基于深度學(xué)習(xí)的數(shù)字巖心圖像重構(gòu)及其重構(gòu)效果評(píng)價(jià)

王付勇 ，趙久玉

(1.油氣資源與探測(cè)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京，102249；2.中國(guó)石油大學(xué)(北京) 非常規(guī)油氣科學(xué)技術(shù)研究院，北京，102249；3.中國(guó)石油大學(xué)(北京) 地球科學(xué)學(xué)院，北京，102249)

致密油藏孔隙類型多樣且結(jié)構(gòu)復(fù)雜，明確油藏微觀孔隙結(jié)構(gòu)特征與滲流機(jī)理對(duì)油氣藏有效開發(fā)具有重要意義[1]。數(shù)字巖心技術(shù)是分析微觀孔隙結(jié)構(gòu)、巖石物理特性以及研究微觀滲流規(guī)律的重要方法，已廣泛用于非常規(guī)油氣藏巖石物理特性和微納米尺度流動(dòng)規(guī)律研究。

高分辨率的巖心圖像是構(gòu)建數(shù)字巖心的基礎(chǔ)，提高數(shù)字巖心圖像分辨率對(duì)于致密油藏就顯得尤為重要。數(shù)字巖心技術(shù)存在分辨率與視域的矛盾，但可通過改善成像系統(tǒng)的硬件設(shè)備或借助圖像超分辨率重構(gòu)算法提高圖像分辨率[2-3]。近年來，深度學(xué)習(xí)方法被用于巖心圖像的超分辨率重構(gòu)，基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的超分辨率算法在提高圖像分辨率的同時(shí)也在一定程度上能去除圖像噪聲[4-6]。生成對(duì)抗神經(jīng)網(wǎng)絡(luò)(GAN)[7]采用博弈論的思想，在圖像處理領(lǐng)域有著良好的表現(xiàn)。LIU等[8]對(duì)比了多個(gè)生成對(duì)抗神經(jīng)網(wǎng)絡(luò)模型的效果，CHEN等[9]研究了CycleGAN模型提高砂巖微米巖心圖像的分辨率的性能，研究表明生成對(duì)抗神經(jīng)網(wǎng)絡(luò)具有較好的提高數(shù)字巖心圖像效果。

在獲得較高巖心圖像質(zhì)量的前提下，數(shù)字巖心技術(shù)能更加準(zhǔn)確地表征黏土礦物組分與孔隙的空間分布特征，揭示巖石物理特性和微觀流動(dòng)規(guī)律。巖心實(shí)驗(yàn)方法對(duì)巖心的利用效率不高，利用數(shù)值方法重構(gòu)多組巖心模型可以有效解決該問題。數(shù)字巖心的建模方法可以分為物理重構(gòu)方法和數(shù)值重構(gòu)算法兩大類[10]。數(shù)值重構(gòu)方法可以分為隨機(jī)法和過程法，而隨機(jī)法又可以分為高斯場(chǎng)法、順序指示模擬法、模擬退火算法、多點(diǎn)統(tǒng)計(jì)法以及馬爾可夫鏈—蒙特卡洛法[11]。各種方法的重構(gòu)方法的研究進(jìn)展和方法優(yōu)缺點(diǎn)見文獻(xiàn)[12]。深度學(xué)習(xí)算法也可以應(yīng)用于數(shù)字巖心重構(gòu)，其中生成對(duì)抗神經(jīng)網(wǎng)絡(luò)數(shù)字巖心重構(gòu)效果最好。MOSSER等[13]將生成對(duì)抗神經(jīng)網(wǎng)絡(luò)(GAN)用于數(shù)字巖心重構(gòu)，隨后，GAN 網(wǎng)絡(luò)的改進(jìn)模型如DCGAN[14]、Wasserstein GANs[15]、結(jié)合GAN 和自編碼器(AE)的網(wǎng)絡(luò)模型[16]等逐漸被應(yīng)用到高滲樣品的巖心圖像重構(gòu)。

