(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 202111245467.9 (22)申请日 2021.10.25 (71)申请人 南京大学 地址 210033 江苏省南京市栖霞区仙林大 道163号 (72)发明人 蒋建国　孟胤全　吴吉春　 (74)专利代理 机构 江苏圣典律师事务所 32 237 代理人 贺翔 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/10(2020.01) G06T 17/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于LSTM的多孔介质渗透率的预测方 法 (57)摘要 本发明公开了一种基于LSTM的多孔介质渗 透率的预测方法。 该方法首先利用计算流体力学 方法计算出多孔介质的渗透率并用作训练样本 的标签值； 将多孔介质进行切分并提取每一切片 的几何图像特征， 并组成一维特征序列； 将特征 序列拼接为二维矩阵， 作为长短时记忆神经网络 LSTM的输入， 经过训练与调参后的网络能够预测 出测试样 本的渗透率。 通过三维多孔介质样本进 行神经网络的训练与测试， 本方法能够很好地预 测三维多孔介质的渗透率。 该方法的最大优点在 于对多孔介质三维孔隙结构数据的大幅压缩， 压 缩后的数据保存了空间上的序列性， 然后利用深 度学习LSTM的序列处理能力实现对三维多孔介 质渗透率的精确预测。 权利要求书2页 说明书4页 附图3页 CN 113947026 A 2022.01.18 CN 113947026 A 1.一种基于LSTM的多孔介质渗透率的预测方法， 其特 征在于， 包括以下步骤： (1)计算出多孔介质的渗透率； (2)将多孔介质的三维孔隙结构图像经切分后形成二维灰度图像切片序列； (3)将二维灰度图像切片序列中每一张切片进行几何图像特征的提取， 并分别组成包 括孔隙度、 二维比表面积与二维欧拉数的多个特 征序列； (4)将步骤(3)的多个特征序列与 步骤(1)的渗透率组成样本集并划分为训练集与测试 集， 其中训练集用作LSTM神经网络的训练， 以获取最佳的模型参数； 测试集用作评估模 型的 预测能力。 2.根据权利要求1所述的基于LSTM的多孔介质渗透率的预测方法， 其特征在于： 步骤 (2)具体为， 将多孔介质的三 维孔隙结构图像沿待求渗透率的方向， 切分后形成连续的二 维 灰度图像切片序列。 3.根据权利要求1或2所述的基于LSTM的多孔介质渗透率的预测方法， 其特征在于： 步 骤(3)具体为， 将每一张灰度图像切片中的1值像素表示为固相， 则0值像素表示为孔隙； 再 提取出孔隙度、 二维比表面积与二维欧拉数从而组成一维序列； 所述孔隙度定义为孔隙所 占面积与切片面积的比值， 表示方法为孔隙像素数与切片图像总像素数之比； 二维比表面 积定义为切片内所有孔隙的总周长与切片面积的比值， 表示方法为孔隙边缘的像素数与孔 隙像素数之比； 二 维欧拉数定义为 1值像素的连通组件数与其中孔洞数的差值， 孔洞是以前 景即1值为边界的背景即0值的区域。 。 4.根据权利要求3所述的基于LSTM的多孔介质渗透率的预测方法， 其特征在于： 步骤 (4)具体为， 将步骤(3)的一 维特征序列拼接成的T ×n矩阵加以表征， 其中T为多孔介质切分 的个数， n为一维特征序列数量； 以步骤(1)计算得到的渗透率作为标签值， 从而组成样本 集； 样本集按照7:3划分为训练集与测试集； 根据多孔介质的特征序列矩阵构建相应的LSTM 模型； LSTM模 型的时间步即为多孔介质的切片数； 以训练集的特征序列矩阵、 对应的渗透率 标签值作为输入， 对所建立的LSTM进行训练以调整网络的权重参数； 测试集用以测试模型 的预测能力； 根据测试集预测结果的好坏， 调整网络的结构与超参数。 5.根据权利要求4所述的基于LSTM的多孔介质渗透率的预测方法， 其特征在于， 步骤 (4)所述的LSTM网络采用以下 方式控制信息的流动： 其中， 给定输入特征序列矩阵 T为输入序列长度， xt＝[孔 隙度t 比周t 欧拉数t]为t时刻， 即第t个切片的输入； W*、 b*和U*是神经网络的可学习参数,* ∈{c,i,f,o}； it、 ft与ot， 分别表示t时刻的网络的输入、 遗忘与输出函数， ct与ht分别表权　利　要　求　书 1/2 页 2 CN 113947026 A 2示t时刻的网络的候选状态、 内部状态与外部状态； σ表示控制门的激励函数， tanh表示状态的激励函数， ⊙表示矩阵相乘。权　利　要　求　书 2/2 页 3 CN 113947026 A 3