通过深度学习超分辨率和对抗微调微观扫描岩石图像的绝对透率估计和对抗微调
Júlio de Castro Vargas Fernandes1, Alyne Duarte Vidal2, Lizianne Carvalho Medeiros2
1COPPE-Federal University of Rio de Janeiro, Mailbox 68506, Rio de Janeiro, Rio de Janeiro, 21941-972, Brazil. juliocvf@poli.ufrj.br.
Scientific reports
|July 19, 2024
概括
深度学习增强了碳捕获和储存 (CCS) 的数字岩石物理. 新的模型从低分辨率的X射线微断层图像中改进了透率估计,有助于蓄水池的表征.
科学领域:
- 数字岩石物理 数字岩石物理
- 地球科学中的人工智能
- 碳捕获和储存 (CCS) 是一种
背景情况:
- 准确地描述地下水库对于有效的碳捕获和储存 (CCS) 项目至关重要.
- 在数字岩石物理中,X射线微观图像 (μ-CT) 对于分析岩石的孔隙性和透性等属性至关重要.
- 高分辨率μ-CT成像是昂贵且耗时的,这限制了它在水库模拟中的广泛应用.
研究的目的:
- 开发一种具有成本效益和时间效率的方法,用于估计水库岩石中的石化物理性质.
- 利用深度学习来增强低分辨率的μ-CT图像,并替代复杂的数值模拟.
主要方法:
- 基于深度学习的超高分辨率模型的实施,以升级低分辨率的μ-CT图像.
- 开发一个替代模型来预测石化物理性质,绕过传统的数值模拟.
- 整合一种由生成对抗网络 (GAN) 启发的校正过程,以完善图像质量和属性估计.
主要成果:
- 超分辨率模型成功地提高了低分辨率μ-CT图像的质量.
- 由GAN启发的校正指导的替代模型提供了对石质物理性质的准确估计.
- 综合方法在DeePore数据集上的透性估计准确度显著提高.
结论:
- 深度学习提供了一种强大的解决方案,可以克服数字岩石物理中高分辨率成像的局限性.
- 拟议的方法提高了CCS应用的石化物理特征的效率和准确性.
- 这种方法促进了更好的储模拟,并支持开发更可靠的碳储存策略.
更多相关视频
10:18Dynamic Pore-scale Reservoir-condition Imaging of Reaction in Carbonates Using Synchrotron Fast Tomography
Published on: February 21, 2017
8.5K
12:18Pore-scale Imaging and Characterization of Hydrocarbon Reservoir Rock Wettability at Subsurface Conditions Using X-ray Microtomography
Published on: October 21, 2018
13.9K