本文作者首先采用SRGAN網(wǎng)絡(luò)對(duì)致密砂巖巖心圖像進(jìn)行超分辨率重構(gòu)，討論SRGAN重構(gòu)放大不同倍數(shù)巖心圖像的性能，再采用DCGAN網(wǎng)絡(luò)實(shí)現(xiàn)致密砂巖巖心圖像的二維重構(gòu)。研究結(jié)果表明，生成對(duì)抗神經(jīng)網(wǎng)絡(luò)可以完成數(shù)字巖心圖像的超分辨率重構(gòu)和二維圖像重構(gòu)，其在數(shù)字巖心領(lǐng)域應(yīng)用潛力巨大。

1 生成對(duì)抗網(wǎng)絡(luò)基本原理

GAN 是由GOODFELLOW 等[7]提出的一種神經(jīng)網(wǎng)絡(luò)模型，其主要思想來源于博弈論中的零和博弈，即通過生成器和判別器不斷博弈，使得生成器學(xué)習(xí)到數(shù)據(jù)的分布特征，從而生成器能夠產(chǎn)生與實(shí)際較為符合的輸出，是一種無(wú)監(jiān)督學(xué)習(xí)的典范，GAN結(jié)構(gòu)如圖1所示。

圖1 生成對(duì)抗神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 Schematic diagram of generative adversarial neuralnetwork

通過優(yōu)化損失函數(shù)，調(diào)整生成器和判別器的網(wǎng)絡(luò)參數(shù)，生成樣本就可與實(shí)際數(shù)據(jù)分布吻合。生成對(duì)抗神經(jīng)網(wǎng)絡(luò)的損失函數(shù)為[7]

式中：x為真實(shí)數(shù)據(jù)樣本；z為隨機(jī)噪聲矢量；G(z)為生成器生成的樣本，D(x)為判別器判斷樣本x是否為真實(shí)樣本的概率；pdata(x)為真實(shí)樣本x的概率分布；pz(z)為噪聲z的分布概率分布，一般可取正態(tài)分布。在實(shí)際訓(xùn)練過程中，很難平衡生成器和判別器的損失，因此，在一次參數(shù)更新中，通常判別器的參數(shù)更k次，生成器的參數(shù)才更新1次，可以避免生成器的優(yōu)化函數(shù)陷入局部最小值。

2 數(shù)字巖心圖像超分辨率重構(gòu)

自20 世紀(jì)60 年代HARRIS[17]和GOODMAN[18]提出“圖像超分辨率(SR)”以來，學(xué)者們已建立了眾多超分辨率重構(gòu)方法，如表1 所示[2,19-29]。根據(jù)算法的實(shí)現(xiàn)手段，重構(gòu)方法可分為基于插值的方法、基于重構(gòu)的方法和基于學(xué)習(xí)的方法三大類，本文采用深度學(xué)習(xí)算法開展致密砂巖圖像的超分辨率重構(gòu)。

表1 圖像超分辨率重構(gòu)算法[2,19-29]Table 1 Image super-resolution reconstruction algorithm[2,19-29]

2.1 數(shù)據(jù)集

CT 測(cè)試樣品來源于鄂爾多斯盆地延長(zhǎng)組致密砂巖儲(chǔ)層，其氣測(cè)滲透率為0.415×10-3μm2，孔隙度為11.868%。將樣品鉆取長(zhǎng)為6 mm、直徑為2 mm 圓柱樣品進(jìn)行測(cè)試，隨后將三維圖像裁剪為長(zhǎng)×寬×高分別為1 000像素×1 000像素×999像素的三維長(zhǎng)方體圖像，其分辨率為2.512 μm，如圖2所示，在此基礎(chǔ)上對(duì)CT 圖像進(jìn)行濾波和二值化處理，提取孔隙網(wǎng)絡(luò)模型，計(jì)算得到其孔隙和吼道分布如圖3所示。從圖3可以看出：樣品的喉道半徑主要分布在20 μm 以下，孔隙半徑主要分布在50 μm以下，微小孔隙發(fā)育。

圖2 鄂爾多斯盆地延長(zhǎng)組致密砂巖數(shù)字巖心三維展示Fig.2 Three-dimensional display of digital rock from Yanchang Formation,Ordos Basin

圖3 鄂爾多斯盆地延長(zhǎng)組致密砂巖樣品孔隙和喉道半徑分布Fig.3 Distribution of pore and throat radii in tight sandstone samples form Yanchang Formation,Ordos Basin

