基于机器学习的岩石渗透率从孔隙尺度到岩心尺度的升尺度：训练数据集大小和子岩心体积的影响
地球物理
2025-10-31 v1
摘要
渗透率表征了多孔地层传导流体的能力，从而决定了碳捕集、利用与封存（CCUS）、碳氢化合物开采和地下储能的表现。因此，对这些应用而言，可靠的岩石渗透率评估至关重要。从大块岩石样本的低分辨率CT图像直接估算渗透率提供了一种快速获取渗透率数据的方法。然而，有限的分辨率无法捕捉到详细的孔隙尺度结构特征，导致预测精度低。为解决这一限制，我们提出了一种基于卷积神经网络（CNN）的升尺度方法，将高精度的孔隙尺度渗透率信息整合到岩心尺度的低分辨率CT图像中。在我们的工作流程中，大块岩心样本被划分为子岩心体积，其渗透率使用CNN进行预测。然后，基于预测的子岩心渗透率图，通过达西流求解器确定岩心尺度的升尺度渗透率。此外，我们研究了平衡计算效率和预测精度的最优子岩心体积大小。该框架有效地整合了小尺度非均质性，实现了从微米级孔隙到厘米级岩心的精确渗透率升尺度。
引用
@article{arxiv.2510.26198,
title = {Machine learning-based upscaling of rock permeability from pore scale to core scale: effect of training dataset size and sub-core volumes},
author = {Yaotian Guo and Fei Jiang and Takeshi Tsuji and Yoshitake Kato and Mai Shimokawara and Lionel Esteban and Mojtaba Seyyedi and Marina Pervukhina and Maxim Lebedev and Ryuta Kitamura},
journal= {arXiv preprint arXiv:2510.26198},
year = {2025}
}