基于分辨率感知的多尺度3D卷积神经网络(CNN)用于碳酸盐岩渗透率估算:一种与架构无关的迁移学习框架

《Advances in Water Resources》:Resolution-aware multiscale 3D CNNs for permeability estimation in carbonate rocks: an architecture-agnostic transfer-learning framework

【字体: 大 中 小 】 时间:2026年05月01日 来源:Advances in Water Resources 4.2

编辑推荐:

  伊曼·纳比普尔(Iman Nabipour)| 阿米尔·拉乌夫(Amir Raoof)| 贾法尔·卡扎尔(Jafar Qajar) 伊朗设拉子大学化学与石油工程学院石油工程系 **摘要** 渗透率是控制地下水流动、污染物传输和地下储存的关键参数,然而从成像数据中估算

  伊曼·纳比普尔(Iman Nabipour)| 阿米尔·拉乌夫(Amir Raoof)| 贾法尔·卡扎尔(Jafar Qajar)
伊朗设拉子大学化学与石油工程学院石油工程系

**摘要**
渗透率是控制地下水流动、污染物传输和地下储存的关键参数,然而从成像数据中估算渗透率受到微CT分辨率与视场(FOV)之间权衡的阻碍。高分辨率扫描能够捕捉到关键的孔隙尺度特征,但仅适用于小体积区域;而低分辨率图像虽然能够覆盖代表性区域,但缺乏直接数值模拟所需的细节。在我们之前基于概念验证的、考虑分辨率的3D卷积神经网络(3D CNN)替代模型的基础上(Nabipour等人,2024年),我们开发并推广了这一框架,引入了一个紧凑的多尺度感知网络(MRAN),并使用多分辨率微CT图像和格子玻尔兹曼(LBM)得到的渗透率数据,将其与三种成熟的3D CNN架构(ResNet50、ResNeXt50和DenseNet201)进行了系统性的基准测试。所有网络都采用了精细、中等和粗糙(FR-IR-CR)的分层迁移学习方案进行训练,这些数据集分别包含1416个和3600个距离变换和二值多尺度子体积,从而能够控制架构选择、模型复杂性和数据缩放的影响。结果表明,分层迁移学习不依赖于具体架构,并且能够一致性地提高低分辨率下的性能,所有模型在3 μm体素大小下均实现了R2 ≥ 0.94的准确率。MRAN的可训练参数数量少于约120万个,约为ResNet50的2%,并且在低分辨率验证数据上的R2值超过了0.97,其性能比深层网络高出30-45%。通过对未见过的低分辨率体积进行独立的汞侵入孔隙度测量验证,相对渗透率误差低至7.5%,而MRAN能够最佳地再现完整的渗透率分布,包括高渗透率和低渗透率部分;相比之下,基线模型的误差超过了12%。一旦训练完成,对6003体素大小的图像进行推理仅需10分钟,比直接模拟快几个数量级。所提出的这种不依赖于具体架构且考虑分辨率的工作流程为异质碳酸盐储层中的渗透率估算提供了实用的方法,并且概念上也可应用于其他多孔介质和传输特性研究。

**1. 引言**
数字岩石物理学(DRP)将高分辨率3D层析成像与孔隙尺度数值模拟相结合,以估算多孔介质的关键有效属性,包括渗透率、形成因子和弹性模量。典型的DRP工作流程包括:(i)获取3D图像,(ii)预处理和分割成不同材料相,(iii)通过对分割后的体积进行直接数值模拟来计算物理属性(Verri等人,2017年)。这些模拟可以模拟多种地下过程,如单相和多相流动、溶质/粒子传输以及沉淀-溶解和吸附-解吸等反应现象,同时与传统岩心尺度测试相比,DRP能够实现无损且可重复的分析(Liu等人,2023年;Sadeghnejad等人,2021年;Saeibehrouzi、Abolfathi等人,2025年;Saeibehrouzi等人,2024年)。尽管具有这些能力,实际的DRP仍受到X射线成像固有的分辨率-视场(FOV)权衡的限制。高分辨率微CT体积可以支持直接孔隙尺度模拟(例如格子玻尔兹曼模拟),但通常仅限于小范围区域;相反,大视场扫描在计算上是可行的,但逐渐无法清晰地分辨控制渗透率的特征。原则上,数字体积可以达到约20003体素,但在这种尺度上进行直接数值模拟(DNS)在时间和内存上往往不可行(Ruspini等人,2021年;Santos等人,2020年)。这一限制在紧密碳酸盐岩中尤为明显,因为其多尺度孔隙系统(包括纳米到微米级别,如微孔隙、孔洞和偶尔出现的微裂缝)无法在一次扫描中同时捕捉到,预测精度取决于同时解析小尺度连通性和采样大尺度异质性的能力(Chen和Zhou,2017年;Mehmani等人,2020年;Sadeghnejad和Gostick,2020年)。

