一种基于图粗粒化和链路预测的孔缝网络跨尺度融合方法

本发明涉及孔缝网络跨尺度融合方法，主要是一种基于图粗粒化和链路预测的孔缝网络跨尺度融合方法。

背景技术：

1、随着大构造、简单孔渗关系的油气藏日益减少，我国油气工业发展正在不断突破极限，向着非常规油气快速延伸。但是，由于非常规储层的岩石结构复杂且物性变化大，物理实验方法难以系统分析规律，因此迫切需要对地下岩心更精细的分析。数字岩心作为新兴方法，可以直观展示岩石孔缝空间结构，然而成像法获取数字岩心的手段有明显缺陷，一是常见ct扫描精度最多仅达0.1um数量级，非常规储层孔缝尺度跨度大，导致孔渗无法精准计算；二是电镜实验获取数据精度足够但视域小，无法表达较大尺度下孔缝空间特征。构建包含多尺度孔隙信息的数字岩心模型重要性不言而喻。

2、目前多尺度融合方法主要有传统图像学：使用两种分辨率从对同一岩心采集图像，分别建立数字岩心，并将孔缝网络模型进行叠加融合；深度学习方法：用生成对抗网络重构三维数字岩心，并用神经网络提取到的结构内部微观孔隙信息，叠加形成多尺度三维数字岩心。上述基于图像融合的多尺度建模方法都存在融合前后图像尺度差异较小的问题，仅再原图中叠加了小孔缝信息。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种基于图粗粒化和链路预测的孔缝网络跨尺度融合方法解决了现有技术融合前后图像尺度差异较小、纳米级图像与微米级图像融合后图像分辨率过高、计算资源和存储空间开销过大的问题。

2、为了达到上述发明目的，本发明采用的技术方案为一种基于图粗粒化和链路预测的孔缝网络跨尺度融合方法，包括以下步骤：

3、s1、针对数字岩心的孔和缝，建立球棍模型，并根据岩样的分布、连通关系建模孔缝图网络；

4、s2、提取孔缝图网络的邻接矩阵和特征矩阵，构建图链路预测模型，并进行训练；

5、s3、根据岩样的孔隙度分布和连通关系，将纳米级孤立连通片粗粒化为一个个孔缝图网络中的孔隙节点，并放入孔缝图网络中；

6、s4、根据新的孔缝图网络，提取出新的邻接矩阵和特征矩阵，用模型计算出孔隙节点之间的存在缝隙的概率，实现多尺度融合。

7、进一步地，所述步骤s1包括以下分步骤：

8、s11、针对数字岩心的孔和缝分别建立球棍模型，利用距离图法等方法进行裂缝中心线提取，并使用最大球法将裂缝空间等效为密集的连通孔隙空间；

9、s12、找到孔隙和裂缝的接触面对应的最大球，根据接触面的数量、面积建立孔隙和裂缝之间连通的喉道半径及配位数分布关系，以此对接触面对应的孔隙和裂缝的最大球选取合适半径和数量的喉道将两者相连，建立孔缝模型的连边。

10、s13、将球棍模型的球表示为图结构中的点，棍表示为边，将孔缝图网络表示为g＝(v,e,x)；

11、其中v＝{v0,…,vn}为孔缝图网络中的孔隙节点集合，e＝{e0,…,en}为孔缝图网络的边集合，为孔缝图网络的孔隙节点特征集合。

12、上述进一步方案的有益效果是：最大程度保留了裂缝空间的形态特征，并使用图结构节省了数据运算与存储难度。

13、再进一步地，所述步骤s2包括以下分步骤：

14、s21、根据孔缝图网络的边集合e，提取邻接矩阵a，其中，a是n×n的矩阵，矩阵中ai,j为0或1，ai,j＝1表示孔隙节点vi与孔隙节点vj之间存在直接相连的缝隙，ai,j＝0表示孔隙节点vi与孔隙节点vj之间不存在直接相连的缝隙；

