CN117975174B - 一种基于改进vqgan的三维数字岩心重构方法 - Google Patents
一种基于改进vqgan的三维数字岩心重构方法 Download PDFInfo
- Publication number
- CN117975174B CN117975174B CN202410391634.8A CN202410391634A CN117975174B CN 117975174 B CN117975174 B CN 117975174B CN 202410391634 A CN202410391634 A CN 202410391634A CN 117975174 B CN117975174 B CN 117975174B
- Authority
- CN
- China
- Prior art keywords
- layer
- dimensional digital
- digital core
- representing
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000006872 improvement Effects 0.000 title claims abstract description 10
- 239000013598 vector Substances 0.000 claims abstract description 108
- 238000013139 quantization Methods 0.000 claims abstract description 51
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 82
- 230000004913 activation Effects 0.000 claims description 57
- 238000010606 normalization Methods 0.000 claims description 54
- 238000005457 optimization Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000008485 antagonism Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003042 antagnostic effect Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 239000011435 rock Substances 0.000 abstract description 35
- 238000007906 compression Methods 0.000 abstract description 6
- 230000006835 compression Effects 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 20
- 238000012549 training Methods 0.000 description 18
- 230000009286 beneficial effect Effects 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 239000011148 porous material Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 108091026890 Coding region Proteins 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000000137 annealing Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于改进VQGAN的三维数字岩心重构方法,属于油气田开发技术领域。该方法包括对不同种类的三维数字岩心图像的进行预处理,并转换;利用矢量量化变分自编码器结构VQ‑VAE的编码器E,对转换后的三维数字岩心图像进行压缩;将压缩结果进行矢量化操作,并映射至离散码本中进行学习,生成矢量特征向量;根据离散码本中的索引,利用Transformer结构对矢量特征向量进行预测;根据预测结果,利用矢量量化变分自编码器结构VQ‑VAE的解码器G进行重构;根据重构后的三维数字岩心图像,利用具有补丁鉴别器D的生成对抗网络GAN进行鉴别。本发明能够对三维数字岩心图像进行高质量、高清晰度的重构。
Description
技术领域
本发明属于油气田开发技术领域,尤其涉及一种基于改进VQGAN的三维数字岩心重构方法。
背景技术
石油和天然气是世界能源需求的主要来源,而数字岩心分析技术成为评价油气储层性质的重要手段。通过对数字岩心的重构分析,可以更准确地理解油气储层的性质,从而指导勘探开发工作。然而,近年来油气资源勘探难度的不断增加,勘探对象的转移,使得数字岩心样本的获取有了新的挑战和困难。此外,随着数字岩心在石油勘探开发、地质学研究、储层评价等领域的重要性日益凸显,对更大规模、更高质量数字岩心数据的需求不断增加。传统的岩心分析技术需要人工介入,耗时耗力且受主观因素影响大,同时也存在局限性。
利用计算机技术进行数字岩心分析具有自动化与高效性、客观性和准确性、多维数据处理能力、灵活性与可扩展性以及数据可视化和结果解释等优点,为岩石分析提供了强大的工具和方法,推动了数字岩心分析技术的发展和应用。近年来,深度学习技术的发展为数字岩心重构提供了新的思路和方法,使得自动化分析成为可能。基于深度学习的数字岩心分析方法也逐渐成为了研究的热点,通过学习大量的岩心图像数据,实现对数字岩心的自动化、高效率分类和重构。
数字岩心重构的物理实验法是一种利用物理实验设备和技术对岩心进行模拟和重构的方法。这种方法通过实验室中对岩石样本进行的物理实验和成像技术,获取岩石样本的物理特性和内部结构信息,从而实现数字岩心的重构。物理实验法重构的数字岩心通常具有真实性高、直观性强、适用性广泛和可控性好等优点。然而,它也存在着成本高、时间耗费大、受限于实验条件和样本数量有限等缺点。常见的数字岩心物理实验法包括序列切片成像法,X射线CT扫描法,磁共振成像法以及激光扫描法等方法。
