一种混合机器学习方法,用于分析多孔介质中的甲水合物形成动态,使用同步CT成像

科学领域:

• 地质科学 地质科学
• 材料科学 材料科学 材料科学
• 化学工程是化学工程的重要组成部分.

背景情况:

• 量化微型计算机断层扫描 (micro-CT) 研究的动态过程,如甲水合物形成受阻复杂的数据分析,特别是耗时的细分.
• 挑战包括多尺度,时间变化的样本结构,固体和流体相之间的低对比度,以及动态成像的大量数据.

研究的目的:

• 开发一种自动化细分方法,用于在粒状介质中形成甲水合物的时间解析微CT数据.
• 为了实现高效的,即时分析和指导动态实验涉及气体水合物.

主要方法:

• 这是一种混合方法,将深度学习的3D U-Net模型与基于样本特定物理属性的自动数据标签技术相结合.
• 标签技术利用矿物质矩阵的不动性和孔内的偶尔流体运动.

主要成果:

• 自动化细分成功地标志着毛孔内的水合物增长以及盐水流和再分配等动态过程.
• 在典型条件下,最初的水合物形成速度很慢 (每小时<1%),随着盐水与气体接触面积的增加,其加速到每小时2.5%.
• 在实验观察11个小时后,达到水合和.

结论:

• 拟议的基于深度学习的细分方案显著提高了分析动态微CT数据分析甲水合物形成的效率.
• 这种方法促进实时数据分析和实验指导,允许研究人员在实验期间专注于特定感兴趣的区域.