近年来,机器学习尤其是深度学习的进展为加速DRP中的孔隙尺度属性预测提供了实用途径,并缓解了分辨率-视场瓶颈问题(Liu等人,2023年;Pal等人,2023年)。特别是卷积神经网络(CNN)可以直接从3D图像中学习结构-属性关系,减少了对手工特征制作的依赖。一些研究提出了用于渗透率预测的多尺度CNN框架。例如,Santos等人(2021年)引入了MS-Net,通过格子玻尔兹曼模拟学习孔隙几何形状与稳态流场之间的多尺度关联,从而能够在较大体积(>5123体素)上进行推断,并通过数据增强和模型容量提升进一步改善了泛化能力(Santos等人,2023年)。Jiang等人(2022年)直接从CT图像预测了砂岩的渗透率,与实验结果吻合良好;Liu等人(2023年)结合了分层均质化和3D CNN迁移学习,用于估算非常大数字岩石的有效渗透率,同时保持与DNS的一致性。然而,这些研究大多针对相对简单的孔隙系统(通常是砂岩),或者依赖于未能完全反映紧密碳酸盐岩强异质性和多尺度微孔隙性的训练数据。

另一种方法是使用超分辨率(SR)来增强图像细节,包括基于CNN的SR、生成对抗网络(GAN)和扩散模型(Ma等人,2023年;Soltanmohammadi和Faroughi,2023年;Zhang等人,2022年)。然而,SR对于异质碳酸盐岩来说仍然具有挑战性:在通用多孔结构上训练的模型可能会平滑或扭曲关键的微观结构特征(如微孔隙和孔喉尺度连通性),基于GAN的方法可能会引入非物理伪影,影响连通性的判断,而扩散模型可能难以保持特定领域的各向异性和多尺度异质性(Ma等人,2023年;Soltanmohammadi和Faroughi,2023年)。此外,SR通常需要大量的计算资源和特定岩性的数据集来进行可靠的微调,这可能限制了时间敏感型DRP工作流程的实用性(Jackson等人,2021年;Zhang等人,2022年)。尽管有这些进展,但在解决多尺度碳酸盐岩的分辨率-视场权衡问题上仍存在关键差距。大多数现有方法要么侧重于图像增强,要么侧重于属性的放大预测,而很少有方法将多分辨率成像和孔隙尺度模拟标签整合到一个统一的、考虑分辨率的学习框架中。此外,许多深度学习研究依赖于简化的几何形状和/或有限的训练数据,这限制了泛化能力,并使得难以量化模型复杂性和数据集大小如何共同影响预测准确性和不确定性。

在我们之前的工作基础上,我们为紧密碳酸盐岩开发了两种互补的多尺度渗透率估算框架。在Nabipour等人(2024年)的研究中,我们引入了一个考虑分辨率的3D CNN替代模型,并通过格子玻尔兹曼(LBM)模拟进行了校准,证明了精细到粗糙的分层迁移学习可以缓解分辨率-视场权衡问题。在Nabipour等人(2025年)的研究中,我们提出了一种轻量级的、无需GPU的ANN,使用欧几里得距离变换(EDT)描述符进行多尺度渗透率预测。虽然这些研究展示了可行性,但它们没有:(i)在统一的考虑分辨率的协议下对不同的3D CNN架构进行基准测试,(ii)量化模型复杂性如何影响数据效率和知识不确定性在数据集扩展时的变化,或(iii)将预测结果与独立的实验渗透率测量进行验证。

本工作的目标是推广并严格评估一个考虑分辨率的3D CNN框架,用于紧密碳酸盐岩的多尺度渗透率估算。我们引入了一个紧凑的多尺度感知网络(MRAN),并在相同的FR-IR-CR分层迁移学习方案下,将其与成熟的3D CNN架构(3D-ResNet50、3D-ResNeXt50和3D-DenseNet201)进行比较。使用扩展的多尺度数据集(从1416个到3600个子体积),我们量化了架构复杂性和数据可用性对预测准确性和知识不确定性的联合影响,并测试了分层迁移学习是否能够一致性地提高不同架构下的低分辨率性能。最后,我们将模型预测结果与独立的汞侵入孔隙度测量进行验证,并评估了每个模型再现渗透率分布的能力,包括高渗透率和低渗透率部分。总体而言,这些结果提供了一种不依赖于具体架构、考虑分辨率的工作流程,可以从多尺度微CT数据中进行可扩展的渗透率推断,从而在实际成像限制下桥接孔隙尺度模拟标签和基于实验的预测。随后,所提出的工作流程直接支持从孔隙尺度到连续体的放大,以及高效参数化多孔介质的流动和传输模型,这对水资源科学至关重要。