基于物理实验的基于改进VQGAN的三维数字岩心重构方法能够获取岩石样本的物理特性和内部结构信息,随后结合这些物理性质数据对岩石样本的内部结构进行重构。该过程首先通过物理重构方法获取岩石的微观结构信息,然后利用数学方法进行处理和分析,最终得到岩石的三维模型。总的来说,物理实验法重构的数字岩心往往具有真实性高、直观性强、适用性广泛和可控性好等优点,但同时也存在着成本高、时间耗费大、受限于实验条件和样本数量有限等缺点。
数值模拟法在数字岩心重构中具有广泛的应用,有助于实现对不同岩石类型的重构,如过程法、模拟退火法、马尔科夫链蒙特卡洛方法、多点统计法等。过程重构法是通过将地质过程理论与数字模拟技术相结合,从而实现对数字岩心的重构。相比于其他数字岩心重构方法,过程法能够更好地考虑地质过程对岩石形成和演化的影响,从而更准确地重建岩石的内部结构和性质。模拟退火法是一种模拟物理退火过程的算法,能够有效地将岩心的丰富信息融入到重构的三维数字岩心中,从而呈现更接近岩心样本的孔隙空间结构特征。此外,该方法还具备引入各种统计属性作为约束条件的灵活性,为重构过程提供了更多的控制参数。马尔科夫链蒙特卡洛方法在处理复杂的数字岩心模型时展现出卓越的灵活性和准确性,显著提升了数字岩心重构的可靠性。多点统计法假设岩石属性之间的空间相关性,并通过已知区域的属性值和空间结构信息来推断未知区域的属性分布。其存在以下缺点:
1. 模型的准确性受限:虽然数值模拟法可以基于实际岩心数据进行建模,但模型的准确性仍然受到多种因素的影响。例如,模型的建立过程中可能需要对岩心数据进行简化和抽象,这可能导致模型与实际岩心之间存在一定的差异。此外,模型的参数设置、边界条件等也可能对模型的准确性产生影响。
2. 计算量大且复杂:数值模拟法通常需要进行大量的计算,包括岩心孔隙结构的提取、物理场的耦合模拟等。这可能需要高性能的计算机设备和较长的计算时间,增加了实验的成本和复杂性。
3. 对岩心数据质量要求高:数值模拟法需要基于高质量的岩心数据进行建模。如果岩心数据存在误差或不足,可能导致模型的准确性受到影响。
4. 模型的可解释性较差:数值模拟法建立的数字岩心模型通常具有较高的复杂性,这可能导致模型的可解释性较差。即使模型能够准确地模拟岩心的某些物理性质,也可能难以解释其背后的机理和规律。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于改进VQGAN的三维数字岩心重构方法,解决了现有技术重构能力差、消耗时间长、连通性差以及泛化能力差的问题。
为了达到以上目的,本发明采用的技术方案为:一种基于改进VQGAN的三维数字岩心重构方法,包括以下步骤:
S1、收集不同种类的三维数字岩心图像;
S2、对所述三维数字岩心图像进行预处理,并将预处理后的三维数字岩心图像进行转换;
S3、利用矢量量化变分自编码器结构VQ-VAE的编码器E,对转换后的三维数字岩心图像进行压缩,得到三维数字岩心图像的图像特征;
S4、将所述三维数字岩心图像的图像特征进行矢量化操作,并将矢量向量映射至离散码本中进行学习,生成矢量特征向量;
S5、根据离散码本中的索引,利用Transformer结构对所述矢量特征向量进行预测,生成预测的三维数字岩心图像特征;
S6、根据预测的三维数字岩心图像特征,利用矢量量化变分自编码器结构VQ-VAE的解码器G进行重构,得到重构后的三维数字岩心图像;
S7、根据重构后的三维数字岩心图像,利用具有补丁鉴别器D的生成对抗网络GAN进行鉴别,完成对三维数字岩心的重构。
本发明的有益效果是:本发明将生成对抗网络GAN卓越的图像生成能力,矢量量化变分自编码器结构VQ-VAE的重建和压缩能力,以及Transformer结构的长程交互能力相结合,以三维数字岩心图像作为训练样本,最后生成具有高分辨率、高清晰度的三维数字岩心孔隙结构。本发明采用矢量量化变分自编码器结构VQ-VAE和Transformer结构的多阶段训练方法,通过对三维数字岩心图像的空间结构进行预训练学习,可以在极短的时间内重构除高质量的三维数字岩心图像。本发明通过以上设计,能够对任意复杂地质环境下的数字岩心微观结构进行高质量重构,同时能够应对不同岩性的三维数字岩性图像。本发明降低了传统数字岩心分类方法带来的成本高昂、重构质量低、重构速度慢以及重构图像连通性差等问题,有效地解决了现有技术中重构能力差、消耗时间长、连通性差以及泛化能力差的问题。
进一步地,所述S3中矢量量化变分自编码器结构VQ-VAE的编码器E包括依次连接的第一网络层、第二网络层、第三网络层以及第四网络层;
所述第一网络层包括依次连接的第一三维卷积层、第一归一化层以及第一LeakyReLu激活函数层;
所述第二网络层包括依次连接的第二三维卷积层、第二归一化层以及第二LeakyReLu激活函数层,所述第二三维卷积层与第一LeakyReLu激活函数层连接;
所述第三网络层包括依次连接的第三三维卷积层、第三归一化层以及第三LeakyReLu激活函数层,所述第三三维卷积层与第二LeakyReLu激活函数层连接;
所述第四网络层包括依次连接的第四三维卷积层、第四归一化层以及第四LeakyReLu激活函数层,所述第四三维卷积层与第三LeakyReLu激活函数层连接。
上述进一步方案的有益效果是:本发明利用矢量量化变分自编码器结构VQ-VAE的图像压缩能力能够降低图像规模,减少计算资源消耗,Transformer结构能够准确预测任意分辨率图像的高维编码特征,生成对抗网络GAN能够极大提高三维数字岩心重构质量。
再进一步地,所述S4包括以下步骤:
S401、将所述三维数字岩心图像的图像特征进行矢量化操作,得到矢量向量;
S402、将矢量向量映射至离散码本中进行学习,其中,所述离散码本包括三维数字岩心图像的图像特征离散化的编码向量;
S403、根据学习结果,将每一个三维数字岩心图像的图像特征的编码位置与离散码本中对应的位置进行匹配,生成具有相同维度的矢量特征向量。
上述进一步方案的有益效果是:矢量化操作能够很好地保留三维数字岩心图像的细节,且具有较好的稳定性,有助于提高模型的收敛速度,并减少训练过程中的不确定性。同时,矢量图像由简单的几何图元组成,表示紧凑且所占存储空间小,此外,矢量图像易于进行编辑和放缩,而不会降低显示质量。
