页岩油气藏受到越来越多的关注,成为近年来研究领域的热点之一。页岩孔隙结构复杂,孔隙喉咙狭窄,孔径从纳米到微米不等,研究页岩的流动机理对页岩油气藏的开发具有重要意义。数字岩心的重建可以全面代表页岩的岩体物理性质,是模拟微/纳米孔中流体流动的关键。数字岩心的建模方法可分为物理实验方法和数值模拟方法。物理实验方法通常耗时且昂贵,因为物理实验的钻孔和岩心取样成本相当高,并且实验样品的制造有时难以实施。由于没有复杂的物理准备和对昂贵设备的需求,数值模拟方法相对具有成本效益,但仍然存在处理时间长的问题。最近,深度学习及其变体可以有效地从训练图像(TI)中提取特征,使数字岩心的快速重建成为可能。本文将通过扫描电镜获得的真实页岩数据作为训练图像,使用以残差网络为基础的深度学习方法进行页岩数据重构。主要研究内容如下:(1)随着网络层数的增加,传统的卷积神经网络(CNN)会出现网络退化以及梯度消失或爆炸的问题。此外,传统的卷积神经网络无法特别关注图像中有效的特征。针对上述问题,在CNN中引入残差连接和注意力机制,分别关注图像中重要特征和将深层的特征和浅层的特征进行融合,并改变反向传播的计算方式,将传统的乘法计算改变为加法计算,缓解了梯度消失或爆炸和网络退化问题。通过与传统的数值重建方法和CNN相比,证明该方法的有效性。(2)传统的变分自编码(VAE)由于梯度噪声以及由其损失函数引起的近似分布与真实后验分布之间的差异,理论上VAE生成的图像往往有点模糊。传统的生成对抗网络(GAN),虽然可以生成清晰的图像,但模拟受到模型崩溃和梯度消失的影响。总的来说,GAN和VAE各有优缺点,但它们可能可以结合起来达到优势和劣势的平衡。因此,提出了一种VAE-GAN模型,并在生成器中引入残差网络来和行列式计算分别用于融合深浅层的特征以及提高生成结果质量。通过与传统的数值重建方法和GAN的变体相比,证明该方法的有效性。