**2. 方法论**
**2.1. 工作流程概述**
为了解决分辨率-视场权衡问题,我们将多分辨率微CT成像、孔隙尺度格子玻尔兹曼(LBM)模拟和3D CNN替代模型整合到一个分层迁移学习框架中(图1)。具体步骤如下:(i)从紧密碳酸盐岩样品中获取1–3 μm体素大小的微CT图像并进行配准,(ii)预处理和分割图像,(iii)在精细分辨率(FR)子体积上通过LBM进行REV分析并计算单相渗透率,(iv)构建二值和欧几里得距离变换(EDT)表示的多尺度训练数据集,(v)使用FR-IR-CR迁移协议训练一个紧凑的多尺度感知网络(MRAN)并基准测试3D CNN架构(3D-ResNet50、3D-ResNeXt50、3D-DenseNet201),(vi)首先在精细分辨率数据上使用基于模拟的指标评估所有分辨率/尺度下的模型性能。随后,在中间和粗糙分辨率体积上进行盲测,其中直接数值模拟在计算上不可行,并将预测结果与独立的实验渗透率测量进行验证。成像、配准、分割和LBM程序遵循Nabipour等人(2024年)的方法,并在此进行了总结;本研究的贡献在于扩展了多尺度数据集、在统一协议下进行了架构基准测试,以及系统评估了模型间的迁移性能和不确定性。

**2.2. 数据获取和多尺度成像**
本研究使用了来自伊朗西南部Asmari储层的紧密碳酸盐岩岩芯(直径3.8厘米,长度5厘米)。XRD分析表明样品的成分接近白云石。从岩芯中提取的圆柱形小岩芯在三种微CT分辨率下进行了扫描:1 μm(精细分辨率,FR)、2 μm(中等分辨率,IR)和3 μm(粗糙分辨率,CR)。随着体素大小的增加,每次扫描覆盖的视场逐渐扩大,FR体积完全包含在IR和CR扫描范围内。关于成像和仪器的更多信息见补充信息(SI.1)。采集设置、扫描几何和校准程序与Nabipour等人(2024年)报告的内容相同。虽然最精细的扫描(FR;1 μm体素大小)能够解析大部分宏观孔隙空间和一些孔喉尺度狭窄部分,但由于大部分孔隙率位于成像分辨率以下,因此这种紧密碳酸盐岩的孔隙网络在1 μm分辨率下并未完全解析。独立的汞侵入孔隙度(MIP)测量表明,大约50%、80%和95%的总孔隙率分别位于小于1 μm、2 μm和3 μm的孔隙中,这意味着大部分孔隙网络无法在体素化的微CT图像中明确表示(Nabipour等人,2025年)。这种分辨率-视场限制促使我们提出了分层迁移学习策略,该策略从已解析的孔隙空间中学习与渗透率相关的几何特征,并能够在较粗糙的分辨率/大视场下进行渗透率推断,并通过独立宏观测量进行验证。

**2.3. 图像预处理、配准和分割**
在每个分辨率下,重建的体积被裁剪以去除边缘伪影,并提取一个中心6003体素的立方体,对应于FR/IR/CR之间注册的重叠区域。为了标准化图像质量,我们应用了基于直方图的对比度归一化,然后进行了非局部均值去噪。接着使用基于体素的刚性3D配准将三种分辨率的图像进行配准,使FR、IR和CR体素对应于相同的物理位置;这种配准使得可以构建成对的多尺度子体积并进行监督式分层迁移学习。接下来,按照Nabipour等人(2024年)的验证工作流程进行灰度到二值的孔隙/固体分割。简而言之,在严格的图像预处理之后,首先基于直方图检查确定了全局阈值,并在模糊区域进行了精细调整,然后通过将图像衍生的孔隙率-渗透率与独立实验室测量结果进行比较来检查分割质量。相同的协议在所有三种分辨率下一致应用。图像处理操作使用ImageJ和Avizo软件完成。

