020.03.31
(71)申请人 中国石油大学(北京)
地址 102249 北京市昌平区府学路18号
(72)发明人 王付勇　赵久玉　
(74)专利代理机构 北京三友知识产权代理有限
公司 11127
代理人 赵平　周永君
(51)Int.Cl.
G06N 3/04(2006.01)
G06T 17/00(2006.01)
(54)发明名称
基于生成对抗神经网络的数字岩心重构方
法及系统
(57)摘要
本发明提供一种基于生成对抗神经网络的
数字岩心重构方法及系统。

该方法包括：执行迭
代处理：根据生成器的权重矩阵和生成器的偏置
对历史噪声数据进行处理得到生成样本；根据判
别器的权重和判别器的偏置对生成样本进行处
理得到生成样本判别概率；根据判别器的权重和
判别器的偏置对真实样本进行处理得到真实样
本判别概率；根据生成样本判别概率和真实样本
判别概率确定损失函数；当当前迭代次数达到预
设迭代次数时，根据当前迭代中的生成器的权重
矩阵和生成器的偏置对当前噪声数据进行处理
得到数字岩心模型，否则根据损失函数更新生成
器的权重矩阵、生成器的偏置、判别器的权重和
判别器的偏置，可以提高重建效率，令数字岩心
符合真实岩心的分布特征。

权利要求书3页 说明书13页 附图7页CN 111461303 A 2020.07.28
C N 111461303
A
1.一种基于生成对抗神经网络的数字岩心重构方法，其特征在于，包括：
执行如下迭代处理：
根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理，得到生成样本；
根据判别器的权重和判别器的偏置对所述生成样本进行处理，得到生成样本判别概率；
根据所述判别器的权重和所述判别器的偏置对真实样本进行处理，得到真实样本判别概率；
根据所述生成样本判别概率和所述真实样本判别概率确定损失函数；
判断当前迭代次数是否达到预设迭代次数；
当所述当前迭代次数达到预设迭代次数时，根据当前迭代中的生成器的权重矩阵和生成器的偏置对当前噪声数据进行处理，得到数字岩心模型，否则根据所述损失函数更新所述生成器的权重矩阵、所述生成器的偏置、所述判别器的权重和所述判别器的偏置，继续执行所述迭代处理。

2.根据权利要求1所述的基于生成对抗神经网络的数字岩心重构方法，其特征在于，所述生成器的权重矩阵包括生成器的转置卷积层的转置卷积核权重矩阵、生成器的转置卷积层的卷积核权重矩阵和生成器的卷积层的卷积核权重矩阵，所述生成器的偏置包括生成器的转置卷积层的转置卷积核偏置和生成器的卷积层的卷积核偏置；
根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理，得到生成样本包括：
根据所述生成器的转置卷积层的转置卷积核权重矩阵对所述历史噪声数据进行转置卷积处理，得到生成器的转置卷积层的转置卷积核输出结果；
根据所述生成器的转置卷积层的卷积核权重矩阵对所述生成器的转置卷积层的转置卷积核输出结果进行卷积处理，得到生成器的转置卷积层的卷积核输出结果；
根据所述生成器的转置卷积层的转置卷积核偏置和第一生成器激活函数对所述生成器的转置卷积层的卷积核输出结果进行非线性变换，得到生成器的转置卷积层的转置卷积核输出特征图；
根据所述生成器的卷积层的卷积核权重矩阵、生成器的卷积层的卷积核偏置和第二生成器激活函数对所述生成器的转置卷积层的转置卷积核输出特征图进行卷积处理，得到生成器的卷积层的卷积核输出特征图；
通过第三生成器激活函数对所述生成器的卷积层的卷积核输出特征图进行非线性变换，得到生成样本。

