一种基于深度学习的多矿物相岩心渗透率预测方法

1.本发明涉及油气田勘探开发领域，具体涉及一种基于深度学习的多矿物相岩心渗透率预测方法。


背景技术：

2.页岩油是指储存于页岩地层(富有机质、以纳米级孔径为主)中的石油，是成熟有机质页岩石油的简称。页岩既作为石油的烃源岩，又作为石油的储集岩。页岩油以吸附态和游离态的形式存在，一般油质较轻、黏度较低。页岩油藏中的矿物一般分为有机质和矿物。通过分析页岩油田采集到的岩芯样品，页岩岩芯的孔径较小，从纳米级到微米级不等，纳米级孔隙的壁面矿物属性对页岩油流动影响较大。由于不同矿物壁面具有不同的润湿性，流体在壁面的吸附程度也不同。
3.目前为止，页岩油渗透率主要通过模拟方法获取，如分子动力学模拟(mds)、孔隙网络建模(pnm)、直接数值模拟(dns)、岩心分析等。分子动力学模拟计算量巨大且模拟规模较小，所以无法直接利用mds在孔隙尺度上模拟多孔介质中的流动。
4.孔隙网络建模常用于重构多孔介质中的复杂孔隙空间，但是，利用简化后的孔隙与喉道空间进行模拟无法保证页岩油渗透率的准确性。直接数值模拟虽然求解精度较高，但实际流体动力学问题的传统数值模拟需要在特定模型参数的网格上求解偏微分方程(pde)系统，非线性耦合偏微分方程的求解过程通常需要构造大型矩阵，计算量较大。并且，对于纳微尺度下页岩油的模拟，通常伴随着网格划分的增加与耗时的迭代求解过程等，对计算机的硬件要求较高。
5.岩心分析通常采用常规岩心分析(rca)和特殊岩心分析(scal)。常规岩心分析通常用于确定岩心参数(如孔隙度、颗粒密度、渗透率等)，常规岩心分析的样品通常每米采集三到四次，精细分层特征和岩性空间的变化可能需要更频繁的采样。特殊岩心分析对岩石特征的详细研究，但是，特殊岩心分析耗时且昂贵，并且特殊岩心分析所选用的岩芯样本集需要包含多种岩石类型且具有高度代表性，但是现实情况中很难获取，并且难以估计常规岩心分析结果和特殊岩心分析结果之间的相关性，而通过实验测定岩心的渗透率耗时长且成本高。
6.卷积神经网络(cnn)作为一种特殊类型的深度神经网络，常用于分析图像数据，卷积神经网络通过使用多个滤波器能够从输入图像中提取特定特征。因此，亟需将卷积神经网络与岩心分析相结合，利用深度学习降低页岩渗透率的计算成本，提高页岩渗透率计算的准确性。


技术实现要素：

7.本发明旨在解决现有技术的不足，提出了一种基于深度学习的多矿物相岩心渗透率预测方法，实现了对多矿物相岩心渗透率的准确预测，提高了渗透率的计算速度，为指导油田勘探开发提供了依据。
8.本发明采用以下的技术方案：
9.一种基于深度学习的多矿物相岩心渗透率预测方法，具体包括以下步骤：
10.步骤1，构建三维数字岩心并在三维数字岩心内随机生成孔隙结构，孔隙结构包括有机质孔隙和无机质孔隙，三维数字岩心的孔隙结构内充填流体，其余部分均设置为骨架；
11.步骤2，对构建的三维数字岩心进行图像分割，得到多个多矿物数字岩心图像；
12.步骤3，利用多物理场仿真模拟软件分别求取各多矿物数字岩心图像所对应的渗透率，基于各多矿物数字岩心图像及其所对应的渗透率，构建多矿物数字岩心数据集；
13.步骤4，构建se-resnet18卷积神经网络，利用多矿物数字岩心数据集训练se-resnet18卷积神经网络计算多矿物数字岩心图像所对应的渗透率；
14.步骤5，将待预测多矿物岩心的图像输入至训练后的se-resnet18卷积神经网络中，利用训练后的se-resnet18卷积神经网络，根据待预测多矿物岩心的图像预测多矿物岩心所对应的渗透率。
15.优选地，所述步骤3中，具体包括以下步骤：
16.步骤3.1，设置多矿物数字岩心内流体的密度和粘度，将多矿物数字岩心的一侧设置为流体入口，将多矿物数字岩心的另一侧设置为流体出口，设置流体的入口压力和出口压力，设置多矿物数字岩心内有机质孔隙的壁面滑移长度和无机质孔隙的壁面滑移长度；