**2.4. 直接数值模拟和REV分析**
本研究解决的是多分辨率渗透率推断问题,而不是对完全解析的孔隙网络进行传统的单分辨率渗透率回归。即使在可用的最细粒度的体素大小下,致密碳酸盐中也存在显著的亚分辨率孔隙度和部分体积效应;此外,孔隙尺度模拟仅能在有限的细粒度子体积上进行。因此,我们开发了一种分层迁移学习工作流程(FR-IR-CR),该流程从带有模拟标签的细粒度REVs中学习与渗透性相关的几何特征,并将这些特征转移到无法直接进行孔隙尺度模拟的较粗粒度、较大视场的图像中。目前最广泛采用的两种孔隙尺度流体流动模拟技术是格子玻尔兹曼方法(LBM)和有限体积公式,这两种方法都能提供与高分辨率微CT图像兼容的纳维-斯托克斯方程的数值解(Mehmani等人,2020年)。在本研究中,选择LBM作为参考求解器有几个关键原因。首先,LBM可以直接在体素化图像数据上准确再现不可压缩的纳维-斯托克斯行为,从而无需进行几何简化或网格重建。其次,通过反弹方案实现无滑移边界条件在计算上非常直接,能够精确处理复杂的孔隙几何结构,包括在致密碳酸盐地层中常见的高度迂曲的通道和孔洞特征(Rao和Schaefer,2020年)。第三,该方法天生适合并行计算,并且可以在不改变数值框架的情况下扩展到单相和多相流动模拟。这种灵活性对于生成我们多尺度数据集中代表的广泛孔隙尺度的渗透性参考数据特别有利。最后,由于LBM直接在离散化的图像格子上操作,它避免了在应用于复杂、异质微结构时传统有限体积或有限元方法中可能引入的额外数值误差(Mehmani等人,2020年)。综上所述,这些特性使得LBM成为本研究中生成高精度渗透性基准的合适且可靠的选择。我们使用了Palabos开源代码来实现传统的LBM方案(Chen等人,1992年)。LBM的实现、边界条件和数值参数遵循Nabipour等人(2024年)的方法,并在补充信息部分进行了总结。

代表性基本体积(REV)被定义为在该体积上微观波动的有效性质可以忽略不计的最小空间域。在本研究中,我们对共注册的6003 FR立方体进行了系统的缩放研究,在FR立方体上模拟了从1003到4003体素的子体积;当边长为300体素(1 μm)时,渗透率方差降至±20%以下,这被确定为所有后续DNS标签的REV(Nabipour等人,2024年)。图1(第3部分)展示了通过LBM捕获的样本REV内的流体流速场。选择这个REV大小基于两个相互关联的考虑因素。首先,它保证了模拟的子体积包含了致密碳酸盐多尺度孔隙网络的统计代表性样本(大孔、孔洞和喉部狭窄处),同时保持足够小以便在普通硬件上进行LBM运行。其次,通过反弹方案实现无滑移边界条件在计算上非常直接,允许精确处理复杂的孔隙几何结构,包括在致密碳酸盐地层中常见的高度迂曲的通道和孔洞特征(Rao和Schaefer,2020年)。第三,该方法本质上非常适合并行计算,并且可以在不改变数值框架的情况下扩展到单相和多相流动模拟。这种灵活性对于生成我们多尺度数据集中代表的广泛孔隙尺度的渗透性参考数据特别有利。最后,因为LBM直接在离散化的图像格子上操作,它避免了网格生成,而在传统有限体积或有限元方法中,当应用于复杂、异质微结构时,网格生成可能会引入额外的数值误差(Mehmani等人,2020年)。综上所述,这些特性使得LBM成为本研究中生成高精度渗透性基准的合适且可靠的选择。我们使用了Palabos开源代码来实现传统的LBM方案(Chen等人,1992年)。LBM的实现、边界条件和数值参数遵循Nabipour等人(2024年)的方法,并在补充信息部分进行了总结。

代表性基本体积(REV)被定义为在该体积上微观波动的有效性质可以忽略不计的最小空间域。在本研究中,我们对共注册的6003 FR立方体进行了系统的缩放研究,在FR立方体上模拟了从1003到4003体素的子体积;当边长为300体素(1 μm)时,渗透率方差降至±20%以下,这被确定为所有后续DNS标签的REV(Nabipour等人,2024年)。图1(第3部分)展示了通过LBM捕获的样本REV内的流体流速场。选择这个REV大小基于两个相互关联的考虑因素。首先,它保证了模拟的子体积包含了致密碳酸盐多尺度孔隙网络的统计代表性样本(大孔、孔洞和喉部狭窄处),同时保持足够小以便在普通硬件上进行LBM运行。其次,通过反弹方案实现无滑移边界条件在计算上非常直接,允许精确处理复杂的孔隙几何结构,包括在致密碳酸盐地层中常见的高度迂曲的通道和孔洞特征(Rao和Schaefer,2020年)。第三,该方法天生适合并行计算,并且可以在不改变数值框架的情况下扩展到单相和多相流动模拟。这种灵活性对于生成我们多尺度数据集中代表的广泛孔隙尺度的渗透性参考数据特别有利。最后,因为LBM直接在离散化的图像格子上操作,它避免了网格生成,而在传统有限体积或有限元方法中,当应用于复杂、异质微结构时,网格生成可能会引入额外的数值误差(Mehmani等人,2020年)。综上所述,这些特性使得LBM成为本研究中生成高精度渗透性基准的合适且可靠的选择。我们使用了Palabos开源代码来实现传统的LBM方案(Chen等人,1992年)。LBM的实现、边界条件和数值参数遵循Nabipour等人(2024年)的方法,并在补充信息部分进行了总结。