在掃描得到的原始三維CT 圖像中剪切出6 組不同位置的256 像素×256 像素二維切片作為訓(xùn)練數(shù)據(jù)(5 994 張)。低分辨率巖心圖像通過調(diào)用Opencv中的resize函數(shù)，利用像素區(qū)域關(guān)系進(jìn)行重采樣插值，從而降低圖像分辨率，本文利用resize函數(shù)選取雙線性插值方法降低分辨率，圖像縮小效果如圖4所示。從視覺效果上來看，當(dāng)巖心圖像縮小為1/8 和1/16 時(shí)只能準(zhǔn)確獲得孔隙的基本形狀，丟失了很多孔隙內(nèi)部細(xì)節(jié)。

圖4 原始高分辨率圖像與低分辨率圖像對(duì)比Fig.4 Comparison of original high-resolution image and low-resolution image

2.2 SRGAN模型結(jié)構(gòu)

超分辨率生成對(duì)抗神經(jīng)網(wǎng)絡(luò)(SRGAN)是由LEDIG 等[29]提出的一種用于圖像超分辨率的生成對(duì)抗網(wǎng)絡(luò)，生成器和判別器都由卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成?？紤]到卷積神經(jīng)網(wǎng)絡(luò)隨著深度的增加會(huì)出現(xiàn)網(wǎng)絡(luò)退化，SRGAN 網(wǎng)絡(luò)的生成器采用殘差結(jié)構(gòu)[30]，判別器采用imagenet 數(shù)據(jù)集預(yù)訓(xùn)練過的VGG19 模型[31]獲取內(nèi)容損失。生成器和判別器結(jié)構(gòu)參數(shù)見表2，結(jié)構(gòu)如圖5 所示，根據(jù)超分辨率重構(gòu)的倍數(shù)需要，生成器中反卷積模塊的數(shù)量不同，數(shù)量越多，放大倍數(shù)越大；判別器中卷積模塊的數(shù)量逐層增多，其網(wǎng)絡(luò)結(jié)構(gòu)固定，不隨放大倍數(shù)變化。

圖5 SRGAN結(jié)構(gòu)示意圖Fig.5 Schematic diagrams of SRGAN structure

表2 SRGAN生成器和判別器結(jié)構(gòu)參數(shù)Table 2 Structure parameters of generator and discriminator in SRGAN

2.3 訓(xùn)練過程

本文所使用硬件設(shè)備的處理器為Intel(R) Core(TM) i5-9400F CPU，主頻為2.90 GHz，內(nèi)存為32 G，顯卡為NVDIA GeForce GTX2060，采用Keras 搭建SRGAN 模型。訓(xùn)練迭代時(shí)批大小設(shè)置為16，迭代2 000 次，同時(shí)使用Adam 優(yōu)化算法更新網(wǎng)絡(luò)參數(shù)。Adam優(yōu)化器的超參數(shù)學(xué)習(xí)率設(shè)置為0.002，β1=0.5，β2=0.9。

大多數(shù)的人，第一次接觸武俠，都是在很年輕的時(shí)候。這也許是因?yàn)?，年輕的人，甚至有點(diǎn)中二的人，總是血?dú)夥絼偟模谑蔷透菀资艿轿鋫b小說里那種自由、熱血、張揚(yáng)和少年意氣的影響。

2.4 訓(xùn)練結(jié)果及分析

將不同分辨率的20 張低分辨率數(shù)字巖心二維圖像分別輸入到訓(xùn)練好的生成器中重構(gòu)成20 張高分辨率圖像。選取1張不同放大倍數(shù)重構(gòu)后的圖像與初始高分辨率圖像進(jìn)行對(duì)比分析，如圖6 所示?？梢姡寒?dāng)圖像重構(gòu)放大倍數(shù)小于8倍時(shí)，重構(gòu)后的圖像分辨率與初始圖像的接近，可以表征砂巖孔隙與礦物分布特征；當(dāng)圖像重構(gòu)放大倍數(shù)達(dá)到16倍時(shí)，SRGAN 無(wú)法準(zhǔn)確重構(gòu)出的小孔隙，如圖6中紅色標(biāo)記所示，圖像失真較為嚴(yán)重。

圖6 不同放大倍數(shù)重構(gòu)圖像與原始高分辨率圖像對(duì)比Fig.6 Comparison of reconstructed high resolution image at different rescale factors and original high resolution images

