大数跨境
0
0

【成果推荐】基于多分辨率 GAN 的空间数据不确定性重建方法

【成果推荐】基于多分辨率 GAN 的空间数据不确定性重建方法 科技牛咨讯
2023-12-28
0
导读:【成果推荐】基于多分辨率 GAN 的空间数据不确定性重建方法

01  项目简介

     
重建大范围真实有效的空间数据比较困难,主要原因在于科学实验和勘探开发费用高。目前,数据插值是重建空间数据的一个有效手段。插值方法分为“确定”性插值方法和“不确定”性插值方法。不确定性插值方法主要包括克里金 (Kriging) 方法和随机模拟方法 。多点信息统计法 (MPS, multiple-point statistics) 是目前随机模拟的主流,其特点是基于训练图像 (TI, training image)进行建模。近年来,MPS 得到了广泛应用并发展了一些变体,如 SNESIM、FILTERSIM、DS、CCSIM 等,但是这些方法耗时较长且对硬件要 求较高。作为机器学习研究的新领域,深度学习建立了一个可以模拟人脑进行分析学习的神经网络,在语音识别、计算机视觉、自然语言处理等方面得到广泛应用。同时深度学习产生了若干分支,其中之一是生成对抗性网络(GANs, generating adversarial networks)。GANs 包含一个生成网络 G(Generator) 和一个判别网络 D(Discriminator),通过 G 和 D 的对峙来调整 G 的框架,学习图像特征。本次成果提出一种基于多分辨率生成对抗网络的空间数据重建方法 multi-GAN,这是一个由完全卷积的 GANs 金字塔组成的模型,每层 GANs 学习对应尺度图像的特征,从而实现对空间数据全局和局部特征的获取,完成空间数据的重构。
使用到的金字塔结构如图 1 所示。在这个模型中,训练和重建是沿着从低到高的分辨率进行的,即从粗糙到精细的尺度进行。在最粗糙的尺度(即尺度 N),输入仅是噪声 zN,生成器 GN 通过判别器 DN 对其进行训练,学习相应尺度的真实图像 xN 中的数据分布,得到图像样本XN 。在 N-1 尺度,输入数据由噪声 zN-1 和上一个尺度生成的图像样本的上采样XN组合而成,通过 GN-1 生成分辨率稍 高一点的图像样本XN - 1,这个尺度比 N 尺度捕捉到的结构特征范围小,但比 N 尺度的结构特征更细节。以同样的方式,训练向更精细尺度推进,直到最精细尺度(即尺度 0),模型的整个训练过程结束。模型的重建过程与训练过程同理。

图 1 N+1 尺度的金字塔结构 
此方法可根据勘探、钻井得到的岩石的有限真实信息,分析、预测出更大范围的岩石结构信息,指导研究地下结构,为进一步的勘探与开采提供实质性建议,节省开支。技术条件足够成熟的情况下,对于地质统计领域以及油藏气的开采大有裨益。
图 2 为空间数据训练图像,包含外表面、剖面图以及孔隙结构,图 3 为本成 果重构的图像。从外观上看,重构图像和训练图像具有一定的相似性但不相同, 经过孔隙度、变差函数、多点连接性以及渗透率等属性的分析,重构图像与训练图像结构基本一致。
 



02  应用领域

   
矿山储量预测,油气资源预测。

03  合作方式


合作方式:技术转移,产学研合作等。

价格:面议

联系方式:长按扫描二维码,填写您的需求




点击下方“阅读原文”填写技术需求表 ☺

往期分享

往期活动

【往期活动】获嘉县领导一行莅临科技牛调研指导暨产学研招商洽谈会顺利举办

【往期活动】浦津专精特新赋能中心揭牌仪式:科技牛为企业高质量发展持续赋能
【往期活动】【溯科技之本 铸精益之魂 修匠人之心】科技牛(第四期)日本精益匠心研学之旅圆满收官

科技成果

【科技成果】作业现场安全生产智能管控技术研究与开发

【科技成果】基于多时段热点聚类的交通拥堵预测方法

【科技成果】一种基于行为特征自动机模型的软件漏洞检测方法



【声明】内容源于网络
0
0
科技牛咨讯
企业技术的研发中心,科研成果的转化中心。关注我们,带你了解前沿科技资讯、最新科研成果。
内容 3688
粉丝 0
科技牛咨讯 企业技术的研发中心,科研成果的转化中心。关注我们,带你了解前沿科技资讯、最新科研成果。
总阅读30
粉丝0
内容3.7k