在本研究中,我们对共注册的6003 FR立方体进行了系统的缩放研究,在FR立方体上模拟了从1003到4003体素的子体积;当边长为300体素(1 μm)时,渗透率方差降至±20%以下,这被确定为所有后续DNS标签的REV(Nabipour等人,2024年)。图1(第3部分)展示了通过LBM捕获的样本REV内的流体流速场。选择这个REV大小基于两个相互关联的考虑因素。首先,它保证了模拟的子体积包含了致密碳酸盐多尺度孔隙网络的统计代表性样本(大孔、孔洞和喉部狭窄处),同时保持足够小以便在普通硬件上进行LBM运行。其次,通过反弹方案实现无滑移边界条件在计算上非常直接,允许精确处理复杂的孔隙几何结构,包括在致密碳酸盐地层中常见的高度迂曲的通道和孔洞特征(Rao和Schaefer,2020年)。第三,该方法天生适合并行计算,并且可以在不改变数值框架的情况下扩展到单相和多相流动模拟。这种灵活性对于生成我们多尺度数据集中代表的广泛孔隙尺度的渗透性参考数据特别有利。最后,因为LBM直接在离散化的图像格子上操作,它避免了网格生成,而在传统有限体积或有限元方法中,当应用于复杂、异质微结构时,网格生成可能会引入额外的数值误差(Mehmani等人,2020年)。综上所述,这些特性使得LBM成为本研究中生成高精度渗透性基准的合适且可靠的选择。我们使用了Palabos开源代码来实现传统的LBM方案(Chen等人,1992年)。LBM的实现、边界条件和数值参数遵循Nabipour等人(2024年)的方法,并在补充信息部分进行了总结。

即使使用最精细的体素尺寸,致密碳酸盐中也存在大量的亚分辨率孔隙度和部分体积效应;此外,孔隙尺度模拟仅在有限的精细分辨率子体积上可行。因此,我们开发了一种分层迁移学习工作流程(FR-IR-CR),该流程从带有模拟标签的精细分辨率REVs中学习与渗透性相关的几何特征,并将这些特征转移到无法直接进行孔隙尺度模拟的较粗粒度、较大视场的图像中。用于模拟孔隙尺度流体流动的两种最广泛采用的技术是格子玻尔兹曼方法(LBM)和有限体积公式,这两种方法都能提供与高分辨率微CT图像兼容的纳维-斯托克斯方程的数值解(Mehmani等人,2020年)。在本研究中,选择LBM作为参考求解器有几个关键原因。首先,LBM可以直接在体素化图像数据上准确再现不可压缩的纳维-斯托克斯行为,从而无需进行几何简化或网格重建。其次,通过反弹方案实现无滑移边界条件在计算上非常直接,能够精确处理复杂的孔隙几何结构,包括在致密碳酸盐地层中常见的高度迂曲的通道和孔洞特征。第三,该方法天生适合并行计算,并且可以在不改变数值框架的情况下扩展到单相和多相流动模拟。这种灵活性对于生成我们多尺度数据集中代表的广泛孔隙尺度的渗透性参考数据特别有利。最后,因为LBM直接在离散化的图像格子上操作,它避免了网格生成,而在传统有限体积或有限元方法中,当应用于复杂、异质微结构时,网格生成可能会引入额外的数值误差。综上所述,这些特性使得LBM成为本研究中生成高精度渗透性基准的合适且可靠的选择。我们使用了Palabos开源代码来实现传统的LBM方案(Chen等人,1992年)。LBM的实现、边界条件和数值参数遵循Nabipour等人(2024年)的方法,并在补充信息部分进行了总结。