峰值信噪比(peak signal-to-noise ratio，PSNR)是一種基于統(tǒng)計(jì)基礎(chǔ)的檢測(cè)參數(shù)，常被用于圖像增強(qiáng)效果評(píng)價(jià)。PSNR越高表示生成的高分辨率圖像和原始高分辨率圖像的差距較小，圖像質(zhì)量更佳。PSNR計(jì)算公式如下[32]：

式中：RPSN為峰值信噪比；R為原始圖像，F(xiàn)為增強(qiáng)后的圖像，R和F的圖像尺寸均為M×N。

結(jié)構(gòu)相似性(structural similarity index measure，SSIM)是一種衡量?jī)煞鶊D像相似度的指標(biāo)，當(dāng)2 張圖像完全相同時(shí)，SSIM等于1，其計(jì)算公式為[33]

式中：M(a,b)為圖像a和b的結(jié)構(gòu)相似度；μa為圖像a灰度的平均值；μb為圖像b灰度的平均值；σa為圖像a灰度的方差；σb為圖像b灰度的方差；σab為圖像a和b灰度的協(xié)方差；c1=(k1L)2，c2=(k2L)2，c1和c2為用來維持穩(wěn)定的常數(shù)，L為像素，k1=0.01，k2=0.03。

不同放大倍數(shù)重構(gòu)圖像的峰值信噪、結(jié)構(gòu)相似性、孔隙度和分形維數(shù)如圖7 所示。從圖7 可見：重構(gòu)圖像PSNR 都在20 dB 以上。隨著放大倍數(shù)的增加，PSNR和SSIM逐漸減小，PSNR減小了約10 dB，SSIM 減小了近一半；分形維數(shù)和孔隙度隨著放大倍數(shù)的增加相差不大，但孔隙度在放大倍數(shù)為16倍時(shí)與原始圖像(1倍)差異較大。1、2和15 號(hào)巖心的孔隙度相差不大，這是因?yàn)樵诔直媛手貥?gòu)過程中，部分孔隙出現(xiàn)了變形、增加和消失，導(dǎo)致其孔隙度相差不大，如圖6 中紅圈所示。因此，相比于孔隙度和分形維數(shù)，PSNR 和SSIM 更適合用于定量評(píng)價(jià)超分辨率重構(gòu)圖像的效果。

圖7 20張不同放大倍數(shù)巖心圖像的PNSR、SSIM、孔隙度和分形維數(shù)對(duì)比Fig.7 Comparison of PNSR,SSIM,porosity and fractal dimension of 20 rock images with different magnifications

兩點(diǎn)概率函數(shù)可以直觀反映巖心孔隙在空間上的連通情況，是評(píng)價(jià)重構(gòu)數(shù)字巖心準(zhǔn)確性的重要指標(biāo)。在多相系統(tǒng)中，假設(shè)第q相占的空間為Vq，對(duì)于樣本空間中的任意一點(diǎn)，相函數(shù)的定義為[34]

對(duì)于空間中的任意一點(diǎn)，孔隙相的兩點(diǎn)概率函數(shù)S2(0)即為數(shù)字巖心的孔隙度。在數(shù)字巖心模型中，孔隙所占比例較小，因此，相對(duì)統(tǒng)計(jì)基質(zhì)，統(tǒng)計(jì)孔隙的效率較高，故統(tǒng)計(jì)孔隙相的兩點(diǎn)概率函數(shù)用S2(r)表示。