再进一步地,所述S403中矢量特征向量的表达式如下:;其中,表示已离散化的矢量特征向量,/>表示连续性空间编码,/>表示对每个连续性空间编码进行逐个元素量化,/>和/>分别表示编码后的三维数字岩心图像的高度和宽度,/>表示编码后的维数,/>表示实数集。
再进一步地,所述S5中Transformer结构包括若干个堆叠的编码预测层;
各编码预测层均包括输入层、与输入层连接的多头注意力层、与多头注意力层连接的第五归一化层、与第五归一化层连接的全连接前馈神经网络层、与全连接前馈神经网络层连接的第六归一化层以及与第六归一化层连接的输出层;
所述多头注意力层和第五归一化层之间有残差连接,所述第五归一化层和全连接前馈神经网络层之间有残差连接,所述全连接前馈神经网络层和第六归一化层之间有残差连接。
上述进一步方案的有益效果是:Transformer结构中的注意力机制能够捕获输入三维数字岩心图像特征的长距离关系,同时残差连接结构能够灵活地处理不同分辨率和尺寸的图像,全连接前馈神经网络通过多层非线性变换,能够学习输入数据的复杂表示,这有助于捕捉三维数字岩心图像的高级特征,从而生成更真实、细节更丰富的三维数字岩心图像。
再进一步地,所述S6中矢量量化变分自编码器结构VQ-VAE的解码器G包括依次连接的第五网络层、第六网络层、第七网络层以及第八网络层;
所述第五网络层包括依次连接的第一三维反卷积层、第七归一化层以及第五LeakyReLu激活函数层;
所述第六网络层包括依次连接的第二三维反卷积层、第八归一化层以及第六LeakyReLu激活函数层,所述第二三维反卷积层与第五LeakyReLu激活函数层连接;
所述第七网络层包括依次连接的第三三维反卷积层、第九归一化层以及第七LeakyReLu激活函数层,所述第三三维反卷积层与第六LeakyReLu激活函数层连接;
所述第八网络层包括依次连接的第四三维反卷积层、第十归一化层以及第八LeakyReLu激活函数层,所述第四三维反卷积层与第七LeakyReLu激活函数层连接。
上述进一步方案的有益效果是:本发明利用矢量量化变分自编码器结构VQ-VAE的解码器G,逐步对处理矢量化后的Transformer预测特征从高维空间中进行重构,恢复出具有高分辨率、高清晰度的三维数字岩心图像。
再进一步地,所述S6中重构后的三维数字岩心图像的表达式如下:;其中,/>表示重构后的三维数字岩心图像,/>表示解码操作,/>表示连续性空间编码,表示对每个连续性空间编码进行逐个元素量化。
再进一步地,所述矢量量化变分自编码器结构VQ-VAE的目标函数表达式如下:;其中,/>表示矢量量化变分自编码器结构VQ-VAE的目标函数,/>表示转换得到的三维数字岩心图像,/>表示停止梯度的运算符,表示连续性空间编码,/>表示生成的矢量特征向量,/>表示权重系数,/>表示重构后的三维数字岩心图像。
上述进一步方案的有益效果是:矢量量化变分自编码器结构VQ-VAE的目标优化函数能够在保持重构三维数字岩心图像质量的同时实现高效的压缩。重构损失确保重构三维数字岩心图像的保真度。通过这种方式,矢量量化变分自编码器结构VQ-VAE在本发明中为高质量的三维数字岩心图像重构奠定了基础。
再进一步地,所述S7中具有补丁鉴别器D的生成对抗网络GAN包括依次连接的第九网络层、第十网络层以及第十一网络层;
所述第九网络层包括依次连接的第一二维卷积层、第十一归一化层以及第九LeakyReLu激活函数层;
所述第十网络层包括依次连接的第二二维卷积层、第十二归一化层以及第十LeakyReLu激活函数层,所述第二二维卷积层与第九LeakyReLu激活函数层连接;
第十一网络层包括依次连接的第三二维卷积层、第十三归一化层以及sigmoid激活函数层,所述第三二维卷积层与第十LeakyReLu激活函数层连接。
上述进一步方案的有益效果是:具有补丁鉴别器D结构的生成对抗网络GAN在处理高分辨率三维数字岩心图像时,表现出了显著的优点。补丁鉴别器D通过独立地评估图像中的多个补丁来解决这个问题,从而确保生成器在重构三维数字岩心图像的各个部分时都能保持高质量。
再进一步地,所述矢量量化变分自编码器结构VQ-VAE和生成对抗网络GAN的总体目标优化函数表达式如下:;;其中,/>表示矢量量化变分自编码器结构VQ-VAE和生成对抗网络GAN的总体目标优化函数,/>和/>均表示生成对抗网络GAN的目标函数,/>表示编码器E的优化参数,/>表示解码器的优化参数,/>表示离散码本的优化参数,/>表示补丁鉴别器D的优化参数,/>表示三维数字岩心图像分布的期望值,/>和/>均表示矢量量化变分自编码器结构VQ-VAE的目标函数,/>表示重构损失/>与生成对抗网络GAN的目标函数/>梯度相关的权重,/>表示对/>进行对数计算,/>表示重构的三维数字岩心图像分类为假的概率,/>表示输入的三维数字岩心图像分类为真的概率,/>表示对重构的三维数字岩心图像分类为真的概率,/>表示生成对抗网络GAN的最大最小值求解;
重构损失的表达式如下:/>;其中,/>表示三维数字岩心图像的样本数量,/>、/>和/>分别表示重构后的三维数字岩心图像的宽、高和通道数量,表示重构后的三维数字岩心图像的补丁值,/>表示真实的三维数字岩心图像的补丁值。
上述进一步方案的有益效果是:各个目标优化函数的优点共同促进了重构三维数字岩心图像质量的提高、多样性的增加以及训练过程的稳定性。这些损失项在训练过程中相互补充,共同推动模型向更好的性能发展。
附图说明
图1为本发明的方法流程图。
图2为本发明的Transformer结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例
本实施例中,基于改进VQGAN的三维数字岩心重构方法指将矢量量化变分自编码器结构VQ-VAE进行三维化,使得矢量量化变分自编码器结构VQ-VAE能够适应三维数字岩心的高质量重构任务。其中,主要包括具有三维结构的生成对抗网络GAN、具有三维结构的矢量量化变分自编码器结构VQ-VAE以及具有三维数字岩心图像预测能力的Transformer结构。如图1所示,本发明提供了一种基于改进VQGAN的三维数字岩心重构方法,其实现方法如下:
S1、收集不同种类的三维数字岩心图像;
S2、对所述三维数字岩心图像进行预处理,并将预处理后的三维数字岩心图像进行转换;
S3、利用矢量量化变分自编码器结构VQ-VAE的编码器E,对转换后的三维数字岩心图像进行压缩(以512*512*512为例),得到三维数字岩心图像的图像特征;
