使用物理信息生成对抗网络对三维多孔介质建模

岩石的微 CT 扫描显著增强了我们对多孔介质中孔隙尺度物理的理解。随着孔隙尺度模拟方法（如孔隙网络模型）的进步，现在可以准确模拟来自 CT 扫描岩石样本的多相流特性，包括相对渗透率。然而，CT 扫描样本数量有限，以及将孔隙尺度网络与现场尺度岩石特性联系起来的挑战，常常使得在现实的现场尺度油藏模拟中难以使用孔隙尺度模拟的特性。创建合成三维岩石结构的深度学习方法使我们能够模拟 CT 岩石结构的变化，然后可用于计算代表性的岩石特性和流动函数。然而，当前大多数用于三维岩石结构合成的深度学习方法未考虑从测井观测中获得的岩石特性，缺乏孔隙尺度结构与现场尺度数据之间的直接联系。我们提出了一种方法，利用生成对抗网络 (GANs) 并通过渐进高斯变形过程实现条件约束，构建受观测岩石特性约束的三维岩石结构。我们首先预训练一个 Wasserstein GAN 来重建三维岩石结构。随后，我们使用孔隙网络模型模拟器计算岩石特性。GAN 中用于图像生成的潜在向量通过高斯变形方法逐步改变，以生成受井源条件数据约束的三维岩石结构。这种 GAN 与高斯变形相结合的方法能够生成高分辨率合成图像，并再现用户定义的岩石特性，如孔隙度、渗透率和孔径分布。我们的研究提供了一种将 GAN 生成模型与现场衍生量联系起来的新方法。