17.步骤3.2，分别针对各多矿物数字岩心图像，基于多矿物数字岩心图像构建多矿物数字岩心，利用多物理场仿真模拟软件模拟得到流体在各多矿物数字岩心内的流动过程，获取各多矿物数字岩心稳定状态下的流场分布，计算得到各多矿物数字岩心的渗透率；
18.步骤3.3，以多矿物数字岩心图像所对应的渗透率作为标签，将各多矿物数字岩心图像及其所对应的渗透率作为样本数据，构建多矿物数字岩心数据集，并将多矿物数字岩心数据集划分为训练集、测试集和验证集。
19.优选地，所述步骤3.1中，流体的入口压力设置为1pa，出口压力设置为0pa。
20.优选地，所述步骤3.1中，多矿物数字岩心内有机质孔隙的壁面滑移长度设置为130nm，无机质孔隙的壁面滑移长度设置为0nm。
21.优选地，所述步骤3.2中，多矿物数字岩心的渗透率计算公式为：
[0022][0023]
式中，k为多矿物数字岩心的渗透率；ν为达西速；μ为流体的粘度；l为多矿物数字岩心的长度；δp为入口压力与出口压力之间的压差。
[0024]
优选地，所述步骤3.3中，训练集、验证集和测试集内样本数据的比例设置为8:1:1。
[0025]
优选地，所述步骤4中，具体包括以下步骤：
[0026]
步骤4.1，将se模块与resnet18网络模型相结合，构建se-resnet18卷积神经网络；
[0027]
所述se-resnet18卷积神经网络通过在resnet18网络模型的双层残差模块内嵌入se模块构建而成，其中，resnet18网络模型由一个卷积层、8个双层残差模块和一个全连接层构成，双层残差模块由两个3
×
3的卷积层和一个跳跃连接构成；
[0028]
步骤4.2，设置se-resnet18卷积神经网络的学习率、损失函数、精度值以及训练次数；
[0029]
步骤4.3，利用训练集中的样本数据训练se-resnet18卷积神经网络根据多矿物数字岩心图像计算渗透率，将训练集中的样本数据输入至se-resnet18卷积神经网络中，se-resnet18卷积神经网络计算得到多矿物数字岩心图像渗透率的计算值，并与多矿物数字岩心图像的标签进行对比，计算损失函数值，直至迭代计算次数达到预设的训练次数，进入步骤4.4；
[0030]
步骤4.4，若训练过程中损失函数值始终小于预设的精度值，则确定se-resnet18卷积神经网络的学习率，进入步骤4.5中；否则，则对se-resnet18卷积神经网络的学习率进行超参数优选，重新设置se-resnet18卷积神经网络的学习率后，返回步骤4.3中，继续利用训练集中的样本数据训练se-resnet18卷积神经网络；
[0031]
步骤4.5，利用验证集验证se-resnet18卷积神经网络的训练效果，将验证集中的样本数据输入至se-resnet18卷积神经网络中，利用se-resnet18卷积神经网络计算得到验证集中各多矿物数字岩心图像所对应的渗透率计算值，并与验证集中各多矿物数字岩心图像的标签进行对比，计算损失函数值，直至迭代计算次数达到预设的训练次数，进入步骤4.6；
[0032]
步骤4.6，若验证过程中损失函数值始终小于预设的精度值，则结束对se-resnet18卷积神经网络的训练，进入步骤4.7中；否则，则对se-resnet18卷积神经网络的学习率进行超参数优选，重新设置se-resnet18卷积神经网络的学习率后，返回步骤4.3中，继续利用训练集中的样本数据训练se-resnet18卷积神经网络；
[0033]
步骤4.7，利用测试集测试se-resnet18卷积神经网络计算的准确性，将测试集中的样本数据输入至se-resnet18卷积神经网络中，利用se-resnet18卷积神经网络计算得到测试集中多矿物数字岩心图像所对应的渗透率计算值，并与测试集中各多矿物数字岩心图像的标签进行对比，确定se-resnet18卷积神经网络的准确率。
[0034]
优选地，所述步骤4中，损失函数设置为：
[0035][0036]
式中，mse为se-resnet18卷积神经网络的损失函数；m为样本数据的总数；i为样本数据的编号；ki为第i个样本数据的标签；ki′