矢量量化变分自编码器结构VQ-VAE的编码器E具有三维卷积结构,包括依次连接的第一网络层、第二网络层、第三网络层以及第四网络层;
所述第一网络层包括依次连接的第一三维卷积层、第一归一化层以及第一LeakyReLu激活函数层,接收输入网络中的512*512*512三维数字岩心图像,输出256*256*256的三维数字岩心图像特征;
所述第二网络层包括依次连接的第二三维卷积层、第二归一化层以及第二LeakyReLu激活函数层,所述第二三维卷积层与第一LeakyReLu激活函数层连接,接收输入网络中的256*256*256三维数字岩心图像,输出128*128*128的三维数字岩心图像特征;
所述第三网络层包括依次连接的第三三维卷积层、第三归一化层以及第三LeakyReLu激活函数层,所述第三三维卷积层与第二LeakyReLu激活函数层连接,接收输入网络中的128*128*128三维数字岩心图像特征,输出64*64*64的三维数字岩心图像特征;
所述第四网络层包括依次连接的第四三维卷积层、第四归一化层以及第四LeakyReLu激活函数层,所述第四三维卷积层与第三LeakyReLu激活函数层连接,接收输入网络中的64*64*64三维数字岩心图像特征,输出32*32*32的三维数字岩心图像特征;
S4、将所述三维数字岩心图像的图像特征进行矢量化操作,并将矢量向量映射至离散码本中进行学习,生成矢量特征向量,其实现方法如下:
S401、将所述三维数字岩心图像的图像特征进行矢量化操作,得到矢量向量;
S402、将矢量向量映射至离散码本中进行学习,其中,所述离散码本包括三维数字岩心图像的图像特征离散化的编码向量;
S403、根据学习结果,将每一个三维数字岩心图像的图像特征的编码位置与离散码本中对应的位置进行匹配,生成具有相同维度的矢量特征向量;
S5、根据离散码本中的索引,利用Transformer结构对所述矢量特征向量进行预测,生成预测的三维数字岩心图像特征;
Transformer结构包括若干个堆叠的编码预测层,如图2所示,图中为若干个堆叠的编码预测层的中一个,其中,Y表示编码预测层的个数,表示残差连接,/>表示乘号。
各编码预测层均包括输入层、与输入层连接的多头注意力层、与多头注意力层连接的第五归一化层、与第五归一化层连接的全连接前馈神经网络层、与全连接前馈神经网络层连接的第六归一化层以及与第六归一化层连接的输出层;
所述多头注意力层和第五归一化层之间有残差连接,所述第五归一化层和全连接前馈神经网络层之间有残差连接,所述全连接前馈神经网络层和第六归一化层之间有残差连接;
S6、根据预测的三维数字岩心图像特征,利用矢量量化变分自编码器结构VQ-VAE的解码器G进行重构,得到重构后的三维数字岩心图像;
矢量量化变分自编码器结构VQ-VAE的解码器G具有三维反卷积结构,包括依次连接的第五网络层、第六网络层、第七网络层以及第八网络层;
所述第五网络层包括依次连接的第一三维反卷积层、第七归一化层以及第五LeakyReLu激活函数层,接收输入网络中三维数字岩心32*32*32的预测图像特征,输出64*64*64的三维数字岩心图像特征;
所述第六网络层包括依次连接的第二三维反卷积层、第八归一化层以及第六LeakyReLu激活函数层,所述第二三维反卷积层与第五LeakyReLu激活函数层连接,接收输入网络中的64*64*64三维数字岩心图像特征,输出128*128*128的三维数字岩心图像特征;
所述第七网络层包括依次连接的第三三维反卷积层、第九归一化层以及第七LeakyReLu激活函数层,所述第三三维反卷积层与第六LeakyReLu激活函数层连接,接收输入网络中的128*128*128三维数字岩心图像特征,输出256*256*256的三维数字岩心图像特征;
所述第八网络层包括依次连接的第四三维反卷积层、第十归一化层以及第八LeakyReLu激活函数层,所述第四三维反卷积层与第七LeakyReLu激活函数层连接,接收输入网络中的256*256*256三维数字岩心图像特征,输出512*512*512的三维数字岩心重构图像;
S7、根据重构后的三维数字岩心图像,利用具有补丁鉴别器D的生成对抗网络GAN进行鉴别,完成对三维数字岩心的重构。
所述S7中具有补丁鉴别器D的生成对抗网络GAN包括依次连接的第九网络层、第十网络层以及第十一网络层;
所述第九网络层包括依次连接的第一二维卷积层、第十一归一化层以及第九LeakyReLu激活函数层,接收输入网络中的16*16三维数字岩心图像,输出8*8三维数字岩图像特征;
所述第十网络层包括依次连接的第二二维卷积层、第十二归一化层以及第十LeakyReLu激活函数层,所述第二二维卷积层与第九LeakyReLu激活函数层连接,接收输入网络中的8*8三维数字岩心图像特征,输出4*4的三维数字岩心图像特征;
第十一网络层包括依次连接的第三二维卷积层、第十三归一化层以及sigmoid激活函数层,所述第三二维卷积层与第十LeakyReLu激活函数层连接,接收输入网络中的4*4三维数字岩心图像特征,输出概率;最后将这些补丁图像的真假概率汇总,输出重构三维图像的真假概率。
本实施例中,生成对抗网络GAN中的判别器将512*512*512大小的三维数字岩心图像划分为512*512大小的二维切片,并将每张切片划分为若干张16*16大小的图像输入到判别器中进行真假判断。
本实施例中,本发明提出一种基于改进的VQGAN进行三维数字岩心重构将生成对抗网络GAN卓越的图像生成能力,矢量量化变分自编码器结构VQ-VAE的数据重建和压缩能力以及Transformer的长程交互能力相结合,以三维数字岩心图像作为训练样本,最后生成具有高分辨率、高清晰度的三维数字岩心孔隙结构。采用多阶段的训练方法,通过对三维数字岩心样本图像的空间结构进行预训练学习,可以在极短的时间内重构除高质量的三维数字岩心图像。
本实施例中,本发明融合了三种不同的结构:首先,它采用了能够处理三维数据的矢量量化的矢量量化变分自编码器结构VQ-VAE,以有效地对输入三维岩心数据进行编码和解码;其次,结合了Transformer的预测结构,利用自注意力机制来捕捉数据间的依赖关系并进行准确预测;最后,集成了生成对抗网络GAN的重构结构,以生成高质量的三维数字岩心图像数据。通过这种综合设计,在处理三维数据和生成高质量重构方面展现出了强大的能力。