20 張不同放大倍數(shù)的重構(gòu)圖像和原始圖像的兩點(diǎn)概率函數(shù)如圖8所示。不同放大倍數(shù)巖心圖像的灰度分布如圖9所示。從圖8可見：0號(hào)和1號(hào)巖心的不同放大倍數(shù)圖像與原始圖像幾乎重合，且在該尺度下，兩點(diǎn)統(tǒng)計(jì)函數(shù)曲線在較大距離時(shí)并沒有達(dá)到穩(wěn)定，表明0號(hào)和1號(hào)巖心圖片不具代表性，主要原因在于選取的低分辨率巖心的孔隙主要由2 個(gè)大孔隙組成；6 號(hào)、10 號(hào)、12 號(hào)、13 號(hào)、14號(hào)、17號(hào)和18號(hào)不同放大倍數(shù)重構(gòu)圖像的兩點(diǎn)概率函數(shù)差距較大，主要原因是重構(gòu)圖像的灰度分布與原始圖像的灰度差距較大(圖9)。由圖9 可見：超分辨率重構(gòu)的圖像灰度整體偏大，重構(gòu)的圖像更亮，導(dǎo)致設(shè)置同一閾值進(jìn)行二值化時(shí)，超分辨率重構(gòu)的圖像孔隙度更小，但是其分布形態(tài)與原始圖像差異不大。重構(gòu)的圖像也可作為后續(xù)研究的數(shù)據(jù)，但不建議對(duì)于重構(gòu)的圖像采用統(tǒng)一閾值進(jìn)行分割。其余巖心的重構(gòu)效果較好，灰度分布也較為相似(如4 號(hào)和5 號(hào))。對(duì)比不同放大倍數(shù)的圖像兩點(diǎn)概率函數(shù)，放大16 倍的重構(gòu)圖像與原始圖像相差較大，因此，放大16 倍的圖像失真較為嚴(yán)重，產(chǎn)生多余的偽像，不可作為后續(xù)數(shù)字巖心研究的基礎(chǔ)。

圖8 20張不同放大倍數(shù)超分辨率重構(gòu)數(shù)字巖心圖像兩點(diǎn)概率函數(shù)對(duì)比Fig.8 Comparison of two-point probability function of super-resolution reconstructed digital rock image at different scales

圖9 不同放大倍數(shù)巖心圖像的灰度分布Fig.9 Grayscale distribution of rock images with different magnifications

由此可知，基于超分辨率重構(gòu)算法生成的高分辨率數(shù)字巖心圖像與原始數(shù)字巖心圖像接近，SRGAN可以用于提高砂巖數(shù)字巖心圖像分辨率尤其是微納米孔隙圖像分辨率，有助于準(zhǔn)確表征致密砂巖微納米孔隙結(jié)構(gòu)特征。

3 數(shù)字巖心二維圖像重構(gòu)

高精度的巖心圖像是數(shù)字巖心的基礎(chǔ)，其最終的目的是構(gòu)建數(shù)字巖心模型開展相關(guān)模擬，提高巖心的利用效率，因此，有必要基于現(xiàn)有的巖心數(shù)據(jù)進(jìn)行數(shù)值重構(gòu)。深度卷積生成對(duì)抗網(wǎng)絡(luò)(DCGAN)是RADFORD 等[35]提出的一種將卷積神經(jīng)網(wǎng)絡(luò)和生成對(duì)抗神經(jīng)網(wǎng)絡(luò)結(jié)合的神經(jīng)網(wǎng)絡(luò)模型，并使用該網(wǎng)絡(luò)模型生成了逼真的臥室圖和人臉圖像，其強(qiáng)大的圖像生成能力為數(shù)字巖心圖像重構(gòu)提供了新的方法。

3.1 數(shù)據(jù)集

由于DCGAN計(jì)算量巨大，考慮到計(jì)算機(jī)的計(jì)算能力限制，將256像素×256像素×5994像素的二值化圖像作為輸入進(jìn)行訓(xùn)練，在二值化圖像中不重復(fù)采樣6次作為訓(xùn)練數(shù)據(jù)，每次送取的圖像大小為256像素×256像素×999像素，6個(gè)三維圖像數(shù)據(jù)集如圖10 所示，其中，紅色部分為基質(zhì)，藍(lán)色部分為孔隙。

圖10 訓(xùn)練用6個(gè)三維圖像數(shù)據(jù)集(256像素×256像素×999像素)Fig.10 Six 3D image datasets for training (256 pixel×256 pixel×999 pixel)

3.2 DCGAN模型結(jié)構(gòu)

生成器輸入為服從正態(tài)分布的100×1 隨機(jī)噪聲，通過生成器的一系列采樣和卷積操作重構(gòu)256像素×256像素二維數(shù)字巖心圖像。需要說明的是，生成器的輸出分布在[-1，1]區(qū)間，需要放縮到[0，255]并二值化，本文設(shè)置的閾值為128。判別器為一個(gè)簡(jiǎn)單的4層卷積神經(jīng)網(wǎng)絡(luò)，其輸入為真實(shí)或者生成的圖像(256 像素×256 像素)，輸出為0～1 之間標(biāo)量。生成器和判別器的結(jié)構(gòu)如圖11 所示，隱藏層的參數(shù)見表3。