代表性基本体积(REV)被定义为在该体积上微观波动的有效性质可以忽略不计的最小空间域。在本研究中,我们对共注册的6003 FR立方体进行了系统的缩放研究,在FR立方体上模拟了从1003到4003体素的子体积;当边长为300体素(1 μm)时,渗透率方差降至±20%以下,这被确定为所有后续DNS标签的REV(Nabipour等人,2024年)。图1(第3部分)展示了通过LBM捕获的样本REV内的流体流速场。选择这个REV大小基于两个相互关联的考虑因素。首先,它保证了模拟的子体积包含了致密碳酸盐多尺度孔隙网络的统计代表性样本(大孔、孔洞和喉部狭窄处),同时保持足够小以便在普通硬件上进行LBM运行。其次,通过反弹方案实现无滑移边界条件在计算上非常直接,能够精确处理复杂的孔隙几何结构,包括在致密碳酸盐地层中常见的高度迂曲的通道和孔洞特征。第三,该方法天生适合并行计算,并且可以在不改变数值框架的情况下扩展到单相和多相流动模拟。这种灵活性对于生成我们多尺度数据集中代表的广泛孔隙尺度的渗透性参考数据特别有利。最后,因为LBM直接在离散化的图像格子上操作,它避免了网格生成,而在传统有限体积或有限元方法中,当应用于复杂、异质微结构时,网格生成可能会引入额外的数值误差。综上所述,这些特性使得LBM成为本研究中生成高精度渗透性基准的合适且可靠的选择。我们使用了Palabos开源代码来实现传统的LBM方案(Chen等人,1992年)。LBM的实现、边界条件和数值参数遵循Nabipour等人(2024年)的方法,并在补充信息部分进行了总结。

即使使用最精细的体素尺寸,致密碳酸盐中也存在大量的亚分辨率孔隙度和部分体积效应;此外,孔隙尺度模拟仅在有限的细粒度子体积上可行。因此,我们开发了一种分层迁移学习工作流程(FR-IR-CR),该流程从带有模拟标签的精细分辨率REVs中学习与渗透性相关的几何特征,并将这些特征转移到无法直接进行孔隙尺度模拟的较粗粒度、较大视场的图像中。用于模拟孔隙尺度流体流动的两种最广泛采用的技术是格子玻尔兹曼方法(LBM)和有限体积公式,这两种方法都能提供与高分辨率微CT图像兼容的纳维-斯托克斯方程的数值解(Mehmani等人,2020年)。在本研究中,选择LBM作为参考求解器有几个关键原因。首先,LBM可以直接在体素化图像数据上准确再现不可压缩的纳维-斯托克斯行为,从而无需进行几何简化或网格重建。其次,通过反弹方案实现无滑移边界条件在计算上非常直接,能够精确处理复杂的孔隙几何结构,包括在致密碳酸盐地层中常见的高度迂曲的通道和孔洞特征。第三,该方法天生适合并行计算,并且可以在不改变数值框架的情况下扩展到单相和多相流动模拟。这种灵活性对于生成我们多尺度数据集中代表的广泛孔隙尺度的渗透性参考数据特别有利。最后,因为LBM直接在离散化的图像格子上操作,它避免了网格生成,而在传统有限体积或有限元方法中,当应用于复杂、异质微结构时,网格生成可能会引入额外的数值误差。综上所述,这些特性使得LBM成为本研究中生成高精度渗透性基准的合适且可靠的选择。我们使用了Palabos开源代码来实现传统的LBM方案(Chen等人,1992年)。LBM的实现、边界条件和数值参数遵循Nabipour等人(2024年)的方法,并在补充信息部分进行了总结。

即使使用最精细的体素尺寸,致密碳酸盐中也存在大量的亚分辨率孔隙度和部分体积效应;此外,孔隙尺度模拟仅在有限的细粒度子体积上可行。因此,我们开发了一种分层迁移学习工作流程(FR-IR-CR),该流程从带有模拟标签的精细分辨率REVs中学习与渗透性相关的几何特征,并将这些特征转移到无法直接进行孔隙尺度模拟的较粗粒度、较大视场的图像中。为了生成多尺度训练数据,我们将一个3003体素的滑动窗口(等于REV大小)应用于共注册的6003 FR立方体,以提取代表性的子体积。这样在注册区域内得到了59个FR子体积。使用相同的坐标,我们提取了相应的3003 IR和CR子体积,形成了体素对齐的FR/IR/CR三元组。渗透性标签是通过在FR子体积上进行LBM模拟获得的(第2.4节),并分配给对齐的三元组以进行监督式多分辨率学习。与其在每个分辨率上训练独立的模型,我们不如依次针对每种架构在所有分辨率上训练一个模型,这样高分辨率下学到的特征就可以用于更粗糙尺度的预测。这不仅将收敛速度提高了近30%,而且还嵌入了多尺度形态线索,这些线索在仅使用粗糙图像训练模型时可能会丢失。其次,广泛的数据增强(形态膨胀/侵蚀和随机旋转)将每个分辨率的有效样本大小扩大了大约三倍,从而减轻了MS-59数据集中的过拟合问题。第三,正则化策略、实例标准化(适用于批量大小=1)、ReLU激活函数、展平后的dropout(0.2)以及L2权重衰减(5 × 10?3)确保网络不会记住噪声,同时仍然能够拟合复杂的渗透性-孔隙关系。第四,MRAN的参数数量较少(约120万个参数),远低于更深的模型(如ResNet50/ResNeXt50/DenseNet201),从而降低了在小数据集上过参数化的风险,并使得在单个RTX 3060 GPU上几秒钟内就能完成推理。

