基于混合机器学习方法的甲烷水合物形成动态 CT 成像定量分析
地球物理
2022-09-12 v1
摘要
含甲烷水合物样品中的快速多相过程对微 CT 定量研究构成挑战，因为涉及耗时的分割流程的复杂层析数据分析。这是由于样品多尺度结构随时间变化、固体与流体材料间低 X 射线衰减与相位衬度，以及动态过程中获取的大量数据。我们提出一种混合方法，用于甲烷气体水合物在砂质颗粒介质中形成的time-resolved成像层析数据的自动分割。首先，我们使用优化的 3D U-net 神经网络对与周围孔隙盐水饱和相低对比度的矿物颗粒进行分割。然后，我们基于高斯混合模型进行统计聚类，以分离孔隙空间相，这些相因水合物形成过程中的动态过程而呈现灰度不稳定性。所提方法用于分割同步辐射原位层析实验获取的若干百 GB 数据。自动分割得以研究孔隙中水合物生长的性质，以及如渐进孔隙盐水流动与重分布等动态过程。
引用
@article{arxiv.2209.04098,
title = {Quantitative analysis of dynamic CT imaging of methane-hydrate formation with a hybrid machine learning approach},
author = {Mikhail I. Fokin and Viktor V. Nikitin and Anton A. Duchkov},
journal= {arXiv preprint arXiv:2209.04098},
year = {2022}
}