表3 二維DCGAN生成器和判別器結(jié)構(gòu)參數(shù)Table 3 Generator and discriminator structure parameters of DCGAN

圖11 DCGAN結(jié)構(gòu)示意圖Fig.11 Schematic diagram of DCGAN structure

3.3 訓(xùn)練結(jié)果及分析

輸入5 994張圖像進(jìn)行訓(xùn)練，設(shè)置訓(xùn)練次數(shù)為2 000次，批大小為64，采用Adam方法進(jìn)行優(yōu)化，學(xué)習(xí)率為0.000 2，β1=0.5，β2=0.9。

訓(xùn)練后生成器輸入5 組不同的隨機(jī)噪聲數(shù)據(jù)，依次命名為重構(gòu)-1至重構(gòu)-5，每組重構(gòu)300張巖心圖片。原始圖像(5 994 張)與5 組重構(gòu)圖像(300 張)的孔隙度和分形維數(shù)分布如圖12所示。從圖12可見：5組重構(gòu)巖心圖像的孔隙度和分形維數(shù)與原始巖心圖像的分形維數(shù)基本一致，分布范圍在原始圖像內(nèi)，其中位數(shù)和平均數(shù)都較為接近，表明DCGAN通過輸入多張訓(xùn)練圖像，其生成器可以學(xué)習(xí)到巖心樣本的孔隙分布特征。

圖12 5組生成數(shù)字巖心圖像與原始巖心圖像的孔隙度和分形維數(shù)分布對(duì)比Fig.12 Comparison of porosity and fractal dimension distribution between generated rock images (five groups)and original rock images

原始圖像與5組重構(gòu)圖像的兩點(diǎn)概率函數(shù)如圖13 所示。從圖13 可見：5 組重構(gòu)圖像的兩點(diǎn)概率函數(shù)分布在原始圖像的范圍內(nèi)，但重構(gòu)巖心圖像的兩點(diǎn)概率函數(shù)整體偏低，說明重構(gòu)的數(shù)字巖心連通性比原始圖像的巖心連通性較差。

圖13 5組重構(gòu)數(shù)字巖心圖像與原始巖心圖像兩點(diǎn)概率函數(shù)對(duì)比Fig.13 Comparison of two-point probability function between generated digital rock images (five groups) and original rock images

4 結(jié)論

1) 基于SRGAN實(shí)現(xiàn)砂巖圖像不同放大倍數(shù)的超分辨率圖像重構(gòu)，利用峰值信噪比、結(jié)構(gòu)相似性、孔隙度、分形維數(shù)和兩點(diǎn)概率函數(shù)對(duì)重構(gòu)性能進(jìn)行了定量評(píng)價(jià)。當(dāng)放大倍數(shù)小于8 倍時(shí)，SRGAN重構(gòu)生成的高分辨率數(shù)字巖心圖像與原始數(shù)字巖心圖像接近，顯著提高了微納米孔隙圖像分辨率，放大16 倍后，重構(gòu)的超分辨率圖像失真嚴(yán)重。

2) 隨著放大倍數(shù)的增加，PSNR 和SSIM 逐漸減小，PSNR 減小了約10 dB，SSIM 減小了近一半；分形維數(shù)和孔隙度隨著放大倍數(shù)的增加相差不大，PSNR 和SSIM 更適合用于定量評(píng)價(jià)基于深度學(xué)習(xí)的超分辨率重構(gòu)的效果。

3) DCGAN可以實(shí)現(xiàn)從一維噪聲數(shù)據(jù)有效重構(gòu)二維數(shù)字巖心圖像，生成數(shù)字巖心圖像孔隙度分布、孔隙拓?fù)浣Y(jié)構(gòu)和連通性均與原始數(shù)字巖心圖像的接近，但重構(gòu)圖像的連通性較差。

4) 生成對(duì)抗神經(jīng)網(wǎng)絡(luò)可以用于提高數(shù)字巖心圖像分辨率，實(shí)現(xiàn)數(shù)字巖心重構(gòu)，在數(shù)字巖心研究領(lǐng)域具有廣闊的應(yīng)用前景。