斯蒂芬·加特纳;Alpak，Faruk O。;安德烈亚斯·梅耶;雷，娜佳;弗洛里安·弗兰克 基于DNS的基于物理信息的CNN估计3D micro-CT图像的渗透率。 （英语） Zbl 1514.86001号 计算。地质科学。 27，第2期，245-262（2023）. 摘要：近年来，卷积神经网络（CNN）在多孔介质研究和应用中快速逼近有效流体力学参数的能力越来越受到关注。本文提出了一种通过地质岩石样品的显微CT扫描预测渗透率的新方法。专门用于渗透率预测的CNN的训练数据集由渗透率标签组成，这些标签通常由经典格子Boltzmann方法（LBM）生成，该方法模拟通过分割图像数据的孔隙空间的流动。相反，我们通过以高效和分布式并行的方式求解平稳斯托克斯方程来执行直接数值模拟（DNS）。因此，我们避免了在复杂孔隙几何形状上经常观察到的LBM收敛问题，从而提高了训练数据集的通用性和准确性。使用DNS计算的渗透率，通过额外提供定制的孔隙特征量来训练物理信息CNN（PhyCNN）。更准确地说，通过在孔隙空间的图形表示上利用与流动问题的联系，根据最大流动值向网络提供有关受限结构的附加信息，这是我们工作流程的关键创新组件。该方法的稳健性体现在非常高的预测精度上，从原型岩层的各种砂岩样品中可以观察到这一点。 MSC公司： 86-08 地球物理问题的计算方法 68T07型 人工神经网络与深度学习 76S05号 多孔介质中的流动；过滤；渗流 关键词：数字岩石;神经网络;深度学习;渗透;多孔介质 软件：算法447;Matlab公司;货币基金组织;github;炒作;CUDA公司 PDF格式BibTeX公司 XML格式引用 \textit{S.Gärttner}等人，《计算》。地质科学。27，第2号，245--262（2023；Zbl 1514.86001） 全文： 内政部 arXiv公司 参考文献： [1] Emmy Compute-Cluster:RRZE，Friedrich-Alexander-Universityät Erlangen-Nürnberg，德国（2021） [2] Aggarwal，CC，《神经网络与深度学习》，第25卷，497-497（2018），柏林：施普林格国际出版社，柏林·Zbl 1402.68001号 ·doi:10.1007/978-3-319-94463-0 [3] 阿尔帕克，FO；格雷，F。；北萨克森那。；Dieterich，J。；霍夫曼，R。；Berg，S.，通用图形处理单元上的分布式并行多重松弛时间格子Boltzmann方法，用于从高分辨率3D micro-CT图像快速、可缩放地计算绝对渗透率，Compute。地质科学。，22, 3, 815-832 (2018) ·兹比尔1405.86017 ·doi:10.1007/s10596-018-9727-7 [4] 安德森，R。；安德烈·J。；巴克，A。；Bramwell，J。；卡米尔，J-S；杜布雷夫，JCV；Y.杜杜伊特。；费希尔，A。；科列夫，T。；Pazner，W。；斯托维尔，M。；托莫夫，V。；阿克曼，I。；Dahm，J。；麦地那，D。；Zampini，S.，MFEM：模块化有限元库，计算。数学。申请。，81, 42-74 (2021) ·Zbl 1524.65001号 ·doi:10.1016/j.camwa.2020.06.009 [5] Araya-Polo，M。；阿尔帕克，FO；亨特，S。；霍夫曼，R。；Saxena，N.，从2D图像进行深度学习驱动渗透率估算，计算。地质科学。，24, 2, 571-580 (2019) ·doi:10.1007/s10596-019-09886-9 [6] 阿拉亚·波罗，M。；詹宁斯，J。；阿德勒。；Dahlke，T.，深度学习层析成像，Lead。Edge，37，58-66（2018）·doi:10.1190/tle37010058.1 [7] Benzi，M。；Golub，生长激素；Liesen，J.，鞍点问题的数值解，数值学报。，2005年1月14日至137日·Zbl 1115.65034号 ·doi:10.1017/s0962492904000212 [8] 巴特纳加，PL；总量，EP；Krook，M.，气体碰撞过程模型。I.带电和中性单组分系统中的小振幅过程，Phys。版次：94、3、511-525（1954）·Zbl 0055.23609号 ·doi:10.1103/physrev.94.511 [9] 布鲁斯，H.：理论微流体。牛津大学物理学硕士系列。牛津大学出版社（2008） [10] Bultreys，T。；博埃弗，WD；Cnudde，V.，《地质材料中孔隙尺度的成像和基于图像的流体传输建模：对当前最先进技术Earth-Sci的实际介绍》。Revi，15593-128（2016）·doi:10.1016/j.earscirev.2016.02.001 [11] Cheng，C。