2.7.1 三阶段训练
对于每种架构(MRAN、3D-ResNet50、3D-ResNeXt50、3D-DenseNet201),训练分为三个连续的阶段进行(图3):
- 第一阶段(FR):从零开始在FR子体积上训练网络,使用LBM衍生的渗透性作为目标响应。在这个阶段,模型学习了详细的孔隙喉部几何形状和连接模式。
- 第二阶段(IR):使用FR的权重初始化模型,然后在IR子集上进行微调;所有层都保持可训练状态。这使得网络能够适应IR图像,同时保留有用的细尺度特征。
- 第三阶段(CR):使用IR的权重在CR子体积上进行最终微调,再次更新所有层。由于FR/IR/CR子体积在共注册域中是空间对齐的,模型学会了在分辨率变粗时渗透性相关形态的表示方式,并利用这种映射来提高大视野下的预测准确性。

下载:下载高分辨率图像(628KB)
下载:下载全尺寸图像

图3. 从(Nabipour等人,2024年)改编的分层迁移学习工作流程。顺序训练通过细(FR)、中(IR)和粗(CR)分辨率进行,同时使用EDT和二值表示。模型首先从信息丰富的EDT图中学习,然后将这些知识转移到二值图像中,从而能够仅从简单的二值CR输入中准确预测渗透性。箭头表示共注册训练区域内的顺序微调(EDT→二值;FR→IR→CR)。

2.7.2 双表示训练:EDT和二值
对于每种架构,我们采用两阶段训练计划。首先,使用标准化的EDT输入依次在所有分辨率上训练模型,这些输入提供了距离到固体的连续编码(作为局部孔隙大小和几何形状的代理),并且已经与渗透性相关结构建立了联系(见第2.5.2节)。然后使用这些权重初始化第二个FR-IR-CR训练周期,使用二值孔隙/固体体积。这种双表示设计在训练过程中利用了EDT的更丰富的几何信号,同时保持了实际部署的可行性,即可以从二值CR图像中推断出渗透性。

2.7.3 部署和架构无关性
在EDT和二值分层训练周期之后,每种架构都被部署为仅使用二值输入来预测未见过的CR体积的渗透性。在单个GPU上进行3003子体积的推理只需要几秒钟,相对于孔隙尺度的DNS来说速度大幅提升。如第3节所示,相同的分层迁移学习协议提高了所有评估后背骨的粗分辨率性能,支持了这种训练策略在测试模型类别内是架构无关的结论。因此,只要有多分辨率成像和合适的训练标签,该工作流程原则上可以转移到其他3D CNN设计和多孔材料上。

3. 结果与讨论
我们评估了MRAN和三种基准3D CNN后背骨(3D-ResNet50、3D-ResNeXt50、3D-DenseNet201)在学习动态、跨分辨率和数据集大小的准确性、不确定性、计算成本以及与独立实验的验证方面的表现。除非另有说明,否则模型是使用LBM衍生的渗透性真实值和第2节中定义的固定训练/验证分割进行训练和评估的,从而能够在不同架构之间进行受控比较。

3.1 训练动态和收敛行为
图4显示了MRAN和三种基准后背骨在MS-59和MS-150的FR、IR和CR阶段的训练和验证RMSE轨迹。跨分辨率,训练损失平滑下降,验证曲线保持稳定,没有明显的过拟合迹象,表明优化和正则化设置适用于可用数据。在MS-59上,MRAN比更深的后背骨更快达到低验证误差,尤其是在FR阶段,这与它的参数数量较少以及在有限训练数据下的数据效率更高是一致的。ResNet50和ResNeXt50收敛较慢,验证误差略高,而DenseNet201在FR阶段的收敛最慢,但在IR/CR微调后有所改善。随着MS-150数据集的增大,所有模型收敛更快,验证误差更低,架构间的差异减小,这与数据量的增加有助于缩小能力差距一致。总体而言,这些曲线支持了迁移学习协议的稳定性,并表明MRAN在数据集较小时特别高效。

下载:下载高分辨率图像(375KB)
下载:下载全尺寸图像

图4. 比较CNN架构在(a)训练阶段和(b)验证阶段的训练曲线。均方根误差(RMSE)轨迹展示了MRAN、ResNet50、ResNeXt50和DenseNet201的收敛行为和泛化能力。