本实施例中,矢量量化变分自编码器结构VQ-VAE主要对三维数字岩心图像大量的细节和复杂的纹理结构进行呈现,更高效的对三维数字岩心图像进行重构。首先设计了一个由编码器E和解码器G组成的CNN模型,将转换后的三维数字岩心图像(其中,/>、/>、/>和N分别表示转换后的三维数字岩心图像的高度、宽度、通道数以及切片数量,/>表示实数集)输入到编码器E中进行高效的数据压缩,编码得到三维数字岩心图像的图像特征/>(其中,/>和/>分别表示编码后的三维数字岩心图像的高度和宽度,表示编码后的维数,/>表示实数集,三维数字岩心图像的图像特征/>又表示连续性空间编码)。在离散编码过程中,该发明引入一个可学习的离散码本/>(其中,/>表示离散码本中的离散编码的集合,K表示离散码本中的编码总数,该编码属于实数集,k表示编码数的索引,/>表示实数集,/>表示编码后的维数),该离散码本包含了三维数字岩心图像特征离散化的编码向量,用来表示数字岩心的连续性空间编码/>,这样可以有效减少三维数字岩心图像复杂细节的存储空间需求,方便存储和传输。使用最近邻搜索算法将连续性空间编码/>的每一个数字岩心特征编码位置与离散码本/>中对应位置进行匹配,从而生成一个具有相同维度的矢量特征向量/>,离散化编码过程可以表示为:(其中,/>表示已离散化的矢量特征向量,/>表示连续性空间编码,表示对每个连续性空间编码进行逐个元素量化,/>和/>分别表示编码后的三维数字岩心图像的高度和宽度,/>表示编码后的维数,/>表示实数集),使其更加接近离散码本索引,离散码本中各个条目由一系列h*w索引等效表示。三维数字岩心图像转化为更易处理、分析和比较的离散形式,有助于提取数字岩心的种类、纹理模式或孔隙结构,并减少数据存储和计算成本。最后对已经离散化的矢量特征向量/>作为解码器G的输入,映射回原始图像空间,重构出理想的三维数字岩心图像/>,重构方式为:/>;其中,/>表示重构后的三维数字岩心图像,/>表示解码操作,/>表示连续性空间编码,/>表示对每个连续性空间编码进行逐个元素量化。
最后,整个矢量量化变分自编码器结构VQ-VAE的目标函数如下:;其中,/>表示矢量量化变分自编码器结构VQ-VAE的目标函数,/>表示转换得到的图像矩阵,/>表示停止梯度的运算符,阻止参数更新,/>表示连续性空间编码,/>表示生成的矢量特征向量,/>表示权重系数。第一项用来优化编码器E和解码器G,第二项只用来训练潜在编码空间,使得编码向量向着各自最近的连续性空间编码/>靠近,最后一项仅用来训练编码器E,防止解码器G的输出在码本向量之间进行频繁波动导致训练速度降低。
本实施例中,Transformer结构的核心优势在于其能够深入处理三维数字岩心图像。通过注意力机制,在图像的不同位置之间建立远距离关系,这种机制使得模型能够全面捕捉和利用三维空间中的复杂结构和关联信息,确保模型充分理解并利用图像中的深度信息、形状特征和空间关系,从而实现对三维数字岩心图像更为精准和全面重构。本发明将数字岩心的重构任务理解成对下一个索引进行自回归预测,通过Transformer结构学习预测下一个索引的分布/>,使得数据更加靠近真实三维数字岩心图像分布/>,从而使得能够直接最大化数据表示的对数可能性:/>;其中,/>表示Transformer结构的目标优化函数,/>表示对三维数字岩心图像x分布的期望值,表示对/>进行对数运算。
本实施例中,具有补丁鉴别器D的生成对抗网络GAN。为了准确还原三维数字岩心图像的复杂孔隙结构和纹理等细粒度特征,并更好的适应不同地质环境和孔隙结构变化,本发明采用具有卷积结构的补丁鉴别器D。该补丁鉴别器D用于区分真实三维数字岩心图像和重构的三维数字岩心图像,并在补丁尺度上判别真假。该种补丁鉴别器D将三维数字岩心图像切片,并均划分为个补丁,/>和/>分别表示每个补丁的宽度和高度,并对每个补丁进行独立的真实或虚假的分类。基于补丁鉴别器D的图像判别方式有效避免了传统二分类补丁鉴别器D忽略数字岩心图像局部细节、只关注整体真实性的缺点。相反,这种方法利用补丁级别的判别器来评估图像的真实性。它对图像的二维矩阵输出进行真实性判定,即对图像矩阵(转换后得到的三维数字岩心图像)中的每个补丁进行局部细节的真实或虚假判断,并能够发现重构的三维数字岩心图像中可能存在的细小差异,这种方式进一步提高了数字岩心图像局部细节重构清晰度。补丁鉴别器D比较重构三维数字岩心图像和真实三维数字岩心图像之间的方法为:/>;其中,/>表示三维数字岩心图像的样本数量,/>、/>和/>分别表示重构后的三维数字岩心图像的宽、高和通道数量,/>表示重构后的三维数字岩心图像的补丁值,/>表示真实的三维数字岩心图像的补丁值。
对整体生成对抗网络GAN的目标优化函数为:。
所述矢量量化变分自编码器结构VQ-VAE和生成对抗网络GAN的总体目标优化函数表达式如下:;其中,/>表示矢量量化变分自编码器结构VQ-VAE和生成对抗网络GAN的总体目标优化函数,/>和均表示生成对抗网络GAN的目标函数,/>表示编码器E的优化参数,/>表示解码器的优化参数,/>表示离散码本的优化参数,/>表示补丁鉴别器D的优化参数,/>表示三维数字岩心图像分布的期望值,/>和/>均表示矢量量化变分自编码器结构VQ-VAE的目标函数,/>表示重构损失/>与生成对抗网络GAN的目标函数梯度相关的权重,/>表示对/>进行对数计算,/>表示重构的三维数字岩心图像分类为假的概率,/>表示输入的三维数字岩心图像分类为真的概率,/>表示对重构的三维数字岩心图像分类为真的概率,/>表示生成对抗网络GAN的最大最小值求解。
本实施例中,为了提高训练效率和整体重构质量,进行了两个阶段的训练,并将矢量量化变分自编码器结构VQ-VAE中的解码器G作为生成对抗网络GAN的生成器。在第一个阶段,使用矢量量化变分自编码器结构VQ-VAE学习真实三维数字岩心图像的数据编码,通过最大化重构目标,矢量量化变分自编码器结构VQ-VAE能够捕捉尽可能多的三维数字岩心图像的上下文信息,并训练一个可学习的具有离散数字岩心图像编码索引的码本,该离散码本可将连续的隐层编码离散化,使其更适合用于生成对抗网络GAN的对抗性训练。在第二阶段,将Transformer结构应用于离散化的数字岩心编码。Transformer结构以类文本生成的方式预测后续的隐层编码序列,并将该隐层编码序列输入到解码器G中,从而重构出具有任意分辨率的高清晰三维数字岩心图像。总的来说,分阶段的损失训练方法在重构三维数字岩心图像中具有优化模型性能、准确重建细节特征、灵活调整网络结构和可解释性等方面的优点,有助于提高三维数字岩心图像重构的质量和效果。该策略通过预训练的方式,能够实现在几分钟内重构出完整的数字岩心图像,极大地提高了的重构效率。