；Zhang，G-T，基于物理信息神经网络和resnet块的深度学习方法，用于解决流体流动问题，Water，13，4，423（2021）·doi:10.3390/w13040423 [12] 科尔曼，TH；Leiserson，CE；铆钉，RL；Stein，C.，《算法导论》（2001），剑桥：麻省理工学院出版社，剑桥·Zbl 1047.68161号 [13] 埃尔曼，HC；DJ西尔维斯特；Wathen，AJ，《有限元和快速迭代求解器：在不可压缩流体动力学中的应用》。《数值数学与科学计算》（2014），纽约：牛津大学出版社，纽约·Zbl 1304.76002号 ·doi:10.1093/acprof:oso/9780199678792.001.0001 [14] Ern，A。；Guermond，JL，《有限元理论与实践》。应用数学科学（2004），柏林：施普林格，柏林·兹比尔1059.65103 ·doi:10.1007/978-1-4757-4355-5 [15] Falgout，R.D.，Jones，J.E.，Yang，U.M.：并行高性能预处理器库hypre的设计和实现。In:Bruaset，A.M.，Tveito，A.（eds.）《并行计算机上偏微分方程的数值解》，pp 267-294（2006），doi:10.1007/3-540-31619-1_8·Zbl 1097.65059号 [16] 弗兰克·F。；刘，C。；阿尔帕克，FO；Rivière，B.，微孔域上具有简并迁移率的对流Cahn-Hilliard方程的有限体积/间断Galerkin方法，源于显微CT成像，Computat。地质科学。，22, 2, 543-563 (2018) ·Zbl 1405.65104号 ·doi:10.1007/s10596-017-9709-1 [17] Gärttner，S.，Frank，F.：RTSPHEM-多孔均匀演化介质中的反应传输求解器。埃尔兰根-纽伦堡弗里德里希·亚历山大大学数学系。doi:10.5281/zenodo.5166669，https://github.com/cupperfreeze/RTSPHEM/。2022年12月5日（2021年）访问 [18] Gärttner，S。；弗罗尔科维奇，P。；Knabner，P。；Ray，N.，反应性双矿物体系微观模型的效率，多尺度模型。模拟。，20, 1, 433-461 (2022) ·Zbl 1507.35177号 ·doi:10.137/20m1380648 [19] 格梅纳，B。；Huber，M。；约翰·L。；吕德，美国。；Wohlmuth，B.，《斯托克斯解算器在极端规模下的定量性能研究》，J.Compute。科学。，17, 509-521 (2016) ·doi:10.1016/j.jocs.2016.06.006 [20] 龚，L。；聂，L。；Xu，Y.，基于X射线计算机断层扫描的砂岩孔隙空间几何和拓扑分析，Energies，13，15，3774（2020）·doi:10.3390/en13153774 [21] Graczyk，K.M.，Matyka，M.：通过深度学习从图像中预测多孔介质的孔隙度、渗透率和曲折度。科学。报告10（1）。doi:10.1038/s41598-020-78415-x（2020） [22] 吉伯特，R。；Nazarova，M。；Horgue，P。；哈蒙，G。；克鲁克斯，P。；Debenes，G.，《利用孔隙尺度成像进行计算渗透率测定：样品尺寸、网格和方法灵敏度》，Transp。多孔介质，107，3，641-656（2015）·doi:10.1007/s11242-015-0458-0 [23] Hong，J。；刘，J.，使用三维卷积神经网络快速估计数字岩石的渗透率，计算。地质科学。，24, 4, 1523-1539 (2020) ·Zbl 1439.86040号 ·doi:10.1007/s10596-020-09941-w [24] 霍普克罗夫特，J。；Tarjan，R.，《算法447：图形操作的有效算法》，Commun。美国医学会，16，6，372-378（1973）·数字对象标识代码：10.1145/362248.362272 [25] Krüger，T。；Kusumaatmaja，H。；库兹明，A。；沙尔特，O。；Silva，G.，《晶格玻尔兹曼方法》，720-720（2016），柏林：施普林格国际出版社，柏林 [26] LeNail，A.，NN-SVG：出版用神经网络架构示意图，J.开源软件。，4，33747（2019）·doi:10.21105/joss.00747 [27] Liao，Q.，Jen，T.-C.：计算流体动力学。IntechOpen，第410页。doi:10.5772/10585（2011） [28] 刘，C。；弗兰克·F。；阿尔帕克，FO；Rivière，B.