基于DNS的物理信息CNN估算三维微CT图像渗透率
机器学习
2022-04-14 v2 数值分析
数值分析
摘要
近年来，卷积神经网络（CNNs）因能够在多孔介质研究与应用中对有效水动力学参数进行快速近似而受到越来越多的关注。本文提出一种从地质岩石样品微CT扫描预测渗透率的新方法。专用于渗透率预测的CNN训练数据集通常由经典格子Boltzmann方法（LBM）生成的渗透率标签组成，这些方法模拟流体通过分割图像数据的孔隙空间。我们改为通过高效且分布式并行地求解定常Stokes方程来进行直接数值模拟（DNS）。由此，我们规避了LBM在复杂孔隙几何上频繁出现的收敛问题，从而提升了训练数据集的通用性与准确性。利用DNS计算的渗透率，通过额外提供定制的孔隙空间特征量来训练物理信息CNN（PhyCNN）。更确切地说，借助孔隙空间图表示上流动问题的联系，以最大流值形式向网络提供关于受限结构的附加信息，这是我们工作流的关键创新组件。该方法的鲁棒性体现为极高的预测精度，这在来自典型岩层的多种砂岩样品中均被观察到。
引用
@article{arxiv.2109.01818,
title = {Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS},
author = {Stephan Gärttner and Faruk O. Alpak and Andreas Meier and Nadja Ray and Florian Frank},
journal= {arXiv preprint arXiv:2109.01818},
year = {2022}
}