纳米级多孔材料的透性预测使用离散的共弦转换基于人工神经网络
Dongshuang Li1, Shaohua You1, Qinzhuo Liao1
1College of Petroleum Engineering, China University of Petroleum-Beijing, Beijing 102249, China.
Materials (Basel, Switzerland)
|July 14, 2023
概括
这项研究引入了一种使用离散等比变换 (DCT) 和人工神经网络 (ANN) 的新方法,以准确预测页岩形成中的纳米级多孔材料的透性,从而增强资源勘探.
科学领域:
- 地质科学 地质科学
- 材料科学 材料科学 材料科学
- 计算科学 计算科学
背景情况:
- 透性对于流体流动和多孔材料的机械性质预测至关重要.
- 数字岩石成像提供了详细的微观结构信息,但也带来了计算方面的挑战.
- 了解纳米级毛孔结构对于非传统资源开发至关重要.
研究的目的:
- 开发和验证一种新的计算方法来分析和预测数字岩石图像的透性.
- 提高透性预测的效率和准确性,特别是在页岩中的纳米级多孔材料.
- 证明拟议方法在不同岩石类型和尺度上的多功能性.
主要方法:
- 结合离散等号变换 (DCT) 进行特征提取和人工神经网络 (ANN) 进行预测.
- 使用Levenberg-Marquardt算法用于训练ANN模型.
- 将该方法应用于纳米级页岩和微尺度砂岩的数字岩石图像.
主要成果:
- DCT有效地捕捉了纳米尺度的形态和空间分布,提高了计算效率.
- 该ANN模型在预测DCT处理图像的透性方面表现出极高的准确性.
- 结合的DCT-ANN方法被证明对各种岩石样本,从纳米尺度到微观尺度的多功能.
结论:
- 新的DCT-ANN方法为数字岩石分析中的透性预测提供了高效和准确的解决方案.
- 这种方法有助于对非传统能源的理解和利用,特别是那些具有纳米级孔状结构的能源.
- 该技术可适应各种地质材料,支持地球科学和材料工程中的更广泛应用.