为第i个样本数据的渗透率计算值。
[0037]
优选地，所述步骤4.7中，se-resnet18卷积神经网络准确率的计算公式为：
[0038][0039]
式中，r为训练后se-resnet18卷积神经网络的准确率；n为测试集中样本数据的总数；j为样本数据的编号；kj为测试集中第j个样本数据的标签；k
′j为测试集中第j个样本数据的渗透率计算值。
[0040]
本发明具有如下有益效果：
[0041]
本发明根据多矿物数字岩心图像构建多矿物数字岩心，利用多物理场仿真模拟软件模拟得到多矿物数字岩心的渗透率，构建多矿物数字岩心数据集，并利用多矿物数字岩心数据集对构建的se-resnet18卷积神经网络进行训练，训练se-resnet18卷积神经网络求
解多矿物数字岩心图像所对应岩心的渗透率。通过训练se-resnet18卷积神经网络深度学习数字岩心的渗透率求解，实现了对岩心渗透率的快速准确预测，节省了计算资源，为油气田勘探开发奠定了基础，具有广阔的应用前景。
附图说明
[0042]
图1为三维数字岩心剖面的示意图。
[0043]
图2为多矿物数字岩心图。
[0044]
图3为利用comsol模拟流体流动过程的渗透率计算网格示意图。
[0045]
图4为稳定状态下多矿物数字岩心内的流场分布图。
[0046]
图5为se-resnet18卷积神经网络的结构示意图。
[0047]
图6为双层残差模块的结构示意图。
[0048]
图7为se模块的结构示意图。
[0049]
图8为损失函数值与训练次数的关系图。
[0050]
图9为验证集内各样本数据的损失值。
[0051]
图10为岩石真实渗透率与se-resnet18卷积神经网络预测渗透率的对比图。
具体实施方式
[0052]
下面结合附图和某油田的取芯资料为例，对本发明的具体实施方式做进一步说明：
[0053]
采用本发明提出的一种基于深度学习的多矿物相数字岩心渗透率预测方法，具体包括以下步骤：
[0054]
步骤1，构建三维数字岩心并在数字岩心内随机生成孔隙结构，孔隙结构包括有机质孔隙和无机质孔隙，数字岩心的孔隙结构内充填流体，其余部分均设置为骨架。
[0055]
本实施例中，利用matlab构建三维数字岩心，三维数字岩心的初始尺寸设置为1m
×
1m
×
1m的正方体结构，在三维数字岩心内随机生成孔隙结构，孔隙结构的平均均值为0.10～0.15m，方差控制在0.02～0.03之间，将孔隙结构的表面积控制在0.7～0.8，孔隙结构包括有机质孔隙和无机质孔隙，数字岩心的孔隙结构内充填流体，其余部分均设置为骨架，对三维数字岩心进行切割得到如图1所示的岩心剖面，本实施例中三维数字岩心切割后共生成700个mph文件。
[0056]
步骤2，对构建的数字岩心进行图像分割，得到多个多矿物数字岩心图像。
[0057]
本实施例先将多矿物数字岩心图像的尺寸修改为128
×
128
×
3，并利用image j软件对多矿物数字岩心图像上的有机质、无机质和孔隙进行标注后，再对多矿物数字岩心几何进行缩放处理，设置缩放因子为100，将多矿物数字岩心的几何单位更改为纳米级别，得到边长为100nm的多矿物数字岩心，此时多矿物数字岩心中孔隙结构的平均均值为10～15nm。对多矿物数字岩心行图像分割，得到多个多矿物数字岩心图像，如图2所示。
[0058]
步骤3，利用多物理场仿真模拟软件comsol分别求取各多矿物数字岩心图像所对应的渗透率，基于各多矿物数字岩心图像及其所对应的渗透率，构建多矿物数字岩心数据集，具体包括以下步骤：
[0059]
步骤3.1，设置多矿物数字岩心内流体的密度和粘度，将多矿物数字岩心的一侧设
置为流体入口，将多矿物数字岩心的另一侧设置为流体出口，设置流体的入口压力和出口压力，设置多矿物数字岩心内有机质孔隙的壁面滑移长度和无机质孔隙的壁面滑移长度，本实施例中多矿物数字岩心内有机质孔隙的壁面滑移长度设置为130nm，无机质孔隙的壁面滑移长度设置为0nm。
