可变形多孔介质中基于CNN的微观至宏观尺度流动建模

本研究引入了一种新方法，使用有限的真实微几何micro-CT图像来预测可变形多孔介质中的宏观固有渗透率张量。主要目标是开发一种高效的、基于机器学习的方法，以克服传统渗透率估计技术的局限性，这些技术通常依赖于耗时的实验或计算成本高昂的流体动力学模拟。本工作的新颖之处在于利用卷积神经网络来预测变形和各向异性流动条件下的孔隙流体流动行为。具体而言，所描述的方法采用多孔微观结构的二值化CT图像作为输入，以预测对称二阶渗透率张量，这是连续多孔介质流动建模中的一个关键参数。该方法包含四个关键步骤：（1）构建不同体积应变水平下Bentheim砂岩的CT图像数据集；（2）使用格子玻尔兹曼方法进行单相流动的孔隙尺度模拟以生成渗透率数据；（3）以处理后的CT图像为输入、渗透率张量为输出来训练CNN模型；（4）探索提高模型泛化能力的技术，包括数据增强和替代的CNN架构。文中提供了示例以证明CNN准确预测渗透率张量的能力，该参数在岩土工程、水文学和材料科学等多个学科中至关重要。我们还为感兴趣的读者提供了示例源代码。