PCP-GAN：基于条件生成对抗网络的属性约束孔隙尺度图像重建
计算机视觉与模式识别
2025-10-23 v1 机器学习
地球物理
摘要
获取与体相性质匹配的真正代表性孔隙尺度图像仍然是地下表征中的一个基本挑战，因为自然空间异质性导致提取的子图像与核心测量值显著偏离。这一挑战因数据稀缺而更加严重，物理样品仅在稀疏的井位处可用。本研究提出了一种多条件生成对抗网络（cGAN）框架，能够生成具有精确控制性质的代表性孔隙尺度图像，同时解决了代表性挑战和数据可用性约束。该框架在来自碳酸盐岩地层四个深度（1879.50–1943.50 m）的薄片样品上进行了训练，在单一统一模型中同时以孔隙度值和深度参数为条件。该方法同时捕捉了通用孔隙网络原理和深度特定的地质特征，从粒间-晶间孔隙的颗粒岩构造到含硬石膏包裹品的晶体纹理。该模型在所有地层中实现了优异的孔隙度控制（R²=0.95），平均绝对误差为0.0099–0.0197。形态学验证确认了关键孔隙网络特征的保留，包括平均孔隙半径、比表面积和迂曲度，统计差异仍在地质可接受范围内。最重要的是，生成图像在双约束误差方面表现出优越的代表性（1.9–11.3%），而随机提取的真实子图像的误差为36.4–578%。这一能力为地下表征提供了变革性工具，对于碳封存、地热能源和地下水管理应用尤其有价值，在这些应用中，了解孔隙空间的代表性形态对于实施数字岩石物理至关重要。
引用
@article{arxiv.2510.19465,
title = {PCP-GAN: Property-Constrained Pore-scale image reconstruction via conditional Generative Adversarial Networks},
author = {Ali Sadeghkhani and Brandon Bennett and Masoud Babaei and Arash Rabbani},
journal= {arXiv preprint arXiv:2510.19465},
year = {2025}
}