Реконструкция трёхмерных пористых сред с использованием генеративных состязательных нейронных сетей

Reconstruction of three-dimensional porous media using generative adversarial neural networks
Martin Julian Blunt, Lukas Mosser, Olivier Dubrule
2017-10-23

состязательное обучениегенеративно-состязательные сетиморфология порового пространстваоднофазная проницаемостьтрехмерные пористые среды
Для оценки вариабельности многофазных фильтрационных свойств пористых сред на уровне пор необходимо получить ряд репрезентативных образцов пустотно-твёрдой структуры. Хотя современная рентгеновская компьютерная томография позволяет извлекать трёхмерные изображения порового пространства, экспериментальная оценка вариабельности присущих материалу свойств часто оказывается невозможной. Мы представляем метод реконструкции твёрдо-телой структуры пористых сред с применением генеративной нейронной сети, обеспечивающей неявное описание распределения вероятностей, представленного наборами трёхмерных изображений. Используя подход состязательного обучения нейронных сетей, мы показываем, что этот метод обучения без учителя способен генерировать репрезентативные образцы пористых сред, воспроизводящие их статистические характеристики. Мы успешно сопоставляем такие характеристики морфологии пор, как эйлерова характеристика, двухточечные статистики и направленная проницаемость для однофазного потока, для синтетических реализаций с расчётными свойствами упаковки шариков, песчаника Berea и известняка Ketton. Результаты показывают, что генеративные состязательные сети можно использовать для реконструкции высокоразрешённых трёхмерных изображений пористых сред в различных масштабах, репрезентативных с точки зрения морфологии изображений, использованных для обучения нейронной сети. Полностью свёрточная архитектура обученной нейронной сети позволяет генерировать большие образцы при сохранении вычислительной эффективности. По сравнению с классическими стохастическими методами реконструкции изображений неявное представление выученного распределения данных можно сохранять и повторно использовать для очень быстрого генерирования множества реализаций поровой структуры.
1
Генеративная состязательная нейронная сеть восстанавливает трёхмерные структуры твёрдой и поровой фаз пористых сред посредством обучения без учителя.
2
Синтетические реализации успешно представляют упаковки зёрен, песчаник Berea и известняк Ketton при разных масштабах и высоком пространственном разрешении.
3
Полн свёрточная архитектура эффективно генерирует крупные образцы пористых сред, сохраняя морфологию изображений, использованных для обучения.
4
Сгенерированные образцы воспроизводят ключевые морфологические и транспортные характеристики, включая характеристику Эйлера, двухточечную статистику и направленную однофазную проницаемость.
5
Неявное представление выученного распределения данных можно сохранять и повторно использовать для быстрого получения множества реализаций поровой структуры по сравнению с классическими стохастическими методами реконструкции.

трёхмерные твёрдофазно-поровые структуры пористых сред, включая упаковку шариков, песчаник Berea и известняк Ketton

реконструкция и статистическая репрезентативность морфологии пор и фильтрационных свойств в сгенерированных реализациях пористых сред

Publication Details
Publication Date
2017-10-23
Journal
Publisher
ISSN
Cited by
587
Access Type
Author Information
Authors
Martin Julian Blunt
Lukas Mosser
Olivier Dubrule
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%