，多孔介质渗透率估算用三维不可压缩Navier-Stokes方程的内罚间断Galerkin方法，J.Compute。物理。，396669-686（2019）·Zbl 1452.76095号 ·doi:10.1016/j.jcp.2019.06.052 [29] Lu，L.，Dying ReLU和初始化：理论和数值示例，Commun。计算。物理。，28, 5, 1671-1706 (2020) ·Zbl 1507.68248号 ·doi:10.4208/cicp.oa-2020-0165 [30] 卢，X。；Giovanis，DG；Yvonnet，J。；帕帕佐普洛斯，V。；Detrez，F。；Bai，J.，石墨烯/聚合物纳米复合材料非线性各向异性电响应的基于神经网络的数据驱动计算均匀化方法，计算。机械。，64, 2, 307-321 (2018) ·Zbl 1464.74404号 ·doi:10.1007/s00466-018-1643-0 [31] MATLAB：版本9.10.0.1602886（R2021a）。马萨诸塞州纳蒂克：The MathWorks Inc.（2021） [32] Neumann，R.F.，Barsi-Andreeta，M.，Lucas-Oliveira，E.，Barbalho，H.，Trevizan，W.A.，Bonaganba，T.J.，Steiner，M.：数字岩石中的高精度毛细管网络表示揭示了渗透率标度函数。科学。报告11（1）。doi:10.1038/s41598-021-90090-0（2021） [33] Neumann，R.、Andreeta，M.、Lucas-Oliveira，E.：11砂岩：原始、过滤和分段数据。http://www.digitalrocksportal.org/projects/317，doi:10.17612/f4h1-w124（2020） [34] 皮尔逊，JW；佩斯塔纳，J。；DJ，Silvester，离散Stokes问题的精化鞍点预条件，Numer。数学。，138, 2, 331-363 (2017) ·Zbl 1408.76371号 ·文件编号：10.1007/s00211-017-0908-4 [35] Prifling，B.、Röding，M.、Townsend，P.、Neumann，M.和Schmidt，V.：使用90000个人工生成的微观结构预测多孔材料中质量传输的大规模统计学习。前面。马特。8.doi:10.3389/fmats.2021.786502（2021） [36] Rozloíník，M.，鞍点问题及其迭代解。Neças Center系列（2018），柏林：施普林格国际出版公司，柏林·Zbl 1494.65001号 ·doi:10.1007/978-3-030-01431-5 [37] 日本桑托斯；Xu博士。；乔·H。；CJ Landry；普罗达诺维奇，M。；Pyrcz，MJ，PoreFlow-Net：预测流体通过多孔介质流动的三维卷积神经网络，《高级水资源》。，138, 103539 (2020) ·doi:10.1016/j.advwatres.2020.103539 [38] 桑托斯，JE；Yin，Y。；乔·H。；潘·W。；康（Kang，Q.）。；维斯瓦纳坦，HS；普罗达诺维奇，M。；Pyrcz，MJ；Lubbers，N.，应用于复杂三维多孔介质中流体流动的计算效率多尺度神经网络，Transp。多孔介质，140，1，241-272（2021）·doi:10.1007/s11242-021-01617-y [39] 北萨克森那。；霍夫曼，R。；阿尔帕克，FO；Berg，S。；Dieterich，J。；阿加瓦尔，美国。；Tandon，K。；亨特，S。；弗里曼，J。；Wilson，OB，使用多孔介质和数字岩石的显微CT图像模拟孔隙尺度流的参考和基准，Adv.Water Resour。，109, 211-235 (2017) ·doi:10.1016/j.advwatres.2017.09.007 [40] 北萨克森那。；豪斯，A。；霍夫曼，R。；阿尔帕克，FO；Dieterich，J。；阿佩尔，M。；弗里曼，J。；De Jong，H.，《显微CT图像的岩石特性：分辨率、孔隙体积和视野的数字岩石变换》，《高级水资源》。，134, 103419 (2019) ·doi:10.1016/j.advwatres.2019.103419 [41] 舒尔茨，R。；雷，N。；Zech，S。；拉普，A。；Knabner，P.，Beyond Kozeny-Carman：预测多孔介质中的渗透率。多孔医学，130，2487-512（2019）·doi:10.1007/s11242-019-01321-y [42] 锡耶纳，M。；海曼，JD；Riva，M。；Guadagnini，A。；冬季，CL；Smolarkiewicz，PK；Gouze，P。