使用生成对抗神经网络重建三维多孔介质

为了在孔隙尺度上评估多孔介质多相流特性的变异性，有必要获取孔隙-固体结构的若干代表性样本。虽然现代 x-ray 计算机断层扫描已使得提取孔隙空间的三维图像成为可能，但对固有材料特性变异性的评估通常在实验上不可行。我们提出了一种通过应用生成神经网络来重建多孔介质固体-空隙结构的新方法，该网络允许对由三维图像数据集表示的概率分布进行隐式描述。我们通过使用神经网络的对抗学习方法表明，这种无监督学习方法能够生成代表多孔介质统计特征的样本。我们成功地将合成实现体的孔隙形态度量(如欧拉示性数、两点统计量和方向单相渗透率)与计算的 bead pack、Berea sandstone 和 Ketton limestone 的性质进行了比较。结果表明，GAN 可用于重建不同尺度下高分辨率三维多孔介质图像，这些图像代表了用于训练神经网络的图像的形态。训练好的神经网络的完全卷积性质允许生成大样本同时保持计算效率。与经典的随机图像重建方法相比，学习到的数据分布的隐式表示可以被存储和重用，以非常快速地生成孔隙结构的多个实现体。