基于深度生成模型的颗粒多孔介质的三维重建
Rongyan Yin1, Qizhi Teng1, Xiaohong Wu1
1College of Electronics and Information Engineering, Sichuan University, Chengdu 610065, China.
Physical review. E
|December 20, 2023
概括
本研究介绍了一种深度学习模型,用于从二维图像中对颗粒多孔介质的3D微结构重建. 该方法准确地捕捉复杂的粒形和空间分布,推进材料科学和石油地质学.
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:
- 颗粒多孔介质的微结构重建对于理解石油地质学和计算材料科学等领域的材料特性至关重要.
- 现有的方法往往过于简化了粒度几何和相互作用,无法捕捉自然复杂性.
研究的目的:
- 开发一种高质量的3D微结构重建方法,用于使用单个2D图像的颗粒多孔介质.
- 通过整体生成整个谷物集来克服现有的离散重建技术的局限性.
主要方法:
- 建议采用混合生成型深度学习模型,包括自我注意模块和模式丢失.
- 该模型从输入图像中提取2D预先信息,以指导3D重建.
- 验证是使用具有不同粒度几何形状的样品进行的.
主要成果:
- 提出的方法准确地复制复杂的谷物形态和空间分布,没有人为性.
- 该模型展示了有效的重建能力,增强了模拟颗粒媒体的能力.
- 从单个2D图像中生成多个3D实现的快速,端到端的生成是在培训后实现的.
结论:
- 基于深度学习的混合生成模型在颗粒多孔介质的3D微结构重建方面取得了重大进展.
- 这种方法提供了更现实的颗粒组件表示,对于准确的模拟和分析至关重要.
- 这种方法可以高效准确地生成复杂的微观结构,有利于各种科学和工程应用.