[0060]
本实施例中设置多矿物数字岩心内流体的密度设置为850kg/m3，流体的粘度设置为0.015pa
·
s，设置流场为层流物理场，将多矿物数字岩心的一侧设置为流体入口，将多矿物数字岩心的另一侧设置为流体出口，流体的入口压力设置为1pa，流体的出口压力设置为0pa，有机质孔隙的壁面滑移长度设置为130nm，无机质孔隙的壁面滑移长度设置为0nm。对多矿物数字岩心进行网格化处理，划分的网格数为35477，如图3所示。
[0061]
步骤3.2，分别针对本实施例中的700个多矿物数字岩心图像(即本实施例中的mph文件)进行模拟，基于多矿物数字岩心图像构建多矿物数字岩心，利用多物理场仿真模拟软件模拟得到流体在各多矿物数字岩心内的流动过程，获取各多矿物数字岩心稳定状态下的流场分布，如图4所示，由图4可得多矿物数字岩心内部不同位置处流体的流速，计算得到各多矿物数字岩心的渗透率。
[0062]
其中，多矿物数字岩心的渗透率计算公式为：
[0063][0064]
式中，k为多矿物数字岩心的渗透率；ν为达西速；μ为流体的粘度；l为多矿物数字岩心的长度；δp为入口压力与出口压力之间的压差。
[0065]
步骤3.3，以多矿物数字岩心图像所对应的渗透率作为标签，将各多矿物数字岩心图像及其所对应的渗透率作为样本数据，构建多矿物数字岩心数据集，本实施例中多矿物数字岩心数据集内共有700个样本数据，将多矿物数字岩心数据集内的样本数据按照8:1:1的比例划分为训练集、测试集和验证集，其中，训练集中包括560个样本数据，测试集中包括70个样本数据，验证集中包括70个样本数据。
[0066]
步骤4，构建se-resnet18卷积神经网络，利用多矿物数字岩心数据集训练se-resnet18卷积神经网络计算多矿物数字岩心图像所对应的渗透率，具体包括以下步骤：
[0067]
步骤4.1，将se模块与resnet18网络模型相结合，构建se-resnet18卷积神经网络，se-resnet18卷积神经网络如图5所示，通过在resnet18网络模型的双层残差模块内嵌入se模块构建而成。resnet18网络模型由一个卷积层、8个双层残差模块和一个全连接层构成，双层残差模块如图6所示，由两个3
×
3的卷积层和一个跳跃连接构成。se模块作为一种通道注意机制，如图7所示，包括三个步骤压缩、激励和融合处理，通过赋予不同通道不同的权重，强调有用通道的信息抑制部分通道的信息。
[0068]
本实施例将se模块嵌入resnet18网络模型的双层残差模块中构建se-resnet18卷积神经网络，融合了带有注意力机制se模块和resnet18网络模型的特点，避免了训练过程中的梯度消失和爆炸的发生，有利于拟合网络通道见的相关性，减少了计算量，缩小了计算模型的体积，在提升计算速度的同时保证了计算的准确率。
[0069]
步骤4.2，设置se-resnet18卷积神经网络的学习率、损失函数、精度值以及训练次数。本实施例中将学习率依次设置为5
×
10-6
、1
×
10-5
和2
×
10-5
，训练次数设置为30，训练过程中随机数种子数值设置为123，batch_size的数值设置为8，调用pytorch中的adam为网络
优化器，本实施例中设置精度值为0.014，将mse均方损失设置为se-resnet18卷积神经网络的损失函数，如公式(2)所示：
[0070][0071]
式中，mse为se-resnet18卷积神经网络的损失函数；m为样本数据的总数；i为样本数据的编号；ki为第i个样本数据的标签；ki′
为第i个样本数据的渗透率计算值。
[0072]
步骤4.3，利用训练集中的样本数据训练se-resnet18卷积神经网络根据多矿物数字岩心图像计算渗透率，将训练集中的样本数据输入至se-resnet18卷积神经网络中，se-resnet18卷积神经网络计算得到多矿物数字岩心图像渗透率的计算值，并与多矿物数字岩心图像的标签进行对比，计算损失函数值，直至迭代计算次数达到预设的训练次数，进入步骤4.4。