3.根据权利要求1所述的基于生成对抗神经网络的数字岩心重构方法，其特征在于，所述判别器的权重包括判别器的卷积层的卷积核权重矩阵和判别器的全连接层的神经元权重，所述判别器的偏置包括判别器的卷积层的卷积核偏置和判别器的全连接层的神经元偏置；
根据判别器的权重和判别器的偏置对所述生成样本进行处理，得到生成样本判别概率包括：
根据所述判别器的卷积层的卷积核权重矩阵、所述判别器的卷积层的卷积核偏置和第
一判别器激活函数对所述生成样本进行卷积处理，得到判别器的卷积层的卷积核生成特征图；
根据所述判别器的全连接层的神经元权重、所述判别器的全连接层的神经元偏置和第二判别器激活函数对所述判别器的卷积层的卷积核生成特征图进行非线性变换，得到判别器的全连接层的神经元生成结果；
通过第三判别器激活函数对所述判别器的全连接层的神经元生成结果进行非线性变换，得到生成样本判别概率。

4.根据权利要求3所述的基于生成对抗神经网络的数字岩心重构方法，其特征在于，根据所述判别器的权重和所述判别器的偏置对真实样本进行处理，得到真实样本判别概率包括：
根据所述判别器的卷积层的卷积核权重矩阵、所述判别器的卷积层的卷积核偏置和第一判别器激活函数对所述真实样本进行卷积处理，得到判别器的卷积层的卷积核真实特征图；
根据所述判别器的全连接层的神经元权重、所述判别器的全连接层的神经元偏置和第二判别器激活函数对所述判别器的卷积层的卷积核真实特征图进行非线性变换，得到判别器的全连接层的神经元真实结果；
通过第三判别器激活函数对所述判别器的全连接层的神经元真实结果进行非线性变换，得到真实样本判别概率。

5.一种基于生成对抗神经网络的数字岩心重构系统，其特征在于，包括：
生成样本单元，用于根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理，得到生成样本；
生成样本判别概率单元，用于根据判别器的权重和判别器的偏置对所述生成样本进行处理，得到生成样本判别概率；
真实样本判别概率单元，用于根据所述判别器的权重和所述判别器的偏置对真实样本进行处理，得到真实样本判别概率；
损失函数单元，用于根据所述生成样本判别概率和所述真实样本判别概率确定损失函数；
判断单元，用于判断当前迭代次数是否达到预设迭代次数；
数字岩心模型单元，用于根据当前迭代中的生成器的权重矩阵和生成器的偏置对当前噪声数据进行处理，得到数字岩心模型；
迭代更新单元，用于根据所述损失函数更新所述生成器的权重矩阵、所述生成器的偏置、所述判别器的权重和所述判别器的偏置。

6.根据权利要求5所述的基于生成对抗神经网络的数字岩心重构系统，其特征在于，所述生成器的权重矩阵包括生成器的转置卷积层的转置卷积核权重矩阵、生成器的转置卷积层的卷积核权重矩阵和生成器的卷积层的卷积核权重矩阵，所述生成器的偏置包括生成器的转置卷积层的转置卷积核偏置和生成器的卷积层的卷积核偏置；
所述生成样本单元具体用于：
根据所述生成器的转置卷积层的转置卷积核权重矩阵对所述历史噪声数据进行转置卷积处理，得到生成器的转置卷积层的转置卷积核输出结果；
根据所述生成器的转置卷积层的卷积核权重矩阵对所述生成器的转置卷积层的转置卷积核输出结果进行卷积处理，得到生成器的转置卷积层的卷积核输出结果；
根据所述生成器的转置卷积层的转置卷积核偏置和第一生成器激活函数对所述生成器的转置卷积层的卷积核输出结果进行非线性变换，得到生成器的转置卷积层的转置卷积核输出特征图；
根据所述生成器的卷积层的卷积核权重矩阵、生成器的卷积层的卷积核偏置和第二生成器激活函数对所述生成器的转置卷积层的转置卷积核输出特征图进行卷积处理，得到生成器的卷积层的卷积核输出特征图；
通过第三生成器激活函数对所述生成器的卷积层的卷积核输出特征图进行非线性变换，得到生成样本。

