数字岩心重建方法有很多种,如数值重建、物理实验、混合建模等方法,但这些方法有着训练时间长、实现过程复杂等缺点。生成对抗网络(GANs)作为当前图像生成领域最流行的人工智能模型,具有优异的图像生产能力,如在人物图像生成、指纹生成等方面有优异的表现。为此,本文基于GANs的样本生产能力,提出一种新的数字岩心重建方法。首先,将卷积神经网络作为生成网络,用于学习真实数字岩心样本分布,然后,构造一个卷积神经网络作为判别网络,用于区分重建数字岩心和真实数字岩心。生成网络试图欺骗判别网络,判别网络尽可能区分出重建数字岩心。通过这种对抗训练方式,最终重建出逼真的数字岩心。为分析生产数字岩心质量,本文使用两点协方差函数和弗雷歇距离、克劳尔距离评估生成对抗网络重建真实数字岩心样本的能力,结果表明:协方差函数可以检验生成页岩样本与真实页岩样本的相似性;弗雷歇距离和克劳尔距离定量衡量了生成页岩样本与真实页岩样本所服从的高斯分布的差异性,其值越小,代表生成的页岩样本质量越高。此外,为解决GANs在生成页岩样本过程中出现的不规则纹理问题,本文提出了以经过三值化预处理的页岩图像作为训练样本,成功地比较了真实数字岩心样本和重构数字岩心样本的形态特征,如有机质组分比例及比表面积。本文研究表明,利用强大的深度学习方法,GANs可以高效地重建出高质量的数字岩心。相对于多点地质统计方法,新方法不需要对与训练数据相关联的概率分布进行先验推断,且无需事先给出硬数据约束条件,直接使用噪声即可重建页岩数字岩心。此外,新方法更为简单,模型训练时间更短,训练好的模型还可以实现无限量生产新样本,因此,与现有方法相比,新方法更有潜力。本文主要工作包括以下几个部分:第一部分主要介绍了数字岩心的研究背景和研究现状。第二部分主要介绍了传统的数字岩心重构方法,如物理实验法、数值重建法和混合建模方法。第三部分主要介绍了生成对抗网络的基本概念、发展情况及实现原理。第四部分主要介绍了基于WGAN的页岩图像重建方法、相关细节及算法训练流程,并使用协方差函数和弗雷歇距离、克劳尔距离衡量了重建页岩样本和真实页岩样本的相似性,验证了算法的高效性。第五部分主要介绍了基于生成对抗网络三值图像生成方法,包括页岩样本三值化等预处理流程,算法实现细节,并比较了真实数字岩心和重构数字岩心的有机质比例、比表面积等形态特征,解决了GANs生成样本中出现不规则纹理的问题。