(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910167600.X
(22)申请日 2019.03.06
(71)申请人 上海电力学院
地址 200090 上海市杨浦区平凉路2103号
(72)发明人 张挺 陈杰
(74)专利代理机构 上海科盛知识产权代理有限
公司 31225
代理人 叶敏华
(51)Int.Cl.
G06T 11/00(2006.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称一种基于深层神经网络和迁移学习的数字岩心重构方法(57)摘要本发明涉及一种基于深层神经网络和迁移学习的数字岩心重构方法，该方法包括下列步骤：1)采用设计后的深层神经网络对岩心训练图像数据进行迭代拟合，学习岩心训练图像的复杂特征；2)判断步骤2)的训练误差，当训练误差达到要求时训练结束，获取训练完成的DNN模型，并利用该DNN模型提取岩石训练图像的结构特征；3)将真实条件数据构成数据集，利用数据集对训练完成的DNN模型进行迁移学习，将步骤2)提取的结构特征进行复制，获取最终的重构岩心结果。与现有技术相比，本发明具有提高重构精度、
有助于简化岩心重构过程以提高效率等优点。权利要求书1页 说明书3页 附图1页CN 110009706 A 2019.07.12
C N 110009706
A
权 利 要 求 书1/1页CN 110009706 A
1.一种基于深层神经网络和迁移学习的数字岩心重构方法，其特征在于，该方法包括下列步骤：
1)采用设计后的深层神经网络对岩心训练图像数据进行迭代拟合，学习岩心训练图像的复杂特征；
2)对深层神经网络进行训练，并判断训练误差，当训练误差达到要求时训练结束，获取训练完成的DNN模型，并利用该DNN模型提取岩石训练图像的结构特征，否则，重新调整模型结构后继续训练，直到训练误差达到要求；
3)将真实条件数据构成数据集，利用数据集对训练完成的DNN模型进行迁移学习，将步骤2)提取的结构特征进行复制，获取最终的重构岩心结果。
2.根据权利要求1所述的一种基于深层神经网络和迁移学习的数字岩心重构方法，其特征在于，步骤2)的具体内容为：
对深层神经网络进行训练，判断训练误差，并使用每个点的实时预测结果与训练图像中每个点的标签值进行对比，计算总体准确率，当训练过程中深层神经网络模型的损失函数不再下降或趋于不变，且总体准确率高于预设定的准确率时训练结束；否则，重新调整深层神经网络模型结构后继续训练，直到准确率达到预设定准确率的要求。
3.根据权利要求2所述的一种基于深层神经网络和迁移学习的数字岩心重构方法，其特征在于，训练完成的DNN模型包括用于输入岩心训练图像数据的瓶颈层L in、用于进行随机初始化操作的迁移层L transfer和输出层L out。
4.根据权利要求3所述的一种基于深层神经网络和迁移学习的数字岩心重构方法，其特征在于，所述的迁移层L transfer包括一个或多个隐藏层。
5.根据权利要求4所述的一种基于深层神经网络和迁移学习的数字岩心重构方法，其特征在于，对训练完成的DNN模型进行迁移学习的具体步骤包括：
301)随机初始化迁移层L transfer的所有参数；
302)加入真实条件数据进行训练，训练时保持瓶颈层L in参数不变，且在每次前向传播和反向传播时仅改变迁移层L transfer和输出层L out的参数；
303)当总代价满足要求时，训练完成，得到DNN模型中的所有参数，将输入向量导入该DNN模型中，计算得到预测结果，进而获取重构岩心结果。
2