综上所述,本发明能够通过三维卷积进行特征提取和矢量量化的方式进行特征表示,可以自动地学习到样本图像的三维孔隙结构的分布表示,无需手动设计特征提取器,这对于数字岩心图像重构来说尤为有益,因为岩心图像可能包含各种形状、纹理和结构,这些特征可能难以手工提取。本发明利用深度学习框架,可以应用于所有三维数字岩心图像重构任务,这种灵活性使得模型可以适应不同的数据和应用场景的数字岩心图像。本发明能保持样本完好,节约成本,物理实验法会对样品表面造成损坏,使得观察的精细度受损,本发明不需要对样品进行大规模采样,只需要少量三维数字岩心切片样本,保持了样本完整性,降低了实验损耗成本。本发明重构效率高,花费时间短,基于深度学习的重构方法对样本形成过程以及随机过程的计算,大大提高了岩心的重构效率。本发明利用多阶段的训练方式,只需要经过极短时间的预训练过程,即可对后续重构进行精准预测。本发明重构效果好,连通性强,基于三维卷积神经网络的生成对抗网络GAN极大提高了三维数字岩心图像的生成能力。
Claims (8)
1.一种基于改进VQGAN的三维数字岩心重构方法,其特征在于,包括以下步骤:
S1、收集不同种类的三维数字岩心图像;
S2、对所述三维数字岩心图像进行预处理,并将预处理后的三维数字岩心图像进行转换;
S3、利用矢量量化变分自编码器结构VQ-VAE的编码器E,对转换后的三维数字岩心图像进行压缩,得到三维数字岩心图像的图像特征;
S4、将所述三维数字岩心图像的图像特征进行矢量化操作,并将矢量向量映射至离散码本中进行学习,生成矢量特征向量;
S5、根据离散码本中的索引,利用Transformer结构对所述矢量特征向量进行预测,生成预测的三维数字岩心图像特征;
S6、根据预测的三维数字岩心图像特征,利用矢量量化变分自编码器结构VQ-VAE的解码器G进行重构,得到重构后的三维数字岩心图像;
所述矢量量化变分自编码器结构VQ-VAE的目标函数表达式如下:
其中,表示矢量量化变分自编码器结构VQ-VAE的目标函数,/>表示转换得到的三维数字岩心图像,/>表示停止梯度的运算符,/>表示连续性空间编码,/>表示生成的矢量特征向量,/>表示权重系数,/>表示重构后的三维数字岩心图像;
S7、根据重构后的三维数字岩心图像,利用具有补丁鉴别器D的生成对抗网络GAN进行鉴别,完成对三维数字岩心的重构;
所述矢量量化变分自编码器结构VQ-VAE和生成对抗网络GAN的总体目标优化函数表达式如下:
其中,表示矢量量化变分自编码器结构VQ-VAE和生成对抗网络GAN的总体目标优化函数,/>和/>均表示生成对抗网络GAN的目标函数,/>表示编码器E的优化参数,/>表示解码器的优化参数,/>表示离散码本的优化参数,/>表示补丁鉴别器D的优化参数,/>表示三维数字岩心图像分布的期望值,/>和/>均表示矢量量化变分自编码器结构VQ-VAE的目标函数,/>表示重构损失/>与生成对抗网络GAN的目标函数梯度相关的权重,/>表示对/>进行对数计算,/>表示重构的三维数字岩心图像分类为假的概率,/>表示输入的三维数字岩心图像分类为真的概率,/>表示对重构的三维数字岩心图像分类为真的概率,/>表示生成对抗网络GAN的最大最小值求解;
重构损失的表达式如下:
其中,表示三维数字岩心图像的样本数量,/>、/>和/>分别表示重构后的三维数字岩心图像的宽、高和通道数量,/>表示重构后的三维数字岩心图像的补丁值,/>表示真实的三维数字岩心图像的补丁值。
2.根据权利要求1所述的基于改进VQGAN的三维数字岩心重构方法,其特征在于,所述S3中矢量量化变分自编码器结构VQ-VAE的编码器E包括依次连接的第一网络层、第二网络层、第三网络层以及第四网络层;
所述第一网络层包括依次连接的第一三维卷积层、第一归一化层以及第一LeakyReLu激活函数层;
所述第二网络层包括依次连接的第二三维卷积层、第二归一化层以及第二LeakyReLu激活函数层,所述第二三维卷积层与第一LeakyReLu激活函数层连接;
所述第三网络层包括依次连接的第三三维卷积层、第三归一化层以及第三LeakyReLu激活函数层,所述第三三维卷积层与第二LeakyReLu激活函数层连接;
所述第四网络层包括依次连接的第四三维卷积层、第四归一化层以及第四LeakyReLu激活函数层,所述第四三维卷积层与第三LeakyReLu激活函数层连接。
3.根据权利要求1所述的基于改进VQGAN的三维数字岩心重构方法,其特征在于,所述S4包括以下步骤:
S401、将所述三维数字岩心图像的图像特征进行矢量化操作,得到矢量向量;
S402、将矢量向量映射至离散码本中进行学习,其中,所述离散码本包括三维数字岩心图像的图像特征离散化的编码向量;
S403、根据学习结果,将每一个三维数字岩心图像的图像特征的编码位置与离散码本中对应的位置进行匹配,生成具有相同维度的矢量特征向量。
4.根据权利要求3所述的基于改进VQGAN的三维数字岩心重构方法,其特征在于,所述S403中矢量特征向量的表达式如下:
其中,表示已离散化的矢量特征向量,/>表示连续性空间编码,/>表示对每个连续性空间编码进行逐个元素量化,/>和/>分别表示编码后的三维数字岩心图像的高度和宽度,/>表示编码后的维数,/>表示实数集。
5.根据权利要求1所述的基于改进VQGAN的三维数字岩心重构方法,其特征在于,所述S5中Transformer结构包括若干个堆叠的编码预测层;
各编码预测层均包括输入层、与输入层连接的多头注意力层、与多头注意力层连接的第五归一化层、与第五归一化层连接的全连接前馈神经网络层、与全连接前馈神经网络层连接的第六归一化层以及与第六归一化层连接的输出层;
所述多头注意力层和第五归一化层之间有残差连接,所述第五归一化层和全连接前馈神经网络层之间有残差连接,所述全连接前馈神经网络层和第六归一化层之间有残差连接。
6.根据权利要求1所述的基于改进VQGAN的三维数字岩心重构方法,其特征在于,所述S6中矢量量化变分自编码器结构VQ-VAE的解码器G包括依次连接的第五网络层、第六网络层、第七网络层以及第八网络层;
所述第五网络层包括依次连接的第一三维反卷积层、第七归一化层以及第五LeakyReLu激活函数层;
