(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 202210805277.6 (22)申请日 2022.07.08 (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 王平全　冉超　付旻皓　王秋润　 饶佳宝　谢刚　 (74)专利代理 机构 北京润平知识产权代理有限 公司 11283 专利代理师 高英英 (51)Int.Cl. G06T 17/00(2006.01) G06T 5/00(2006.01) G06T 7/136(2017.01) G06V 10/82(2022.01)G06V 10/774(2022.01) G06V 20/70(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种模拟页岩基质纳微米孔隙的数字岩心 构建方法及系统 (57)摘要 本发明涉及一种模拟页岩基质纳微米孔隙 的数字岩心构建方法及系统， 本发明通过 获取CT 扫描页岩基质岩心数据， 将所述CT扫描页 岩基质 岩心数据经过预处理后得到岩心训练数据集； 基 于双判别器生成对抗网络， 构建网络模型， 并将 所述岩心训练数据集与高斯噪声对所述网络进 行训练， 得到较优模型； 逐步优化所述网络参数 并训练网络， 得到双判别器生 成对抗网络的最优 模型； 将随机噪声输入到所述最优模型中， 得到 目标数字岩心。 与现有技术相比， 本发明解决了 传统构建页岩基质数字岩心方法时间长、 成本高 的问题， 提高了页岩基质纳微米级孔隙三维重构 精度。 权利要求书2页 说明书7页 附图5页 CN 115115783 A 2022.09.27 CN 115115783 A 1.一种模拟页岩基质纳微米孔隙的数字岩心构建方法， 其特 征在于， 包括以下步骤： 获取岩心训练数据集， 所述岩心训练数据集 为CT扫描岩心图像经 预处理后的数据； 利用所述岩心训练数据集与高斯噪声对双判别器生成对抗网络进行训练， 获得双判别 器生成对抗网络模型， 其中， 所述双判别器生成对抗网络为训练数字岩心的网络； 优化所述双判别器生成对抗网络的参数并训练网络， 得到所述双判别器生成对抗网络 的最优模型， 其中， 所述最优模型包括生成器以及从粗粒度方面判别的第一判别器和从细 粒度方面判别的第二判别器； 将随机噪声输入到所述 最优模型中， 得到目标 数字岩心。 2.一种模拟页岩基质纳微米孔隙的数字岩心构建系统， 其特 征在于， 包括： 获取模块， 用于获取岩心训练数据集， 所述岩心训练数据集为CT扫描岩心图像经预处 理后的数据； 训练模块， 用于利用所述岩心训练数据集与高斯噪声对双判别器生成对抗网络进行训 练， 获得双判别器生成对抗网络模型， 其中， 所述双判别器生成对抗网络为训练数字岩心的 网络； 优化模块， 用于优化所述双判别器生成对抗网络的参数并训练网络， 得到所述双判别 器生成对抗网络的最优模型， 其中， 所述最优模型包括用于从粗粒度方面判别的第一判别 器和用于从细粒度方面判别的第二判别器； 生成模块， 用于将随机噪声输入到所述 最优模型中， 得到目标 数字岩心。 3.根据权利要求1所述的数字岩心构建方法或根据权利要求2所述的数字岩心构建系 统， 其特征在于， 所述获取岩心训练数据集， 具体包括： 对获取的岩心样本进行CT扫描， 得到初始岩心图像； 对所述初始岩心图像使用中值滤波 进行去噪处 理， 得到去噪后的岩心图像； 对所述去噪后的岩心图像进行二 值化处理， 得到所述岩心训练数据集。 4.根据权利要求3所述的数字岩心构建方法或系统， 其特征在于， 所述第 一判别器采用 生成对抗网络中的判别器， 所述第二判别器采用VGG16模型， 使 所述双判别器生成对抗网络 在粗粒度方面和细粒度方面提升判别准确 性， 其中， 所述粗粒度方面指对页岩岩心骨架和 孔隙结构特征的低精度判别， 所述细粒度方面指对页岩 基质纳微米孔隙结构特征的高精度 判别。 5.根据权利要求4所述的数字岩心构建方法或系统， 其特征在于， 所述生成器用于在所 述第一判别器和所述第二判别器的作用下， 生成样本 。 6.根据权利要求4所述的数字岩心构建方法或系统， 其特征在于， 所述最优模型获得的 具体步骤 包括： 将所述岩心训练数据集输入到所述双判别器生成对抗网络， 获得初级岩心伪样本； 将所述岩心训练数据集与 所述初级岩心伪样本输入所述双判别器生成对抗网络， 获得 高级岩心伪样本； 所述第一判别器采用二阶交叉熵损失方法， 对所述岩心训练数据集与 所述高级岩心伪 样本进行对比， 获得第一判别器损失； 所述第二判别器采用均 方误差损失方法， 对所述岩心训练数据集与 所述高级岩心伪样 本进行对比， 获得第二判别器损失；权　利　要　求　书 1/2 页 2 CN 115115783 A 2将所述第一判别器损失与 所述第二判别器损失进行加权平均， 确定所述双判别器生成 对抗网络中所述第一判别器和所述第二判别器总损失， 优化所述双判别器生成对抗网络的 参数并训练网络， 直到所述总损失之和的绝对值达 到最小值时， 获得 所述最优模型。 7.根据权利要求6所述的数字岩心构建方法或系统， 其特征在于， 所述将所述岩心训练 数据集输入到所述双判别器生成对抗网络， 获得初级岩心伪样本， 包括： 将所述岩心训练数据集输入到所述双判别器生成对抗网络 中， 所述第 一判别器与 所述 第二判别器通过对所述岩心样本的特 征学习， 获得初级岩心语义特 征； 将所述初级岩心语义特征和所述高斯噪声输入所述生成器， 进行岩心模拟样本的生 成， 获得初级岩心伪样本 。 8.根据权利要求6所述的数字岩心构建方法或系统， 其特征在于， 所述将所述岩心训练 数据集与所述初级岩心伪样本输入所述双判别器生成对抗网络， 获得高级岩心伪样本， 包 括： 将所述岩心训练数据集与 所述初级岩心伪样本输入到所述双判别器生成对抗网络 中， 所述第一判别器和所述第二判别器分别针对所述粗粒度方面和所述细粒度方面对所述岩 心样本的特 征继续学习， 获得高级岩心语义特 征； 将所述高级岩心语义特征和所述高斯噪声输入双判别器生成对抗网络的所述生成器 中， 获得高级岩心伪样本 。 9.根据权利要求6所述的数字岩心构建方法或系统， 其特征在于， 所述最优模型中， 损 失函数Lossi的具体表达式为： BCELossi为所述第一判别器的损失函数， MSEL ossi为所述第二判别器的损失函数。 10.根据权利要求6所述的数字岩心构建方法或系统， 其特征在于， 所述双判别器生成 对抗网络的参数包括Epoc h、 Adam优化器参数以及 初始学习率 参数中的至少一种。权　利　要　求　书 2/2 页 3 CN 115115783 A 3