；萨杜汗，S。；Inzoli，F。；盖登，G。；Colombo，E.，《孔隙尺度下天然多孔介质中完全饱和流动的直接数值模拟：三种计算系统的比较》，计算。地质科学。，19, 2, 423-437 (2015) ·doi:10.1007/s10596-015-9486-7 [43] 苏达科夫，O。；伯纳耶夫，E。；Korotev，D.，《推动数字岩石走向机器学习：利用梯度增强和深层神经网络预测渗透率》，计算机。地质科学。，127, 91-98 (2019) ·doi:10.1016/j.cageo.2019.02.002 [44] 孙，H。；Al-Marzouqi，H。；Vega，V.，EPCI：一种从计算机断层扫描图像预测绝对渗透率的新工具，地球物理学，84，3，F97-F102（2019）·doi:10.1190/geo2018-0653.1 [45] 唐·P。；张，D。；Li，H.，基于CNN和物理信息的3D岩石图像预测渗透率，J.Hydrol。，606, 127473 (2022) ·doi:10.1016/j.jhydrol.2022.127473 [46] 特姆布利，M。；上午AlSumaiti；Alameri，WS，机器和深度学习，用于根据X射线显微计算机断层成像评估复杂碳酸盐岩的渗透率，能源代表，71460-1472（2021）·doi:10.1016/j.egyr.2021.02.065 [47] Tölke，J.，使用nVIDIA开发的计算统一设备架构实现格子Boltzmann内核，计算。视觉。科学。，13, 1, 29-39 (2008) ·doi:10.1007/s00791-008-0120-2 [48] Viswanathan，H。；海曼，J。；Karra，S。；奥马利，D。；Srinivasan，S。；哈格伯格，A。；Srinivasan，G.，《改进基于图形的算法预测断裂岩石中的流动和运输》，水资源。研究，54，9，6085-6099（2018）·doi:10.1029/2017wr022368 [49] 瓦格纳。；埃根威勒，E。；Weinhardt，F。；特里维迪，Z。；Krach，D。；Lohrmann，C。；Jain，K。；北卡罗迪米特里奥。；Bringedal，C。；沃兰德，P。；霍尔姆，C。；等级，H。；Steeb，H。；Rybak，I.，《规则多孔结构渗透率估算：方法比较基准》，Transp。多孔介质，138，1，1-23（2021）·doi:10.1007/s11242-021-01586-2 [50] 王，YD；Blunt，MJ；Armstrong，RT；Mostaghimi，P.，《孔隙尺度成像和建模深度学习》，Earth-Sci。版次：215103555（2021）·doi:10.1016/j.earscirev.2021.103555 [51] Wathen、AJ、预处理、Acta Numer.、。，24, 329-376 (2015) ·Zbl 1316.65039号 ·doi:10.1017/S0962492915000021 [52] Wildenschild，D。；Sheppard，AP，X射线成像和分析技术，用于量化地下多孔介质系统中的孔隙尺度结构和过程，Adv.Water Resour。，51217-246（2013）·doi:10.1016/j.advwatres.2012.07.018 [53] 吴杰。；尹，X。；Xiao，H.，从图像中看到渗透率：卷积神经网络快速预测，科学。公牛。，63, 18, 1215-1222 (2018) ·doi:10.1016/j.scib.2018.08.006 [54] Yang，X.先生。；梅赫马尼，Y。；华盛顿州珀金斯；Pasquali，A。；Schönherr，M。；Kim，K。；佩雷戈，M。；帕克斯，马里兰州；特拉斯克，N。；马里兰州巴尔霍夫；MC里士满；盖尔，M。；Krafczyk，M。；Luo，L-S；塔塔科夫斯基，AM；Scheibe，TD，《三维孔隙尺度流动和溶质运移模拟方法的相互比较》，《高级水资源》。，95, 176-189 (2016) ·doi:10.1016/j.advwatres.2015.09.015 [55] Yang，Z.：晶格Boltzmann边界条件分析。http://nbn-resolution.de/urn:nbn:de:bsz:352-作品-35079。博士论文。康斯坦茨：康斯坦茨大学（2007年） [56] 周瑜、吴瑜：训练数据集对神经网络监督学习性能的影响分析。In：Jin，D.，Lin，S.（编辑）《计算机科学、智能系统和环境进展》。doi:10.1007/978-3642-23753-94，第19页？25.施普林格，柏林（2011） 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。