利用機器學習從切片的孔隙結構特征預測多孔介質滲透率

孟胤全，蔣建國，吳吉春

南京大學 地球科學與工程學院，表生地球化學教育部重點實驗室，南京 210023

確定多孔介質的滲透率對于地下水運動、油氣開采、二氧化碳地下封存以及核廢料泄漏等問題的研究具有重要意義（Neuman, 2005；Tsang et al.,2015；Zhou et al., 2019）。達西壓力梯度法（Miguel and Serrenho, 2007）測定多孔介質滲透率的周期較長且受環境干擾較大，因此無法大量應用。隨著計算流體力學的快速發展，孔隙尺度的多孔介質流體流動數值模擬已經廣泛應用于計算滲透率。然而，復雜的邊界條件與非線性的Navier-Stokes 方程使得數值模擬計算成本較高，從而限制了多孔介質的計算尺寸。根據達西定律，多孔介質的滲透率由孔隙空間結構決定，兩者之間映射關系可轉化為機器學習有監督問題。前人選擇使用隨機森林模型、梯度提升模型、人工神經網絡（ANN）和卷積神經網絡（CNNs）等等機器學習回歸模型預測多孔介質的滲透率（Araya and Ghezzehei, 2019 ；Rabbani et al.,2020 ；Srisutthiyakorn et al., 2016）。

作為計算機視覺領域最為經典的模型, CNNs已被廣泛用于預測多孔介質數字圖像所對應的滲透率（Kamrava et al., 2019；Tang et al., 2022；Tian et al., 2020；Wu et al., 2018）。然而，孔隙空間結構數據量、CNNs 模型的復雜度與GPU 內存之間的矛盾限制了多孔介質的研究尺寸與模型的預測性能（Kashefi et al., 2021）。例如，尺寸為256×256×256立方體素的三維多孔介質數字圖像具有超過1000萬個體素，直接輸入至復雜度高的深層3D CNN 時會給GPU 帶來巨大的負擔。然而降低CNNs 模型的復雜度會導致欠擬合從而降低預測性能，增加GPU 的內存或數量則會大幅增加計算成本。因此前人考慮應用多孔介質領域的專家知識對孔隙空間結構進行手動特征提取，而后再輸入至機器學習模型中。……