[发明专利]一种基于机器图像智能学习的多孔介质渗透率预测方法

权利要求书

1.一种基于机器图像智能学习的多孔介质渗透率预测方法，其特征在于，具体步骤为：

A、建立多孔介质材料渗透率数据库：

a、在同一种多孔介质材料中通过测定干密度选取30组以上不同干密度的多孔介质材料，然后采用已知的渗透率宏观检测方法对各组多孔介质材料进行测试，得出各组多孔介质材料的真实渗透率值；

b、将各组多孔介质材料进行SEM电镜扫描，得到各组多孔介质材料的SEM图像，将每组多孔介质材料的SEM图像与该组多孔介质材料的真实渗透率值相对应；

B、SEM图像特征信息提取与分析：

由于SEM图像为灰度图像，采用MATLAB软件对SEM图像中的每个像素进行灰度值识别，从而形成每个SEM图像的灰度值矩阵，然后根据SEM图像的灰度值矩阵计算得出各个SEM图像的图像灰度均值、图像灰度方差、图像能量、图像熵值和分形维数，采用这五个图像特征参数表征该SEM图像；

C、采用计算机神经网络对得出的各个SEM图像的五个图像特征参数进行深度学习：

采用已知的极限学习机神经网络模型对各个SEM图像的五个图像特征参数及其所对应的真实渗透率进行训练与学习，该神经网络模型通过训练与学习后，确定五个图像特征参数与真实渗透率之间的逻辑变化关系，进行逻辑回归拟合；

D、对未知渗透率的同一种多孔介质材料进行渗透率预测：

①将未知渗透率的同一种多孔介质材料采用SEM电镜扫描，得到该多孔介质材料的SEM图像，然后通过计算得出该SEM图像的图像灰度均值、图像灰度方差、图像能量、图像熵值和分形维数；

②将步骤①得出的SEM图像的五个图像特征参数输入已深度学习的计算机神经网络内，计算机神经网络根据输入的SEM图像和已确定五个图像特征参数与真实渗透率之间的变化关系进行分析后，计算机神经网络预测出该SEM图像所对应的渗透率，并通过显示设备进行显示。

2.根据权利要求1所述的一种基于机器图像智能学习的多孔介质渗透率预测方法，其特征在于，所述现有的渗透率宏观检测方法包括压汞法、气体稳态法和气体瞬态法。

3.根据权利要求1所述的一种基于机器图像智能学习的多孔介质渗透率预测方法，其特征在于，所述步骤B中五个图像特征参数的具体计算过程为：

Ⅰ、先将灰度值矩阵归一化后得到灰度直方图，灰度直方图是灰度级的离散函数，如下式：

其中，i表示灰度级，N表示图像像素总数，ni表示图像中灰度级i的像素的总和，L表示灰度级的种类数；

Ⅱ、图像灰度均值：图像的灰度均值是反映整个灰度图像纹理平均亮度的度量，图像灰度均值如下式：

式中，m为图像灰度均值，i为灰度级，p(i)为灰度级的离散函数，L表示灰度级的种类数；

Ⅲ、图像灰度方差：图像灰度方差是反映灰度图像的灰度值离散程度，也是图像纹理平均对比度的量度，图像灰度方差如下式：

式中，σ²为图像灰度方差，i为灰度级，m为图像灰度均值，p(i)为灰度级的离散函数，L表示灰度级的种类数；

Ⅳ、图像能量是反映灰度图像灰度值的均匀程度，图像能量如下式：

式中，U是图像能量，p(i)为灰度级的离散函数，L表示灰度级的种类数；

Ⅴ、图像熵值：图像熵值是反映灰度直方图分布的均匀性，图像熵值如下式：

式中，e是图像熵值，p(i)为灰度级的离散函数，L表示灰度级的种类数；

Ⅵ、分形维数：分形维数是反映多孔介质材料孔径结构和孔表面的变化关系，分形维数定义如下：设A为Rⁿ空间的任意非空有界子集，对于任意的r>0，覆盖A所需边长为r的n维立方体的最小数目是N_r(A)，如果存在d，使当r→0时：

N_r(A)∝1/r^d

那么称d为A的盒维数，此时存在唯一一个正数k，使得：

对上式左右两边取对数，可得：

在计算过程中，根据实际情况统计出不同r值时覆盖A分别所需要的盒子个数N_r(A)，在以lgr为横坐标、以lgN_r(A)为纵坐标的对数坐标系中画出最后通过这些点的拟合线斜率求绝对值，即得到集合A的分形维数。