基于生成对抗网络的数字岩心重构研究

发布时间：2023-12-23 17:16

　　数字岩心重建方法有很多种,如数值重建、物理实验、混合建模等方法,但这些方法有着训练时间长、实现过程复杂等缺点。生成对抗网络(GANs)作为当前图像生成领域最流行的人工智能模型,具有优异的图像生产能力,如在人物图像生成、指纹生成等方面有优异的表现。为此,本文基于GANs的样本生产能力,提出一种新的数字岩心重建方法。首先,将卷积神经网络作为生成网络,用于学习真实数字岩心样本分布,然后,构造一个卷积神经网络作为判别网络,用于区分重建数字岩心和真实数字岩心。生成网络试图欺骗判别网络,判别网络尽可能区分出重建数字岩心。通过这种对抗训练方式,最终重建出逼真的数字岩心。为分析生产数字岩心质量,本文使用两点协方差函数和弗雷歇距离、克劳尔距离评估生成对抗网络重建真实数字岩心样本的能力,结果表明:协方差函数可以检验生成页岩样本与真实页岩样本的相似性;弗雷歇距离和克劳尔距离定量衡量了生成页岩样本与真实页岩样本所服从的高斯分布的差异性,其值越小,代表生成的页岩样本质量越高。此外,为解决GANs在生成页岩样本过程中出现的不规则纹理问题,本文提出了以经过三值化预处理的页岩图像作为训练样本,成功地比较了真实数字岩心...

【文章页数】：48 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 数字岩心介绍
    1.2 研究背景与现状
    1.3 本文的研究内容
第二章 传统数字岩心重建方法概述
    2.1 物理实验法
        2.1.1 聚焦离子光束扫描法
        2.1.2 纳米CT扫描法
    2.2 数值重建法
        2.2.1 过程法
        2.2.2 模拟退火法
        2.2.3 马尔科夫链蒙特卡洛法
        2.2.4 多点地质统计法
    2.3 混合建模方法
    2.4 本章小结
第三章 生成对抗网络
    3.1 生成对抗网络的简介
    3.2 生成对抗网络的发展
    3.3 生成对抗网络的原理
        3.3.1 生成对抗网络(GANs)
        3.3.2 深度卷积生成对抗网络(DCGANs)
        3.3.3 最小二乘生成对抗网络(LSGANs)
        3.3.4 Wasserstein生成对抗网络(WGANs)
        3.3.5 具有梯度惩罚的Wasserstein生成对抗网络(WGAN-GP)
    3.4 本章小结
第四章 基于WGAN-GP的页岩图像重建
    4.1 基于生成对抗网络的数字岩心重建方法
        4.1.1 页岩数据集
        4.1.2 基于页岩图像的GANs模型训练流程图
        4.1.3 WGAN-GP算法
    4.2 模型评价方法
        4.2.1 两点协方差函数
        4.2.2 弗雷歇距离和克劳尔距离
        4.2.3 闵可夫斯基(Minkowski)函数
    4.3 实验与结果分析
        4.3.1 实验参数
        4.3.2 实验结果
            4.3.2.1 数字岩心生成方法
            4.3.2.2 数字岩心多样性
            4.3.2.3 数字岩心结构一致性
            4.3.2.4 数字岩心高斯分布一致性
    4.4 本章小结
第五章 基于生成对抗网络的数字岩心图像生成
    5.1 基于生成对抗网络的三值页岩图像生成方法
        5.1.1 深度卷积生成对抗网络核心思想
        5.1.2 模型架构
        5.1.3 算法流程
    5.2 实验细节
        5.2.1 样本预处理
        5.2.2 对抗训练
        5.2.3 结果分析
    5.3 实验评价
        5.3.1 弗雷歇距离(FID)和克劳尔距离(KID)
        5.3.2 两点协方差函数
        5.3.3 闵可夫斯基(Minkowski)函数
    5.4 本章小结
第六章 总结与展望
参考文献
攻读硕士学位期间参加的科研项目和完成的论文



本文编号：3874176