7.根据权利要求5所述的基于生成对抗神经网络的数字岩心重构系统，其特征在于，所述判别器的权重包括判别器的卷积层的卷积核权重矩阵和判别器的全连接层的神经元权重，所述判别器的偏置包括判别器的卷积层的卷积核偏置和判别器的全连接层的神经元偏置；
所述生成样本判别概率单元具体用于：
根据所述判别器的卷积层的卷积核权重矩阵、所述判别器的卷积层的卷积核偏置和第一判别器激活函数对所述生成样本进行卷积处理，得到判别器的卷积层的卷积核生成特征图；
根据所述判别器的全连接层的神经元权重、所述判别器的全连接层的神经元偏置和第二判别器激活函数对所述判别器的卷积层的卷积核生成特征图进行非线性变换，得到判别器的全连接层的神经元生成结果；
通过第三判别器激活函数对所述判别器的全连接层的神经元生成结果进行非线性变换，得到生成样本判别概率。

8.根据权利要求7所述的基于生成对抗神经网络的数字岩心重构系统，其特征在于，所述真实样本判别概率单元具体用于：
根据所述判别器的卷积层的卷积核权重矩阵、所述判别器的卷积层的卷积核偏置和第一判别器激活函数对所述真实样本进行卷积处理，得到判别器的卷积层的卷积核真实特征图；
根据所述判别器的全连接层的神经元权重、所述判别器的全连接层的神经元偏置和第二判别器激活函数对所述判别器的卷积层的卷积核真实特征图进行非线性变换，得到判别器的全连接层的神经元真实结果；
通过第三判别器激活函数对所述判别器的全连接层的神经元真实结果进行非线性变换，得到真实样本判别概率。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一项所述的基于生成对抗神经网络的数字岩心重构方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4任一项所述的基于生成对抗神经网络的数字岩心重构方法的步骤。

基于生成对抗神经网络的数字岩心重构方法及系统
技术领域
[0001]本发明涉及数字岩心重构技术领域，具体地，涉及一种基于生成对抗神经网络的数字岩心重构方法及系统。

背景技术
[0002]随着近年来CT扫描等微观成像技术的发展，数字岩心能够更加准确地描述三维空间中岩心各种组分的空间分布，同时，数字岩心本身还是研究微观渗流规律的重要平台。

此外，基于数字岩心模型，还可以研究岩心的导电性和声波特性。

[0003]目前，应用生成对抗神经网络重构数字岩心的技术正处于起步阶段，其流程复杂，重构效率低下且得到的数字岩心的连通性较差，与真实岩心存在误差。

发明内容
[0004]本发明实施例的主要目的在于提供一种基于生成对抗神经网络的数字岩心重构方法及系统，以简化重构过程，提高重构效率，令数字岩心更加符合真实岩心的分布特征。

[0005]为了实现上述目的，本发明实施例提供一种基于生成对抗神经网络的数字岩心重构方法，包括：
[0006]执行如下迭代处理：
[0007]根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理，得到生成样本；
[0008]根据判别器的权重和判别器的偏置对生成样本进行处理，得到生成样本判别概率；
[0009]根据判别器的权重和判别器的偏置对真实样本进行处理，得到真实样本判别概率；
[0010]根据生成样本判别概率和真实样本判别概率确定损失函数；
[0011]判断当前迭代次数是否达到预设迭代次数；
[0012]当当前迭代次数达到预设迭代次数时，根据当前迭代中的生成器的权重矩阵和生成器的偏置对当前噪声数据进行处理，得到数字岩心模型，否则根据损失函数更新生成器的权重矩阵、生成器的偏置、判别器的权重和判别器的偏置，继续执行迭代处理。

[0013]本发明实施例还提供一种基于生成对抗神经网络的数字岩心重构系统，包括：[0014]生成样本单元，用于根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理，得到生成样本；
[0015]生成样本判别概率单元，用于根据判别器的权重和判别器的偏置对生成样本进行处理，得到生成样本判别概率；
[0016]真实样本判别概率单元，用于根据判别器的权重和判别器的偏置对真实样本进行处理，得到真实样本判别概率；
[0017]损失函数单元，用于根据生成样本判别概率和真实样本判别概率确定损失函数；
[0018]判断单元，用于判断当前迭代次数是否达到预设迭代次数；
[0019]数字岩心模型单元，用于根据当前迭代中的生成器的权重矩阵和生成器的偏置对当前噪声数据进行处理，得到数字岩心模型；
[0020]迭代更新单元，用于根据损失函数更新生成器的权重矩阵、生成器的偏置、判别器的权重和判别器的偏置，继续执行迭代处理。

