利用图神经网络预测岩石有效弹性模量
机器学习
2024-01-04 v3 计算物理
地球物理
摘要
本研究提出一种基于图神经网络（GNNs）的方法，用于从岩石的数字 CT 扫描图像预测其有效弹性模量。我们使用 Mapper 算法将三维数字岩石图像转换为图数据集，封装关键的几何信息。这些图在训练后证明可有效预测弹性模量。我们的 GNN 模型在源自不同子立方体尺寸的各种图规模上展现出稳健的预测能力。它不仅在测试数据集上表现良好，还对未见岩石与未探索子立方体尺寸保持高预测精度。与卷积神经网络（CNNs）的对比分析揭示了 GNNs 在预测未见岩石属性方面的优越性能。此外，微结构的图表示显著降低了 GPU 内存需求（相较于 CNNs 的网格表示），使批大小选择更具灵活性。本工作展示了 GNN 模型在提升岩石属性预测精度与提高数字岩石分析效率方面的潜力。
引用
@article{arxiv.2310.19274,
title = {Prediction of Effective Elastic Moduli of Rocks using Graph Neural Networks},
author = {Jaehong Chung and Rasool Ahmad and WaiChing Sun and Wei Cai and Tapan Mukerji},
journal= {arXiv preprint arXiv:2310.19274},
year = {2024}
}