[0073]
步骤4.4，若训练过程中损失函数值始终小于预设的精度值，则确定se-resnet18卷积神经网络的学习率，进入步骤4.5中；否则，则对se-resnet18卷积神经网络的学习率进行超参数优选，重新设置se-resnet18卷积神经网络的学习率后，返回步骤4.3中，继续利用训练集中的样本数据训练se-resnet18卷积神经网络。
[0074]
步骤4.5，利用验证集验证se-resnet18卷积神经网络的训练效果，将验证集中的样本数据输入至se-resnet18卷积神经网络中，利用se-resnet18卷积神经网络计算得到验证集中各多矿物数字岩心图像所对应的渗透率计算值，并与验证集中各多矿物数字岩心图像的标签进行对比，计算损失函数值，直至迭代计算次数达到预设的训练次数，进入步骤4.6。
[0075]
步骤4.6，若验证过程中损失函数值始终小于预设的精度值，则结束对se-resnet18卷积神经网络的训练，进入步骤4.7中；否则，则对se-resnet18卷积神经网络的学习率进行超参数优选，重新设置se-resnet18卷积神经网络的学习率后，返回步骤4.3中，继续利用训练集中的样本数据训练se-resnet18卷积神经网络。
[0076]
步骤4.7，利用测试集测试se-resnet18卷积神经网络计算的准确性，将测试集中的样本数据输入至se-resnet18卷积神经网络中，利用se-resnet18卷积神经网络计算得到测试集中多矿物数字岩心图像所对应的渗透率计算值，并与测试集中各多矿物数字岩心图像的标签进行对比，确定se-resnet18卷积神经网络的准确率，如公式(3)所示：
[0077][0078]
式中，r为训练后se-resnet18卷积神经网络的准确率；n为测试集中样本数据的总数；j为样本数据的编号；kj为测试集中第j个样本数据的标签；k
′j为测试集中第j个样本数据的渗透率计算值。
[0079]
步骤5，将待预测多矿物岩心的图像输入至训练后的se-resnet18卷积神经网络中，利用训练后的se-resnet18卷积神经网络，根据待预测多矿物岩心的图像预测多矿物岩心所对应的渗透率。
[0080]
本实施例中依次将se-resnet18卷积神经网络的学习率依次设置为5
×
10-6
、1
×
10-5
和2
×
10-5
，在各学习率条件下分别利用多矿物数字岩心数据集训练se-resnet18卷积神经网络计算渗透率，对比训练后se-resnet18卷积神经网络的学习率与损失函数之间的关系，如图8所示，通过图8可得，经过30次训练之后学习率为2
×
10-5
的se-resnet18卷积神经网络所对应的损失曲线相对于学习率为5
×
10-6
和1
×
10-5
的se-resnet18卷积神经网络所对应的损失曲线出现较大的上升，图9为利用验证集最后一次训练se-resnet18卷积神经网络时，验证集内各样本数据的损失函数值，当se-resnet18卷积神经网络的学习率为1
×
10-5
时，se-resnet18卷积神经网络的平均损失值为0.0116，明显低于学习率为5
×
10-6
时的平均损失值0.0133，即优选将se-resnet18卷积神经网络的学习率设置为1
×
10-5
。
[0081]
将se-resnet18卷积神经网络的学习率设置为1
×
10-5
，利用测试集中的样本数据验证训练后se-resnet18卷积神经网络的计算精度，绘制岩石真实渗透率与se-resnet18卷积神经网络预测渗透率的对比图，如图10所以，由图10可得，训练后se-resnet18卷积神经网络的渗透率预测准确率为0.885，即采用本发明方法能够快速且准确的根据多矿物岩心的图像预测多矿物岩石的渗透率。
[0082]
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。