15、其中，ai,j的取值由e确定，若ei＝<vi,vj>∈e则ai,j＝1，若ei＝则ai,j＝0；

16、s22、使用基于随即丢弃掩码方法和基于源点随机游走掩码方法对孔缝图网络中进行掩码，得到掩码后的边集合；

17、基于随机丢弃的方式进行图掩码的实现过程为：

18、a1、确定丢弃概率p；

19、a2、按照丢弃概率在邻接矩阵中随机选择元素置为0；

20、a3、重复a2多次，形成掩码后的邻接矩阵；

21、基于源点的随机游走的方法进行图掩码的实现过程为：

22、b1、初始化：从源节点s开始；

23、b2、转移概率：在每一步，从当前节点v出发，选择一个邻居节点u移动的概率为其中deg(v)表示节点v的度数；

24、b3、迭代：重复步骤b2多次，形成游走路径。

25、s23、构建图链路预测模型，使用掩码后的数据对模型进行训练；

26、其中编码器部分，其神经网络架构为两层图卷积神经网络gcn，每一层gcn之后使用relu作为激活函数；

27、解码器部分的输出显示了两个终端节点间在不同粒度下相互之间关系的相似性。

28、上述进一步方案的有益效果是：使用了基于均匀分布的抽样掩码策略，可以有效防止潜在的中心偏差，掩码打破了孔隙节点之间的短期链接，强迫模型学习底层语义，来适应被掩码的结构；图卷积编码器能够有效提取图结构的拓扑结构信息；互相关解码器能够有效模拟孔隙节点之间的交叉关系，突出两者共同属性并系数不一致的信息，只有在两个孔隙节点之间高度相关的元素才会被保留。

29、再进一步地，所述步骤s3包括以下分步骤：

30、s31、采用流体注入实验方法计算出微米级和纳米级尺度下岩样的孔隙度分布函数，采用双束电镜实验方法得到微米级尺度下岩样的形态特征和连通关系，采用扫描电镜实验方法得到纳米级尺度下岩样的形态特征和连通关系；

31、s32、按照流体注入实验方法得到的纳米级尺度下岩样的各种不同的孔隙度分布函数，形成纳米级孤立连通片；

32、s33、根据s32中得到的纳米级孔缝图网络中孤立的连通片进行粗粒化，得到一个个微米级尺度下的孔隙节点，并将其合并到孔缝图网络中。

33、上述进一步方案的有益效果是：使用流体注入法和双束电镜实验方法能够获得足够精确的微米级、纳米级尺度岩样的形态特征和连通关系。

34、再进一步地，所述步骤s4包括以下分步骤：

35、s41、根据s21中所述方法提取出融合纳米级孤立连通片后的孔缝图网络的邻接矩阵和特征矩阵；

36、s42、根据s23中所述模型解码器，计算出孔隙节点之间存在缝隙的概率；

37、s43、设定概率阈值为70％，判断孔隙节点之间存在缝隙的概率是否足够形成新的连通关系，实现孔缝网络的跨尺度融合。

38、上述进一步方案的有益效果是：互相关解码器能够有效模拟孔隙节点之间的交叉关系，突出两者共同属性并系数不一致的信息，只有在两个孔隙节点之间高度相关的元素才会被保留；通过互相关解码器有效模拟孔隙节点之间的交叉关系，得到孔隙节点存在缝隙的概率，实现纳米级微米级尺度下孔缝图网络的跨尺度融合。

39、综上所述，本发明的有益效果为：相较于常规方法考虑到了纳米级岩心图像难以获取、视域过小、代表性不足等问题以及与微米级图像融合后的图像分辨率过高等问题，使用孔缝网络实现了微纳米融合，并大大降低了计算量；利用基于掩码的图自编码器思想，用遮盖原始孔缝网络路径破坏拓扑结构的方式强迫模型去学习孔缝图网络的完整结构信息，避免了过拟合，提升模型效果；神经网络的互相关解码器使用两个节点对之间k个节点特征序列作为输入，把不同粒度的邻域信息相关联，突出两者的共同属性并稀释不一致的信息，提升模型预测效果。