基于GA-SVM的岩心铸体薄片图像分类研究

为了提高岩心铸体薄片图像分类的准确率,引入了支持向量机构建其分类模型。基于训练数据集,采用遗传算法优化支持向量机的核参数σ和惩罚因子c,建立可实现对岩心铸体薄片图像分类的支持向量机模型。接着利用相同的训练数据集对未经参数寻优的支持向量机、网格搜索法优化的支持向量机和粒子群算法优化的支持向量机分别进行训练,再对它们测试,发现遗传算法优化的支持向量机模型对大孔粗喉、中孔中喉和小孔细喉3种岩心铸体薄片图像的分类准确率分别达到了100%、94%和94%,综合表现最好,而且与粒子群算法优化的支持向量机相比,它的寻优更加快速。可见,遗传算法辅助寻优的支持向量机具有更好的图像分类效果,可做进一步的推广与应用。

基于改进U-Net的岩心铸体薄片图像分割研究

为更好地实现岩心铸体薄片图像分割,提出了一种改进的U-Net模型。基于已有DenseNet模型网络结构的密集连接思想,设计了Dense连接模块,将经典U-Net模型和Dense连接模块相结合,形成了改进的U-Net模型。把改进U-Net模型应用到研究区大孔粗喉和小孔细喉两种不同岩心铸体薄片图像的分割中,取得了较好的效果。相比传统的OSTU方法,改进U-Net模型对岩心铸体薄片图像的分割更加精细;相比经典U-Net模型,改进U-Net模型对岩心铸体薄片图像分割得到的mIoU和PA分别提高了1.7%和1.5%。研究表明:与OSTU方法和经典U-Net模型相比,改进U-Net模型能够更加有效地实现岩心铸体薄片图像的分割,可为油田地质研究人员提供重要的技术支持。

基于岩石铸体薄片图像的数字岩心三维重构

由于岩心三维重构的CT扫描方法成本高昂,提出一个基于光学显微镜下铸体薄片图像的数字岩心三维重构方法。研究对采集的铸体薄片图像进行图像处理获得重构的训练图像模板,再应用多点地质统计学进行图像模板特征提取与数字岩心三维重构。实验采用鄂尔多斯盆地苏里格地区的若干岩心样本进行效果测试,结果表现为三维重构后的数字岩心孔径尺寸分布与真实值趋势相同,孔隙度的相对误差均在8%以内。上述研究内容表明基于岩石铸体薄片图像进行数字岩心的三维重构是有效的。

基于生成对抗网络的岩心图像超分辨算法

岩心铸体薄片图像对研究石油的地质特性与石油储存含量都具有重要的意义。由于设备或者人为因素的影响,实验员往往获取低分辨率的岩心薄片图片,在一定程度上,限制了研究人员对于细节信息掌握。利用对抗生成神经网络的方法实现岩心铸体薄片图像超分辨率重建,有利于提高岩心铸体薄片图像的分辨率,实现单帧图片情况下岩心铸体薄片图像的超分辨率重建。针对以上问题,基于卷积神经网络的图像超分辨率重建算法提出了一种新型超深卷积神经网络的图像超分辨率重建网络。由超深卷积神经网络的图像超分辨率重建网络作为生成对抗神经网络的生成器。在损失函数方面,一方面利用内容损失函数提高图像的重建精度,另一方面利用卷积神经网络实现超分辨率图像纹理细节的重构,采用改进后的方法与传统的插值算法和目前流行的超分辨率重建算法比较,在峰值信噪比和结构相似性评价指标均有较大幅度提升,并且图片细节更加清楚。

结合模糊C均值聚类与BP神经网络的岩石孔隙识别方法

为实现岩石图像中孔隙的自动识别,该文提出使用模糊C均值聚类与BP神经网络相结合的方法识别岩石图像中的孔隙,并将其应用于铸体薄片图像中。首先在图像中应用模糊C均值聚类分割算法将图像分割出两类,再运用BP神经网络进行训练和分类识别。实验表明,经过训练的BP神经网络可以准确的识别出铸体图像中的有效孔隙,为实际应用奠定良好基础。

渭北油田长3、长6、长7储层孔隙结构特征

储层孔隙结构是影响储层的渗流能力和油气产能的主要因素.本文通过结合应用铸体薄片图像分析资料,铸体薄片照片,毛管压力曲线等资料对渭北油田长3、长6、长7储层孔隙结构特征进行研究,明确了储层微观结构特征,有利于进一步开展储层评价,对油田后期挖潜有重要的指导作用。