结合CNN与分层均匀化方法均质化大尺寸数字岩石图像的弹性性质
地球物理
2023-05-12 v1 图像与视频处理
摘要
从其孔隙尺度数字图像确定岩石的有效弹性性质是数字岩石物理（DRP）的一个关键目标。然而，弹性行为的直接数值模拟（DNS）计算成本很高；而替代机器学习（ML）模型，特别是卷积神经网络（CNN），显示出加速均匀化过程的潜力。但 3D CNN 模型由于内存问题无法处理大图像。为应对这一挑战，我们提出了一种将 3D CNN 与分层均匀化方法（HHM）相结合的新方法。替代 3D CNN 模型仅对小的子图像进行均匀化，并使用 DNS 对由组装小图像得到的中间图像进行均匀化。所设计的 3D CNN 模型输出输入图像在 Hashin-Shtrikman（HS）界限内的均匀化弹性常数。该 3D CNN 模型首先在由五种砂岩（石英矿物组成）图像等比例组成的数据上训练，随后使用迁移学习针对特定岩石进行微调。所提方法应用于尺寸为 300x300x300 和 600x600x600 体素岩石图像的均匀化，预测得到的均匀化弹性模量与暴力 DNS 所得结果一致。通过使用迁移学习，训练好的 3D CNN 模型的可迁移性进一步通过对方解石矿物组成的石灰岩岩石均匀化弹性模量的预测得到证明。因此，结合 HHM 的替代 3D CNN 模型被证明是均质化大尺寸 3D 数字岩石图像及其他随机介质的有力工具。
引用
@article{arxiv.2305.06519,
title = {Homogenizing elastic properties of large digital rock images by combining CNN with hierarchical homogenization method},
author = {Rasool Ahmad and Mingliang Liu and Michael Ortiz and Tapan Mukerji and Wei Cai},
journal= {arXiv preprint arXiv:2305.06519},
year = {2023}
}
备注
16 pages, 13 figures