基于条件生成对抗网络的成像测井图像裂缝计算机识别

发布时间：2021-01-14 01:50

　　识别裂缝是油气储量评价和产能预测的关键。目前识别裂缝主要采用基于人机交互的方法,该方法耗功耗时且易受主观因素影响,因而对裂缝的识别不够精确。为此,提出利用条件生成对抗网络（CGAN）识别图像中的裂缝。CGAN通过训练给定的图像和对应标签图像,提取训练图像和标签中的特征,以此特征识别图像中的信息。利用CGAN识别模拟图像中的正弦形态裂缝,识别裂缝准确率达93.4%。CGAN对地层微电阻率扫描成像（FMI）图像中的水平缝和低角度缝识别准确率为90%。研究结果表明,和蚁群算法相比,CGAN是一种效果好、速度快及抗干扰能力强的计算机自动识别裂缝方法。 

【文章来源】：石油物探. 2020,59(02)北大核心

【文章页数】：8 页

【部分图文】：

CGAN识别裂缝模型

CGAN单次迭代(单张图片训练一次)识别裂缝流程

利用训练好的CGAN识别未参与训练的图像,并观察CGAN模型的裂缝识别效果及对图像噪声的抗干扰能力。构造的4张裂缝图像分别为:沿正弦曲线添加了随机噪声、正弦曲线中间断开、对整个图像添加了随机噪声和2条正弦曲线叠加图像,如图5 所示。测试发现:CGAN对有噪声的不规则正弦曲线(图5a)和包含脉冲噪声的图像(图5c)有较强的抗干扰能力,识别结果和裂缝标签形态一致;对叠加裂缝也有良好的识别结果(图5d);在识别中间断开的正弦曲线形态时,得到中间断开的正弦曲线(图5b)。分析其原因,认为:CGAN强烈依赖训练样本和标签,而上述训练样本只包含单条连续正弦曲线样本,故不能将中间断开的正弦曲线识别为连续正弦曲线,需要在训练过程中加入断开的正弦曲线样本进行训练。最后设置100张各种干扰(沿曲线添加随机噪声、曲线断开、多条曲线交叉等)下计算机模拟裂缝图像,结果显示,CGAN识别这些图像中裂缝的准确率达93.4%。图4 CGAN计算机模拟裂缝图像训练结果

【参考文献】：
期刊论文
[1]裂缝性储层分级评价中的卷积神经网络算法研究与应用[J]. 吴正阳,莫修文,柳建华,胡国山.  石油物探. 2018(04)
[2]一种提高储层裂缝识别准确度的方法[J]. 潘保芝,刘文斌,张丽华,郭宇航,阿茹罕.  吉林大学学报(地球科学版). 2018(01)
[3]基于深度学习的测井岩性识别方法研究与应用[J]. 安鹏,曹丹平.  地球物理学进展. 2018(03)
[4]基于改进蚁群算法的成像测井裂缝自动提取方法[J]. 彭诚,邹长春.  计算机工程. 2015(08)
[5]成像测井裂缝自动识别元胞自动机方法研究[J]. 张群会,师玉璞,陈有兰.  西安科技大学学报. 2012(06)
[6]二维小波变换在成像测井识别裂缝中的应用研究[J]. 张晓峰,潘保芝.  石油地球物理勘探. 2012(01)
[7]复杂地质背景下的多裂缝识别[J]. 李雪英,蔺景龙,文慧俭.  大庆石油学院学报. 2006(06)
[8]成像测井井壁图像裂缝自动识别[J]. 秦巍,陈秀峰.  测井技术. 2001(01)

硕士论文
[1]火山岩储层缝洞测井自动识别和定量评价[D]. 刘文斌.吉林大学 2017
[2]成像测井裂缝识别与提取及裂缝参数计算方法研究[D]. 张程恩.吉林大学 2012
[3]裂缝性储集层测井解释方法研究[D]. 王青.中国地质大学（北京） 2003



本文编号：2975967