基于机器学习的多孔介质渗透率预测研究

基于机器学习的多孔介质渗透率预测研究

论文摘要

随着微观成像技术和数值模拟方法的发展,基于图像的建模技术已被广泛用于表征多孔介质中的流动与运移过程。固有渗透率(之后简称为渗透率)是多孔介质最重要的水力参数之一。在给定孔隙结构条件下,渗透率可以通过在孔隙中进行计算流体力学模拟来求得。然而,该方法计算代价非常大,无法快速实现。机器学习是近来用于图像处理的热点研究方法。考虑到多孔介质的渗透率只与孔隙几何结构有关,我们在本文中借助机器学习方法发展了一套直接从多孔介质结构图像数据中进行渗透率预测的技术,以避免计算流体力学模拟,实现快速预测。同时,我们也比较了多种机器学习方法的适用性。该方法主要包括三个步骤:(a)生成随机三维多孔介质结构图像样本;(b)利用格子玻尔兹曼法(Lattice Boltzmann Method,LBM)在每个三维孔隙结构中进行流动模拟,根据施加的水力梯度和平均流速计算每一个多孔介质结构的渗透率,建立机器学习需要的数据集;(c)利用一部分结构作为样本训练机器学习模型,用另一部分结构进行预测精度评估。根据输入数据类型的不同,本文中用到的机器学习方法可分为两类。一类是从原始图像数据提取的孔隙特征参数进行渗透率预测,使用多元线性回归方法以及人工神经网络,支持向量机与随机森林等非线性回归方法建立模型。另一类是基于原始图像数据使用卷积神经网络直接预测渗透率。我们以决定系数R2为性能标准,在测试图像样本集中比较了不同机器学习方法在不同类型的输入数据中的预测能力。本文的主要结论如下:(1)当利用孔隙特征参数作为输入数据时,多元线性回归、人工神经网络、支持向量机与随机森林等四种模型在测试集上的性能指标R2均在0.90以上。因此,四种模型均表现出良好的预测能力,其中人工神经网络、支持向量机与随机森林等三种非线性回归方法优于线性回归方法。(2)当使用原始图像数据作为输入时,采用卷积神经网络模型在测试集上的R2值为0.89。以孔隙特征参数作为输入的机器学习方法表现出更精准的预测精度,而卷积神经网络的优势在于能够进行快速预测,并且也有足够的精度。(3)在计算效率上,本文所使用的方法都比由格子玻尔兹曼法计算渗透率快,其中卷积神经网络相比格子玻尔兹曼法效率提升了 1-2个数量级。本研究证明了机器学习方法在快速建立渗透率预测模型中的重要潜力。发展的技术框架也可用于快速预测其它与多孔介质几何相关的特征性质中。

论文目录

  • 致谢
  • 摘要
  • ABSTRACT
  • 第一章 绪论
  •   1.1 研究背景
  •   1.2 国内外研究现状
  •   1.3 本文研究内容及技术路线
  • 第二章 机器学习算法
  •   2.1 机器学习背景
  •   2.2 机器学习方法介绍
  •     2.2.1 线性回归
  •     2.2.2 人工神经网络
  •     2.2.3 决策树与随机森林
  •     2.2.4 支持向量机
  •     2.2.5 卷积神经网络
  •   2.3 本章小结
  • 第三章 三维结构获取与格子玻尔兹曼模拟
  •   3.1 多孔介质的结构获取
  •     3.1.1 背景介绍
  •     3.1.2 随机多孔结构的生成
  •     3.1.3 孔隙特征参数提取
  •   3.2 格子玻尔兹曼模拟
  •     3.2.1 原理介绍
  •     3.2.2 D3Q19格子模型
  •     3.2.3 渗透率计算
  •   3.3 本章小结
  • 第四章 基于机器学习的渗透率预测研究
  •   4.1 机器学习模型的步骤设计
  •     4.1.1 数据预处理与划分
  •     4.1.2 模型的选择
  •     4.1.3 模型的配置与训练
  •     4.1.4 模型的性能度量
  •   4.2 模型的架构介绍
  •   4.3 案例研究
  •     4.3.1 基于孔隙特征参数的渗透率预测
  •     4.3.2 基于原始结构数据的渗透率预测
  •   4.4 本章小结
  • 第五章 总结与展望
  •   5.1 主要结论与创新点
  •   5.2 不足与未来展望
  • 参考文献
  • 作者简介
  • 文章来源

