阅读说明：本技术 一种油气储集空间类型及其含量的识别方法 (Method for identifying type and content of oil-gas reservoir space ) 是由 杨莎莎 刘恺德 权娟娟 孙佳伟 于 2019-09-11 设计创作，主要内容包括：一种油气储集空间类型及其含量的识别方法,将不同类型岩石中的岩心进行样品制备,对样品进行观察并获取图像；并人为对样品进行鉴定,识别孔隙类型及其含量；构造卷积神经网络结构；输入原始岩石图像,用卷积神经网络对其进行训练；卷积提取岩石特征,利用非线性映射,获取新的特征图；提取特征值最大值或平均值,保留图像特征信息；提取特征信息,减少计算量；将最终提取的特征向量输入全连接层,通过softmax层输出储集空间的类型及其含量；计算实际输出与期望输出之间的误差,若满足精度要求,即可停止训练,否则,能够针对油气储层中的储集空间类型进行自动识别和含量计算,获得准确、可靠的人工智能分类结果。(A method for identifying the type and content of oil-gas storage space comprises the steps of preparing samples of rock cores in different types of rocks, observing the samples and acquiring images; manually identifying the sample, and identifying the type and the content of the pores; constructing a convolutional neural network structure; inputting an original rock image, and training the original rock image by using a convolutional neural network; carrying out convolution to extract rock characteristics, and acquiring a new characteristic diagram by utilizing nonlinear mapping; extracting the maximum value or the average value of the characteristic values, and reserving image characteristic information; extracting characteristic information and reducing the calculation amount; inputting the finally extracted feature vectors into a full-connection layer, and outputting the type and the content of the reservoir space through a softmax layer; and calculating the error between the actual output and the expected output, stopping training if the accuracy requirement is met, and otherwise, automatically identifying and calculating the content of the reservoir space type in the oil-gas reservoir to obtain an accurate and reliable artificial intelligence classification result.)

一种油气储集空间类型及其含量的识别方法

技术领域

本发明涉及地质学领域储集空间类型及其含量的识别技术，特别涉及一种油气储集空间类型及其含量的识别方法。

背景技术

常规的储集空间类型及其含量的识别手段是通过电镜扫描或人工观察对普通岩石薄片、铸体薄片进行储集空间类型的识别及含量的计算。这种传统方式不仅效率极低，且因过于依赖实验员经验，导致得出的结论缺乏客观性。为解决此问题，久博等(2018)提出应用Matlab软件对致密砂岩储层孔隙进行自动表征，有效提高了储集空间含量的表征效率和客观性，但未识别出孔隙类型。戚明辉(2019)提出利用JMicro Vision图像分析软件对泥页岩的扫描电镜图像进行分析，从而确定孔隙类型、含量等参数。但此方法需要根据不同储集空间的形状，人为对其进行勾画、设定比例尺等一系列操作，过程复杂，且因人工干预过多，无法保证客观性。

发明内容

为了解决上述现有技术的不足，本发明的目的在于提供一种油气储集空间类型及其含量的识别方法，能够针对油气储层中的储集空间类型进行自动识别和含量计算，获得准确、可靠的人工智能分类结果。

为达到以上技术目的，本发明提供如下的技术方案：

一种油气储集空间类型及其含量的识别方法，包括以下步骤：

步骤一：将不同类型岩石中的岩心进行样品制备，样品的规格为：厚度0.03mm；通过显微镜或扫描电镜获取岩心样品图像，从获取的岩心样品图像中首先人为分辨出储集空间类型及其含量；

步骤二：构造卷积神经网络结构，卷积神经网络的结构形式是：输入层-->卷积层-->池化层-->重复卷积层和池化层-->全连接层-->softmax层-->输出层；

步骤三：输入步骤一提取的岩心样品图像，用步骤二所得的卷积神经网络直接对其进行训练；

步骤四：卷积提取岩心样品特征，并利用激活函数的非线性映射，获取新的特征图；

步骤五：提取特征值最大值或平均值，保留岩心样品图像特征信息即不同储集空间类型的形状、颜色、空间关系，进一步减少运算量；

步骤六：重复进行步骤四和步骤五，进一步提取出以下特征信息：形状、颜色、空间关系，并减少计算量；

步骤七：将最终提取的特征向量输入全连接层，并通过softmax层输出储集空间的类型及其含量；

步骤八：计算实际输出的卷积神经网络识别出的储集空间类型及其含量与首先人为分辨出的储集空间类型及其含量之间的误差，若满足精度要求，即可停止训练；否则，返回步骤三。

步骤一所述的岩心样品制备的步骤为：

第一步：用手动快速切割机将岩石切割成约长25mm×宽25mm×厚5mm的小块；

第二步：用自动精密研磨抛光机将粘接面研磨并抛光；

第三步：用超声波清洗机去除残余研磨屑、磨料与矿物碎屑；

第四步：利用树脂胶将抛光面粘接在载玻片上；

第五步：将粘结好的样品放入真空干燥箱，加速树脂胶凝固；

第六步：用手动快速切割机将样片减薄至0.5mm；

第七步：在保证样品两表面平行度的前提下，用自动精密研磨抛光机将样品研磨至0.03mm，并进行抛光处理；

第八步：加盖上覆玻片。

步骤二所述的重复卷积层和池化层所达到程度为：直至无法再进一步提取图像特征。

步骤三所述的用卷积神经网络对岩心样品图像进行训练，其具体方法是：用卷积神经网络对岩心样品图像中的储集空间类型及其含量进行识别。

步骤四所述的激活函数为sigmoid函数：，tanh函数：或relu函数：f(x)＝max(0，x)，x为自变量。

本发明的有益效果：

由于采取了卷积神经网络对油气储层中储集空间类型及含量进行自动化识别，能够有效解决目前人工识别导致的非客观性和不准确性，本识别方法具有高效、客观、准确等优点。

附图说明

图1是本发明的卷积神经网络的结构图。

图2是本发明的方法识别流程图。

具体实施方式

下面结合附图对本发明做进一步说明。

一种油气储集空间类型及其含量的识别方法，包括以下步骤：

步骤一：将不同类型岩石中的岩心进行样品制备，样品的规格为：厚度约0.03mm；通过显微镜或扫描电镜获取岩心样品图像，从获取的岩心样品图像中首先人为分辨出储集空间类型及其含量；

