买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国地质大学(武汉)申请的专利基于并发生成对抗网络的储层模型多尺度精细表征方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116844054B 。

龙图腾网通过国家知识产权局官网在2025-11-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310891927.8，技术领域涉及：G06V20/10；该发明授权基于并发生成对抗网络的储层模型多尺度精细表征方法是由刘刚;范文遥;陈麒玉;崔哲思;陈根深;吴雪超;王思璇设计研发完成，并于2023-07-19向国家知识产权局提交的专利申请。

本基于并发生成对抗网络的储层模型多尺度精细表征方法在说明书摘要公布了：本发明提供了一种基于并发生成对抗网络的储层模型多尺度精细表征方法。通过金字塔结构对原始训练图像进行多尺度表征，不同尺度的表征结果之间都保持了一致的空间分布模式。在感受野固定的情况下，能够分别在小尺度图像和大尺度图像中提取对应的全局信息和局部信息。同时，应用并发训练策略，相邻阶段之间通过参数继承的方式来代替随机初始化，可以确保网络模型的参数得到充分、有效的训练。最后，利用Wasserstein距离对生成分布和真实分布进行差异性度量，采用梯度惩罚的策略来限制损失函数的梯度在一定的范围内，保证了训练过程中的稳定性，并利用重构损失来修复图像的细节信息，通过两种不同损失函数的耦合，提升了网络整体的模拟性能。

本发明授权基于并发生成对抗网络的储层模型多尺度精细表征方法在权利要求书中公布了：1.一种基于并发生成对抗网络的储层模型多尺度精细表征方法，其特征在于，包括以下步骤： S1：建立研究区域的先验储层模型作为原始训练图像，并提取对应的属性信息； S2：定义超参数的取值范围，并获取原始训练图像的尺寸； S3：将原始训练图像输入至金字塔模型，获取多尺度表征结果，将多尺度表征结果存储到训练图像队列中； S4：创建一个生成器网络，仅在第一个训练阶段，对其中的参数进行随机初始化，并将初始化后的生成器添加至生成器训练队列中； S5：遍历训练图像队列，从小尺度训练图像开始进行顺序提取并进行逐阶段训练，直至遍历过程结束；随着训练程度加深，采用并发训练模式，通过判别器建立起对抗学习过程，对多个生成器的网络参数进行优化直至收敛； S6：当所有阶段的生成器完成训练时，通过输入给定的数据，基于不同阶段所保存的网络参数，输出多尺度重构结果； 步骤S5中，对于每一个单独阶段生成器网络的训练流程，包括以下步骤： S51：初始化一个判别器，如果该阶段为第一阶段，则进行参数随机初始化，否则加载上一阶段的判别器网络参数，并在此基础上进行判别过程； S52：定义一个噪音序列，第一阶段训练过程中不添加噪音；从第二训练阶段开始，从高斯分布中进行随机采样，添加至噪音序列中，并参与对应阶段的随机重构过程； S53：定义两个优化器来参与每一个训练阶段网络的参数优化过程，从第二阶段开始，将上一阶段训练完成的网络参数直接传递给相邻下一阶段，如果生成器训练队列中参与训练生成器的数量小于connum，则从后至前其学习率逐级递减并同时进行训练；学习率逐级递减的方式用公式写成： θi＝θn*λn-i,i＝1,2,…,n-1 其中，θn为第n个阶段的学习率，0λ1为对应比例放缩因子，如果训练队列长度Lseq大于connum，则弹出队列中第Lseq-connum个生成器，使其参数保持固定，采用同样的方式对后续的生成器进行训练； S54：每一个阶段的生成器和判别器，计算对应的损失函数，且采用相同的优化方式； S55：对损失函数计算的结果进行反向传播、梯度更新操作，从而对当前训练阶段中生成器和判别器的网络参数进行更新； S56：当该阶段训练完成后，输入给定的数据获取该阶段中的模拟结果，将模拟结果经过上采样，并与一定权重的噪音合并后，作为下一阶段生成器的输入。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国地质大学(武汉)，其通讯地址为：430000 湖北省武汉市洪山区鲁磨路388号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。