所述第六网络层包括依次连接的第二三维反卷积层、第八归一化层以及第六LeakyReLu激活函数层,所述第二三维反卷积层与第五LeakyReLu激活函数层连接;
所述第七网络层包括依次连接的第三三维反卷积层、第九归一化层以及第七LeakyReLu激活函数层,所述第三三维反卷积层与第六LeakyReLu激活函数层连接;
所述第八网络层包括依次连接的第四三维反卷积层、第十归一化层以及第八LeakyReLu激活函数层,所述第四三维反卷积层与第七LeakyReLu激活函数层连接。
7.根据权利要求1所述的基于改进VQGAN的三维数字岩心重构方法,其特征在于,所述S6中重构后的三维数字岩心图像的表达式如下:
其中,表示重构后的三维数字岩心图像,/>表示解码操作,/>表示连续性空间编码,/>表示对每个连续性空间编码进行逐个元素量化。
8.根据权利要求1所述的基于改进VQGAN的三维数字岩心重构方法,其特征在于,所述S7中具有补丁鉴别器D的生成对抗网络GAN包括依次连接的第九网络层、第十网络层以及第十一网络层;
所述第九网络层包括依次连接的第一二维卷积层、第十一归一化层以及第九LeakyReLu激活函数层;
所述第十网络层包括依次连接的第二二维卷积层、第十二归一化层以及第十LeakyReLu激活函数层,所述第二二维卷积层与第九LeakyReLu激活函数层连接;
第十一网络层包括依次连接的第三二维卷积层、第十三归一化层以及sigmoid激活函数层,所述第三二维卷积层与第十LeakyReLu激活函数层连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410391634.8A CN117975174B (zh) | 2024-04-02 | 2024-04-02 | 一种基于改进vqgan的三维数字岩心重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410391634.8A CN117975174B (zh) | 2024-04-02 | 2024-04-02 | 一种基于改进vqgan的三维数字岩心重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117975174A CN117975174A (zh) | 2024-05-03 |
CN117975174B true CN117975174B (zh) | 2024-06-04 |
Family
ID=90851862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410391634.8A Active CN117975174B (zh) | 2024-04-02 | 2024-04-02 | 一种基于改进vqgan的三维数字岩心重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117975174B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583148A (zh) * | 2020-05-07 | 2020-08-25 | 苏州闪掣智能科技有限公司 | 基于生成对抗网络的岩心图像重构方法 |
CN112132959A (zh) * | 2020-09-25 | 2020-12-25 | 东北石油大学 | 数字岩心图像处理方法、装置、计算机设备及存储介质 |
CN113171106A (zh) * | 2021-04-25 | 2021-07-27 | 安徽十锎信息科技有限公司 | 基于vq-vae2和深度神经网络方法的心电异常检测方法 |
CN115375604A (zh) * | 2021-05-18 | 2022-11-22 | 南京大学 | 一种基于量子化自编码器的无监督缺陷检测方法 |
CN115456867A (zh) * | 2022-09-20 | 2022-12-09 | 西南石油大学 | 一种数字岩心重构方法 |
CN116489391A (zh) * | 2023-03-20 | 2023-07-25 | 阿里巴巴(中国)有限公司 | 图像矢量量化编码、文图模型训练及使用方法和装置 |
CN116698890A (zh) * | 2023-05-26 | 2023-09-05 | 长安大学 | 一种基于条件变分自编码器的变孔隙度数字岩心建模方法 |
CN117454965A (zh) * | 2023-09-12 | 2024-01-26 | 北京理工大学 | 基于随机Transformer模型的有模型深度强化学习方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE112021004926T5 (de) * | 2020-09-15 | 2023-07-13 | Fujifilm Corporation | Bildkodiervorrichtung, bildkodierverfahren, bildkodierprogramm,bilddekodiervorrichtung, bilddekodierverfahren, bilddekodierprogramm,bildverarbeitungsvorrichtung, lernvorrichtung, lernverfahren, lernprogramm, suchvorrichtung für ähnliche bilder, suchverfahren für ähnliche bilder, und suchprogramm für ähnliche bilder |
CN112991515B (zh) * | 2021-02-26 | 2022-08-19 | 山东英信计算机技术有限公司 | 一种三维重建方法、装置及相关设备 |
US11720995B2 (en) * | 2021-06-04 | 2023-08-08 | Ford Global Technologies, Llc | Image rectification |
US20230083437A1 (en) * | 2021-08-27 | 2023-03-16 | The Regents Of The University Of California | Hyperdimensional learning using variational autoencoder |
