从图像看渗透率：基于卷积神经网络的快速预测
计算物理
2018-09-11 v1
摘要
由图像识别神经网络实现的直接从图像快速预测渗透率，是一种具有巨大潜力的新型孔隙尺度建模方法。本文提出一个框架，包括（1）多孔介质样本生成，（2）通过流体动力学模拟计算渗透率，（3）用模拟数据训练卷积神经网络（CNN），以及（4）与模拟结果进行验证。机器学习结果与真实值的比较表明，在广泛的孔隙度和孔隙几何形状范围内具有优异的预测性能，特别是对于具有扩张孔隙的那些情况。由于这种非均质性，渗透率无法用传统的 Kozeny-Carman 方法估计。与流体动力学模拟相比，计算时间减少了数个数量级。我们发现，通过将已知影响渗透率的物理参数纳入神经网络，物理信息驱动的 CNN 比常规 CNN 产生了更好的结果，但改进程度随所实现的非均质性而异。
引用
@article{arxiv.1809.02996,
title = {Seeing Permeability From Images: Fast Prediction with Convolutional Neural Networks},
author = {Jin-Long Wu and Xiao-Long Yin and Heng Xiao},
journal= {arXiv preprint arXiv:1809.02996},
year = {2018}
}
备注
17 pages, 8 figures