    类型: 硕士论文

    作者: 李佳

    导师: 曾令藻

    关键词: 多孔介质,渗透率,机器学习,格子玻尔兹曼法,卷积神经网络,三维结构

    来源: 浙江大学

    年度: 2019

    分类: 基础科学,工程科技Ⅱ辑

    专业: 力学,地球物理学,水利水电工程

    单位: 浙江大学

    分类号: TV139.11;O357.3

    总页数: 64

    文件大小: 4060K

    下载量: 695

    相关论文文献

    • [1].提高风电渗透率极限的火电机组惯性参数优化方法[J]. 电力系统自动化 2020(02)
    • [2].液氮致裂烟煤渗透率及其应力敏感性研究[J]. 采矿与安全工程学报 2020(02)
    • [3].非均匀多孔介质等效渗透率的普适表达式[J]. 水文地质工程地质 2020(04)
    • [4].力热耦合作用下煤岩损伤演化规律及渗透率模型研究[J]. 安全与环境学报 2020(05)
    • [5].直播带货“售假”案惊醒追梦者[J]. 中国质量万里行 2020(11)
    • [6].渗透率预示互联网股大调整(下)[J]. 股市动态分析 2018(14)
    • [7].煤系沉积岩应力–应变与应变–渗透率特征[J]. 煤田地质与勘探 2015(03)
    • [8].高端有机成婴幼儿配方奶粉发展趋势[J]. 中国食品 2017(12)
    • [9].评估电压偏差与谐波约束下配网光伏最大渗透率[J]. 科学家 2017(02)
    • [10].洋壳渗透率结构对其内部热液对流的影响研究——基于热力学数值模拟[J]. 地球物理学报 2020(05)
    • [11].基于泛在数据的分布式光伏接入研究[J]. 浙江电力 2020(04)
    • [12].碳酸盐岩酸蚀蚓孔等效渗透率影响因素研究[J]. 中国锰业 2020(02)
    • [13].中国新能源汽车年产销量近80万辆 亟需完善大数据[J]. 汽车实用技术 2018(03)
    • [14].损伤和剪胀效应对裂隙煤体渗透率演化规律的影响研究[J]. 岩土力学 2016(02)
    • [15].泥质砂岩液相渗透率计算新方法[J]. 地球物理学报 2015(10)
    • [16].低孔隙度低渗透率岩石孔隙度与渗透率关系研究[J]. 测井技术 2013(02)
    • [17].渗流介质对渗透率测试结果的影响[J]. 科技导报 2012(35)
    • [18].3D电视增长显著[J]. 家用电器 2011(05)
    • [19].采空区自由堆积渗透率假设及应用[J]. 陕西煤炭 2011(04)
    • [20].防砂管外堆积砂渗透率实验研究[J]. 石油钻采工艺 2010(01)
    • [21].关于极差与渗透率极差及其他[J]. 西南石油大学学报(自然科学版) 2009(01)
    • [22].南海东部海域A区块渗透率测井评价方法研究[J]. 中国锰业 2019(02)
    • [23].一种测井渗透率解释方法[J]. 国外测井技术 2018(02)
    • [24].考虑不同光伏渗透率影响的配电网风险规划研究[J]. 机电工程 2016(05)
    • [25].基于地震相分析的碳酸盐岩渗透率预测[J]. 重庆科技学院学报(自然科学版) 2014(01)
    • [26].应力路径对煤岩渗透率影响实验研究[J]. 金属矿山 2011(06)
    • [27].我国中小企业融资租赁问题探讨——对中小企业融资租赁渗透率低的思考[J]. 湖北经济学院学报(人文社会科学版) 2010(12)
    • [28].麻黄山油田低渗透率储层物性影响因素分析[J]. 石油地质与工程 2009(01)
    • [29].基于三维重正化近似方法的等效渗透率计算[J]. 中国石油大学学报(自然科学版) 2020(01)
    • [30].考虑蠕变影响的深部煤体分数阶渗透率模型研究[J]. 岩土工程学报 2020(08)

    标签:;  ;  ;  ;  ;  ;  

    基于机器学习的多孔介质渗透率预测研究
    下载Doc文档

    猜你喜欢