[0021]本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，处理器执行计算机程序时实现所述的基于生成对抗神经网络的数字岩心重构方法的步骤。

[0022]本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现所述的基于生成对抗神经网络的数字岩心重构方法的步骤。

[0023]本发明实施例的基于生成对抗神经网络的数字岩心重构方法及系统执行迭代处理：先根据生成器参数处理历史噪声数据以得到生成样本，再根据判别器参数分别处理生成样本和真实样本以得到损失函数，当当前迭代次数达到预设迭代次数时根据当前迭代中的生成器参数处理当前噪声数据以得到数字岩心模型，否则根据损失函数更新生成器参数和判别器参数，继续执行迭代处理，可以简化重构过程，提高重构效率，令数字岩心更加符合真实岩心的分布特征，进一步为分析岩心结构特征和微观流动模拟提供支持，为研究孔隙结构和微观流动模拟提供平台。

附图说明
[0024]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0025]图1是本发明实施例中基于生成对抗神经网络的数字岩心重构方法的流程图；[0026]图2是本发明实施例中S101的流程图；
[0027]图3是本发明实施例中S102的流程图；
[0028]图4是本发明实施例中S103的流程图。

[0029]图5是本发明实施例中岩心扫描图像的示意图；
[0030]图6是本发明实施例中真实样本的示意图；
[0031]图7是本发明实施例中数字岩心模型的示意图；
[0032]图8是本发明实施例中两点概率函数曲线的对比示意图；
[0033]图9是本发明实施例中基于生成对抗神经网络的数字岩心重构系统的结构框图；[0034]图10是本发明实施例中计算机设备的结构框图。

具体实施方式
[0035]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0036]本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。

因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

[0037]鉴于现有技术流程复杂，重构效率低下且得到的数字岩心与真实岩心存在误差，本发明实施例提供一种基于生成对抗神经网络的数字岩心重构方法，可以简化重构过程，提高重构效率，令数字岩心更加符合真实岩心的分布特征。

以下结合附图对本发明进行详细说明。

[0038]生成对抗神经网络(Generative Adversarial Networks,GAN)是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。

其主要思想来源于博弈论中的零和博弈，就是通过生成器G(Generator)和判别器D(Discriminator)不断博弈，进而使生成器G学习到数据的分布，使得生成器G能够产生于实际较为符合的输出。

[0039]图1是本发明实施例中基于生成对抗神经网络的数字岩心重构方法的流程图。

如图1所示，基于生成对抗神经网络的数字岩心重构方法包括：
[0040]执行如下迭代处理：
[0041]S101：根据生成器的权重矩阵和生成器的偏置对预设的历史噪声数据进行处理，得到生成样本。

[0042]其中，生成器的权重矩阵包括生成器的三维转置卷积层的转置卷积核权重矩阵、生成器的三维转置卷积层的卷积核权重矩阵和生成器的三维卷积层的卷积核权重矩阵；生成器的偏置包括生成器的转置卷积层的转置卷积核偏置和生成器的卷积层的卷积核偏置。

[0043]图2是本发明实施例中S101的流程图。

如图2所示，S101包括：
[0044]S201：根据生成器的转置卷积层的转置卷积核权重矩阵对历史噪声数据进行转置卷积处理，得到生成器的转置卷积层的转置卷积核输出结果。

[0045]其中，历史噪声数据为一维数据；生成器为三维生成器，采用三维卷积神经网络，用于生成生成样本G(z)。

生成器的三维卷积神经网络包括一个输入层、n1个转置卷积层、一个卷积层，一个全连接层以及一个输出层。

输入层接收一个随机的历史噪声数据z，随后经过一个全连接层的激活函数对历史噪声数据进行映射，将映射后的历史噪声数据为生成器的第0个转置卷积层的第j1个转置卷积核输入结果z0，j1。

其中，全连接层的激活函数为Relu 函数(Relu(x)＝max(0,x))，转置卷积层的数量可以为3。

[0046]具体实施时，通过如下公式得到生成器的转置卷积层的转置卷积核输出结果：
[0047]
[0048]其中，z′i1,j1为生成器的第i1个转置卷积层的第j1个转置卷积核输出结果，ωi1,j1为生成器的第i1个转置卷积层的第j1个转置卷积核的权重矩阵，z i1-1,j1为生成器的第i1-1个转置卷积层的第j 1个转置卷积核输出结果，为转置卷积计算。

