基于条件生成对抗网络的可用户定义属性数字岩石重建

由于地下岩石固有的非均质性及缺乏原位测量，流动不确定性在地下岩石中无处不在。为了以多尺度方式完成不确定性分析，提供充足的岩石样本是前提。尽管数字岩石技术的出现为岩石复现提供了机会，但其高昂成本仍无法用于提供海量样本，从而催生了多样化的数学方法。其中，两点统计（TPS）与多点统计（MPS）常被使用，分别具有纳入低阶与高阶统计信息的特点。近来，生成对抗网络（GANs）日益流行，因其能以优异的视觉及相应地质真实感复现训练图像。然而，标准 GANs 仅能纳入数据信息，无法提供用户定义属性的接口，从而可能限制重建样本的代表性。本研究中，我们提出用于数字岩石重建的条件 GANs，旨在复现既类似于真实训练数据、又满足用户指定属性的样本。事实上，所提框架通过 GANs 方案直接从岩石图像纳入高阶信息，同时通过条件化保留低阶对应信息，可同时实现 MPS 与 TPS 的目标。我们进行了三项重建实验，结果表明岩石类型、岩石孔隙度与相关长度可成功被条件化以影响重建岩石图像。此外，与现有 GANs 相比，所提条件化能够同时学习多种岩石类型，从而无形中节省计算成本。