步骤二：构造卷积神经网络结构，卷积神经网络的结构形式是：输入层-->卷积层-->池化层-->重复卷积层和池化层-->全连接层-->softmax层-->输出层；

步骤三：输入步骤一提取的岩心样品图像，用步骤二所得的卷积神经网络直接对其进行训练；

步骤四：卷积提取岩心样品特征，并利用激活函数的非线性映射，获取新的特征图；

步骤五：提取特征值最大值或平均值，保留岩心样品图像特征信息：如不同储集空间类型的形状、颜色、空间关系等，进一步减少运算量；

步骤六：重复进行步骤四和步骤五，进一步提取出以下特征信息：形状、颜色、空间关系等，并减少计算量；

步骤七：将最终提取的特征向量输入全连接层，并通过softmax层输出储集空间的类型及其含量；

步骤八：计算实际输出的卷积神经网络识别出的储集空间类型及其含量与首先人为分辨出的储集空间类型及其含量之间的误差，若满足精度要求，即可停止训练；否则，返回步骤三。

步骤一所述的岩心样品制备的步骤为：

第一步：用SYJ-200H手动快速切割机将岩石切割成约长25mm×宽25mm×厚5mm的小块；

第二步：用UNIPOL-1202自动精密研磨抛光机将粘接面研磨并抛光，直至岩样中的石英等矿物达到镜面效果，且将样品固定在载玻片时，无气泡产生；

第三步：用VGT-1620QTD超声波清洗机去除残余研磨屑、磨料与矿物碎屑；

第四步：利用树脂胶将抛光面粘接在载玻片上；

第五步：将粘结好的样品放入DZF-系列真空干燥箱，加速树脂胶凝固，干燥箱的温度为60°，干燥时间为30分钟；

第六步：用SYJ-200H手动快速切割机将样片减薄至0.5mm；

第七步：在保证样品两表面平行度的前提下，用POL-1202自动精密研磨抛光机将样品研磨至0.03mm，并进行抛光处理，直至岩样中的石英等矿物达到镜面效果，且将样品固定在载玻片时，无气泡产生；

第八步：加盖上覆玻片。

步骤二所述的重复卷积层和池化层所达到程度为：直至无法再进一步提取图像特征。

步骤三所述的用卷积神经网络对岩心样品图像进行训练，其具体方法是：用卷积神经网络对岩心样品图像中的储集空间类型及其含量进行识别。

步骤四所述的激活函数为sigmoid函数：tanh函数：或relu函数：f(x)＝max(0，x)。

实施例1：

一种油气储集空间类型及其含量的识别方法，包括以下步骤：

步骤一：将花岗岩用SYJ-200H手动快速切割机将岩石切割成约长25mm×宽25mm×厚5mm的小块；用UNIPOL-1202自动精密研磨抛光机将粘接面研磨并抛光，直至岩样中的石英等矿物达到镜面效果，且将样品固定在载玻片时，无气泡产生；用VGT-1620QTD超声波清洗机去除残余研磨屑、磨料与矿物碎屑；利用树脂胶将抛光面粘接在载玻片上；将粘结好的样品放入DZF-系列真空干燥箱，加速树脂胶凝固，干燥箱的温度为60°，干燥时间为30分钟；用SYJ-200H手动快速切割机将样片减薄至0.5mm；在保证样品两表面平行度的前提下，用POL-1202自动精密研磨抛光机将样品研磨至0.03mm，并进行抛光处理，直至岩样中的石英等矿物达到镜面效果，且将样品固定在载玻片时，无气泡产生；加盖上覆玻片；

步骤二：构造卷积神经网络结构，卷积神经网络的结构形式是：输入层-->卷积层-->池化层-->重复卷积层和池化层，直至无法再进一步提取图像特征-->全连接层-->softmax层-->输出层；

步骤三：输入步骤一提取的岩心样品图像，用步骤二所得的卷积神经网络直接用卷积神经网络对岩心样品图像中的储集空间类型及其含量进行识别；

步骤四：卷积提取岩心样品特征，并利用激活函数为sigmoid函数：tanh函数：或relu函数：f(x)＝max(0，x)的非线性映射，获取新的特征图；

步骤五：提取特征值最大值或平均值，保留岩心样品图像特征信息即不同储集空间类型的形状、颜色、空间关系，进一步减少运算量；

步骤六：重复进行步骤四和步骤五，进一步提取出以下特征信息：形状、颜色、空间关系，并减少计算量；

步骤七：将最终提取的特征向量输入全连接层，并通过softmax层输出储集空间的类型及其含量；

步骤八：计算实际输出的卷积神经网络识别出的储集空间类型及其含量与首先人为分辨出的储集空间类型及其含量之间的误差，若满足精度要求，即可停止训练；否则，返回步骤三。