[0049]S202：根据生成器的转置卷积层的卷积核权重矩阵对生成器的转置卷积层的转置卷积核输出结果进行卷积处理，得到生成器的转置卷积层的卷积核输出结果。

[0050]具体实施时，通过如下公式得到生成器的转置卷积层的卷积核输出结果：[0051]z″i1,j1＝w i1,j1*z′i1,j1；
[0052]其中，z″i1,j1为生成器的第i1个转置卷积层的第j1个卷积核输出结果，w i1,j1为生成
器的第i1个转置卷积层的第j1个卷积核的权重矩阵，*为卷积计算。

[0053]S203：根据生成器的转置卷积层的转置卷积核偏置和第一生成器激活函数对生成器的转置卷积层的卷积核输出结果进行非线性变换，得到生成器的转置卷积层的转置卷积核输出特征图。

[0054]具体实施时，通过如下公式得到生成器的转置卷积层的转置卷积核输出特征图：[0055]z i1,j1＝f1(z″i1,j1+b i1,j1)；
[0056]其中，z i1,j1为生成器的第i1个转置卷积层的第j1个转置卷积核输出特征图，b i1,j1为生成器的第i1个转置卷积层的第j1个转置卷积核偏置，f1为第一生成器激活函数，可以为Relu函数，因此f1(z″i1,j1+b i1,j1)＝max(0,z″i1,j1+b i1,j1)。

[0057]一实施例中，可以先对生成器的转置卷积层的卷积核输出特征图进行批标准化处理，再对经过批标准化处理的生成器的转置卷积层的卷积核输出结果进行非线性变换。

[0058]S204：根据生成器的卷积层的卷积核权重矩阵、生成器的卷积层的卷积核偏置和第二生成器激活函数对生成器的转置卷积层的转置卷积核输出特征图进行卷积处理，得到生成器的卷积层的卷积核输出特征图。

[0059]具体实施时，通过如下公式得到生成器的卷积层的卷积核输出特征图：[0060]Z j1＝f2(w j1*z n1,j1+b j1)；
[0061]其中，Z j1为生成器的卷积层的第j1个卷积核输出特征图，w j1为生成器的卷积层的第j1个卷积核权重矩阵，z n1,j1为生成器的第n1个转置卷积层的第j1个转置卷积核输出特征图，b j1为生成器的卷积层的第j1个卷积核偏置。

f2为第二生成器激活函数，可以为Leaky Relu函数，因此f2(w'j1*z n1,j1+b'j1)＝max(α(w'j1*z n1,j1+b'j1),w'j1*z n1,j1+b'j1)，α为函数系数，可以为0.2。

[0062]S205：通过第三生成器激活函数对生成器的卷积层的卷积核输出特征图进行非线性变换，得到生成样本。

[0063]其中，第三生成器激活函数f3为tanh函数生成样本为G(z)。

[0064]S102：根据判别器的权重和判别器的偏置对生成样本进行处理，得到生成样本判别概率。

[0065]其中，判别器的权重包括判别器的三维卷积层的卷积核权重矩阵和判别器的全连接层的神经元权重；判别器的偏置包括判别器的卷积层的卷积核偏置和判别器的全连接层的神经元偏置。

[0066]图3是本发明实施例中S102的流程图。

如图3所示，S102包括：
[0067]S301：根据判别器的卷积层的卷积核权重矩阵、判别器的卷积层的卷积核偏置和第一判别器激活函数对生成样本进行卷积处理，得到判别器的卷积层的卷积核生成特征图。

[0068]判别器为三维判别器，采用三维卷积神经网络，用于判别输入的样本是否符合实际。

判别器的三维卷积神经网络包括一个输入层、n2个卷积层、一个全连接层以及一个输出层。

将生成样本G(z)经过输入层的输出结果作为判别器的第0个卷积层的第j2个卷积核真实特征图x'0，j2。

[0069]具体实施时，通过如下公式得到判别器的卷积层的卷积核生成特征图：。