استفاده از روشهای یادگیری ماشین برای پیشبینی تراوایی سنگ دیجیتال

مدلسازی مقیاس حفره با استفاده از تصاویر توموگرافی رایانه ای اشعه ایکس یا به عبارتی فیزیک سنگ دیجیتال، به روشی قابل اعتماد برای پیشبینی خصوصیات پتروفیزیکی سنگها تبدیل شده است. به منظور پیشبینی تراوایی به طور معمول از روشهای شبیه سازی عددی مستقیم استفاده میشود. این روشها برای تعداد نمونه های فراوان و یا نمونه با ابعاد بزرگ هزینه محاسباتی زیادی در پی خواهند داشت. در این پژوهش، روشی مبتنی بر استفاده از شبکه های عصبی پیچشی برای پیشبینی تراوایی ارائه شده است. در این روش ابتدا زیرنمونه هایی از یک مدل سه بعدی ماسه سنگ استخراج شده و تراوایی آنها محاسبه شده است. سپس وضوح زیرنمونه های استخراج شده با استفاده از روش نمونه کاهی کاهش یافته و به همراه تراوایی های متناظر خود، برای آموزش شبکه عصبی استفاده شده اند. برای ارزیابی عملکرد شبکه عصبی پیچشی آموزش یافته ، تراوایی تعدادی زیرنمونه که شبکه عصبی پیچشی آنها را ندیده است، پیشبینی شده و با مقادیر به دست آمده از شبیه سازی مقیاس حفره مقایسه و ارزیابی شده اند. نتایج حاصل از ارزیابی شبکه عصبی پیچشی، عملکرد مناسب آن را با مقدار R۲ برابر با ۰/۹۹ نشان میدهد و از طرفی زمان محاسبات برای زیرنمونه های دیده نشده نسبت به شبیه سازی عددی مستقیم ۱۲۰ برابر کاهش یافته است.

Keywords:

مدلسازی مقیاس حفره , توموگرافی رایانه ای , فیزیک سنگ دیجیتال , شبکه عصبی پیچشی , نمونه کاهی , تراوایی