一种用于多孔介质的高效混合神经网络架构：融合卷积与图神经网络以提升属性预测
地球物理
2025-01-03 v2
摘要
多孔介质广泛分布于自然界，存在于土壤、岩层和植物组织等环境中，并在地下油气开采、药物递送和过滤系统等应用中至关重要。理解多孔介质的属性（如渗透率和地层因子）对于掌握其内部流体流动物理过程至关重要。我们提出了一种新颖的融合模型，相比传统卷积神经网络（CNN）显著提升了内存效率，同时保持了高预测精度。尽管 CNN 已被用于从多孔介质的高分辨率三维图像估算这些属性，但在处理大维度输入时往往面临高内存消耗问题。我们的模型将简化 CNN 与图神经网络（GNN）相集成，后者将像素簇高效地聚缩为分别表示孔隙和喉道的图节点与边。这种基于图的方法天然契合多孔介质结构，使得传统方法难以实现的大规模模拟成为可能。此外，我们利用 GNN Grad-CAM 技术为多孔介质中的流体动力学提供了新的可解释性与见解。我们的结果表明，该融合模型预测多孔介质属性的精度优于独立的 CNN，而总参数量近乎低两个数量级。这一创新方法凸显了混合神经网络架构在推动多孔介质流体流动研究中的变革潜力。
引用
@article{arxiv.2311.06418,
title = {A Computationally Efficient Hybrid Neural Network Architecture for Porous Media: Integrating Convolutional and Graph Neural Networks for Improved Property Predictions},
author = {Qingqi Zhao and Xiaoxue Han and Ruichang Guo and Cheng Chen},
journal= {arXiv preprint arXiv:2311.06418},
year = {2025}
}
备注
Published in Advances in Water Resources, Volume 195, 2025, DOI: 10.1016/j.advwatres.2024.104881. Please cite the journal version