CN113449135B (zh) * | 2021-08-31 | 2021-11-19 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像生成***与方法 |
US20230088055A1 (en) * | 2021-09-20 | 2023-03-23 | Schlumberger Technology Corporation | Three dimensional stratigraphic models that best explain measured logs by leveraging vector quantization variational autoencoder and data clustering |
-
2024
- 2024-04-02 CN CN202410391634.8A patent/CN117975174B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583148A (zh) * | 2020-05-07 | 2020-08-25 | 苏州闪掣智能科技有限公司 | 基于生成对抗网络的岩心图像重构方法 |
CN112132959A (zh) * | 2020-09-25 | 2020-12-25 | 东北石油大学 | 数字岩心图像处理方法、装置、计算机设备及存储介质 |
CN113171106A (zh) * | 2021-04-25 | 2021-07-27 | 安徽十锎信息科技有限公司 | 基于vq-vae2和深度神经网络方法的心电异常检测方法 |
CN115375604A (zh) * | 2021-05-18 | 2022-11-22 | 南京大学 | 一种基于量子化自编码器的无监督缺陷检测方法 |
CN115456867A (zh) * | 2022-09-20 | 2022-12-09 | 西南石油大学 | 一种数字岩心重构方法 |
CN116489391A (zh) * | 2023-03-20 | 2023-07-25 | 阿里巴巴(中国)有限公司 | 图像矢量量化编码、文图模型训练及使用方法和装置 |
CN116698890A (zh) * | 2023-05-26 | 2023-09-05 | 长安大学 | 一种基于条件变分自编码器的变孔隙度数字岩心建模方法 |
CN117454965A (zh) * | 2023-09-12 | 2024-01-26 | 北京理工大学 | 基于随机Transformer模型的有模型深度强化学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117975174A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541572B (zh) | 基于卷积编码器-解码器网络的剩余油分布预测方法 | |
CN110212528B (zh) | 一种配电网量测数据缺失重构方法 | |
CN111785329A (zh) | 基于对抗自动编码器的单细胞rna测序聚类方法 | |
CN111899168B (zh) | 一种基于特征增强的遥感影像超分辨率重建方法和*** | |
CN114092832A (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN111242377A (zh) | 一种集成深度学习和数据去噪的短期风速预测方法 | |
CN114019370B (zh) | 基于灰度图像和轻量级cnn-svm模型的电机故障检测方法 | |
CN110942624A (zh) | 一种基于sae-gan-sad的路网交通数据修复方法 | |
Zheng et al. | RockGPT: reconstructing three-dimensional digital rocks from single two-dimensional slice with deep learning | |
CN110516724A (zh) | 可视化作战场景的高性能多层字典学习特征图像处理方法 | |
CN111612906A (zh) | 一种三维地质模型的生成方法、***及计算机存储介质 | |
CN114707754A (zh) | 一种基于BiLSTM-CNN模型的智能电表故障预测方法及*** | |
CN115204035A (zh) | 基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质 | |
CN113505477A (zh) | 一种基于svae-wgan的过程工业软测量数据补充方法 | |
CN115659254A (zh) | 一种双模态特征融合的配电网电能质量扰动分析方法 | |
CN114860709A (zh) | 一种基于Bi-GAN的电力***缺失值填补方法 | |
CN112488117B (zh) | 一种基于方向诱导卷积的点云分析方法 | |
CN114187506A (zh) | 视点意识的动态路由胶囊网络的遥感图像场景分类方法 | |
CN117651144A (zh) | 基于深度学习的建筑物点云压缩方法及*** | |
CN117975174B (zh) | 一种基于改进vqgan的三维数字岩心重构方法 | |
CN110956221A (zh) | 基于深度递归网络下小样本极化合成孔径雷达图像分类方法 | |
Sun et al. | Spatial-temporal scientific data clustering via deep convolutional neural network | |
CN118051793B (zh) | 基于trd工法的地层数据实时分析与预测方法及*** | |
CN114757864B (zh) | 一种基于多尺度特征解耦的多层级细粒度图像生成方法 | |
CN117521530B (zh) | 基于混合神经网络的二氧化碳驱油和埋存动态预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |