[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

摘要

本发明公开了一种基于机器图像智能学习的多孔介质渗透率预测方法，选取多组不同干密度的同一种多孔介质材料，并确定各组多孔介质材料的真实渗透率；对各组多孔介质材料采用SEM电镜扫描得出其SEM图像，然后计算得出各个SEM图像的灰度均值、灰度方差、图像能量、图像熵值和分形维数；采用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学习，确定五个图像特征参数与真实渗透率之间的变化关系；预测时将未知渗透率的多孔介质材料的SEM图像参数输入，极限学习机神经网络模型即可预测出该多孔介质材料的渗透率。本发明操作简单，测试周期短，预测的渗透率的准确度高，并且其测试成本低廉。

主权项

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。