Resumen

La reconstrucción de medios porosos se utiliza ampliamente en el estudio de los flujos de fluidos y en las ciencias de la ingeniería. Algunos métodos tradicionales de reconstrucción de medios porosos utilizan las características extraídas de medios porosos naturales reales y las copian para realizar reconstrucciones. En la actualidad, como una de las ramas importantes de los métodos de aprendizaje automático, el método de aprendizaje profundo de transferencia (DTL) ha demostrado un buen rendimiento en la extracción de características y su transferencia a los objetos predichos, que puede utilizarse para la reconstrucción de medios porosos. Por lo tanto, se presenta un método para reconstruir medios porosos aplicando DTL para extraer características de una imagen de entrenamiento (TI) de medios porosos para reemplazar el proceso de escanear un TI para diferentes patrones como en los métodos estadísticos de puntos múltiples. La red neuronal profunda se utiliza prácticamente para extraer las características complejas de la IT de los medios porosos y, a continuación, se puede obtener un resultado reconstruido mediante el aprendizaje de transferencia a través de la copia de estas características. El método propuesto se evaluó en muestras de pizarra y arenisca mediante la comparación de funciones de conectividad de puntos múltiples, curvas de variograma, permeabilidad, porosidad, etc. Los resultados experimentales demuestran que el método propuesto es muy eficaz y conserva características similares a las de la imagen de destino, acortando el tiempo de reconstrucción y reduciendo la carga de la CPU.

• Materias:Algoritmos genéticos Geoquímica Análisis de suelos Agua Carbón
• Subjects:Genetic algorithms Geochemistry Soil testing Water Coal
• Palabras claves:medios porosos, características, métodos propuestos, métodos tradicionales de reconstrucción, red neuronal profunda, rama de la máquina, reconstrucción, métodos de aprendizaje automático, medios porosos naturales, función de conectividad puntual
• Keywords:porous media, features, proposed methods, traditional reconstruction methods, deep neural network, branch of machine, reconstruction, machine learning methods, natural porous media, point connectivity function