識別裂縫是油氣儲量評價和產(chǎn)能預測的關鍵。目前識別裂縫主要采用基于人機交互的方法,該方法耗功耗時且易受主觀因素影響,因而對裂縫的識別不夠精確。為此,提出利用條件生成對抗網(wǎng)絡（CGAN）識別圖像中的裂縫。CGAN通過訓練給定的圖像和對應標簽圖像,提取訓練圖像和標簽中的特征,以此特征識別圖像中的信息。利用CGAN識別模擬圖像中的正弦形態(tài)裂縫,識別裂縫準確率達93.4%。CGAN對地層微電阻率掃描成像（FMI）圖像中的水平縫和低角度縫識別準確率為90%。研究結果表明,和蟻群算法相比,CGAN是一種效果好、速度快及抗干擾能力強的計算機自動識別裂縫方法。 

【文章來源】：石油物探. 2020,59(02)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

CGAN識別裂縫模型

CGAN單次迭代(單張圖片訓練一次)識別裂縫流程

利用訓練好的CGAN識別未參與訓練的圖像,并觀察CGAN模型的裂縫識別效果及對圖像噪聲的抗干擾能力。構造的4張裂縫圖像分別為:沿正弦曲線添加了隨機噪聲、正弦曲線中間斷開、對整個圖像添加了隨機噪聲和2條正弦曲線疊加圖像,如圖5 所示。測試發(fā)現(xiàn):CGAN對有噪聲的不規(guī)則正弦曲線(圖5a)和包含脈沖噪聲的圖像(圖5c)有較強的抗干擾能力,識別結果和裂縫標簽形態(tài)一致;對疊加裂縫也有良好的識別結果(圖5d);在識別中間斷開的正弦曲線形態(tài)時,得到中間斷開的正弦曲線(圖5b)。分析其原因,認為:CGAN強烈依賴訓練樣本和標簽,而上述訓練樣本只包含單條連續(xù)正弦曲線樣本,故不能將中間斷開的正弦曲線識別為連續(xù)正弦曲線,需要在訓練過程中加入斷開的正弦曲線樣本進行訓練。最后設置100張各種干擾(沿曲線添加隨機噪聲、曲線斷開、多條曲線交叉等)下計算機模擬裂縫圖像,結果顯示,CGAN識別這些圖像中裂縫的準確率達93.4%。圖4 CGAN計算機模擬裂縫圖像訓練結果

【參考文獻】：
期刊論文
[1]裂縫性儲層分級評價中的卷積神經(jīng)網(wǎng)絡算法研究與應用[J]. 吳正陽,莫修文,柳建華,胡國山.  石油物探. 2018(04)
[2]一種提高儲層裂縫識別準確度的方法[J]. 潘保芝,劉文斌,張麗華,郭宇航,阿茹罕.  吉林大學學報(地球科學版). 2018(01)
[3]基于深度學習的測井巖性識別方法研究與應用[J]. 安鵬,曹丹平.  地球物理學進展. 2018(03)
[4]基于改進蟻群算法的成像測井裂縫自動提取方法[J]. 彭誠,鄒長春.  計算機工程. 2015(08)
[5]成像測井裂縫自動識別元胞自動機方法研究[J]. 張群會,師玉璞,陳有蘭.  西安科技大學學報. 2012(06)
[6]二維小波變換在成像測井識別裂縫中的應用研究[J]. 張曉峰,潘保芝.  石油地球物理勘探. 2012(01)
[7]復雜地質背景下的多裂縫識別[J]. 李雪英,藺景龍,文慧儉.  大慶石油學院學報. 2006(06)
[8]成像測井井壁圖像裂縫自動識別[J]. 秦巍,陳秀峰.  測井技術. 2001(01)

碩士論文
[1]火山巖儲層縫洞測井自動識別和定量評價[D]. 劉文斌.吉林大學 2017
[2]成像測井裂縫識別與提取及裂縫參數(shù)計算方法研究[D]. 張程恩.吉林大學 2012
[3]裂縫性儲集層測井解釋方法研究[D]. 王青.中國地質大學（北京） 2003



本文編號：2975967