3.2 分层迁移学习:渐进的性能提升
图5和表3通过跨分辨率的R2演变量化了分层FR-IR-CR迁移学习的好处。在MS-59和MS-150数据集上,随着训练从FR到CR的进行,性能得到维持或提高,证实了迁移协议一致地增强了粗分辨率估计。在MS-59上,ResNet50的收益最大,R2从0.955(FR)增加到0.988(CR),表明迁移学习可以显著缓解高容量后背骨的数据稀缺问题。相比之下,尽管MRAN的参数数量少得多(约120万个),但在MS-59的CR阶段仍具有竞争力,其R2约为0.965,接近ResNet50,同时优于其他更深的后背骨(表3)。在MS-150上,尽管FR阶段的性能已经很高,但FR到IR和CR的趋势仍然一致有利。

下载:下载高分辨率图像(283KB)
下载:下载全尺寸图像

图5. 不同分辨率下的分层迁移学习性能。MS-59(左)和MS-150(右)数据集的FR、IR和CR训练阶段的决定系数(R2)演变,展示了通过尺度感知的知识转移实现的系统准确性提升。

表3. 不同分辨率和数据集下CNN模型的综合性能指标。指标包括决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE,mD)和平均绝对百分比误差(MAPE)。

3.3 在MS-59数据集上的模型性能
图6比较了MS-59在FR、IR和CR阶段的预测渗透性和LBM衍生的渗透性,R2在表3中总结。在FR阶段,MRAN的R2为0.960,略高于ResNet50(0.955),明显优于ResNeXt50和DenseNet201(表3),这与在有限样本量下的数据效率提高一致。迁移学习后,性能在所有分辨率上都有所提高或保持不变,尤其是在CR阶段效果最为明显:ResNet50的R2达到0.988,而MRAN的R2仍保持在0.965左右。总体而言,FR→IR→CR协议一致地增强了MS-59的粗分辨率预测,高容量后背骨的相对收益更大。

下载:下载高分辨率图像(806KB)
下载:下载全尺寸图像

图6. MS-59数据集上渗透性预测的回归分析。每个模型在细(FR)、中(IR)和粗(CR)分辨率下的预测渗透性与真实渗透性的对比,以及R2值,说明了从FR到CR的分层迁移学习改进。阴影带是从五个模型集成中得出的95%置信区间。

3.3.2 在MS-150数据集上的性能
图7重复了对MS-150的回归分析,表明扩大数据集(从1416张到3600张图像)显著有利于高容量后背骨。在FR阶段,MRAN和ResNet50的R2分别为0.966和0.978,而ResNeXt50显著提高到R2≈0.897(从MS-59的0.758)。在CR阶段,ResNet50保持最高(R2=0.986),而MRAN仍处于较高的高性能区间(R2≈0.966)。值得注意的是,尽管MRAN的参数数量较少,但在MS-150上的改进较小,因为FR阶段的性能已经很高。随后,MS-150确认了(i)分层迁移协议在更大数据集下仍然有益,以及(ii)尽管参数数量少得多,MRAN仍然具有竞争力,而更深的后背骨随着数据量的增加逐渐缩小了性能差距(表3)。

下载:下载高分辨率图像(869KB)
下载:下载全尺寸图像

图7. MS-150数据集上渗透性预测的回归分析。与MS-59相比,扩大数据集后,聚类效果更好,R2值更高,表明通过分层迁移学习实现了更好的泛化和准确性。阴影带是从五个模型集成中得出的95%置信区间。

3.4 通过置信区间量化不确定性
我们通过训练一组独立初始化的模型并分析它们的预测分散来量化认知不确定性。这种方法在深度学习社区中被广泛采用,用于回归任务(Kendall和Gal,2017;Lakshminarayanan等人,2017),因为它可以在不改变网络架构或训练算法的情况下捕捉模型参数的变异性。对于每种CNN架构(MRAN、3D-ResNet50、3D-ResNeXt50、3D-DenseNet201),我们训练了五个具有相同超参数但权重初始化和数据洗牌不同随机种子的副本。每个副本都使用Adam(lr = 10??)训练了相同数量的周期(MS-59:60周期,MS-150:100周期),并使用了第2.6节中描述的相同实例标准化/ReLU流程。对于每个测试子体积x,我们得到五个预测值{yi(x)}i=15。集成平均值:(1)y^(x)=15∑i=15yi(x)作为最终的渗透性估计,而经验标准差:(2)σens(x)=14∑i=15(yi(x)?y^(x))2提供了认知变异性的自然度量。假设集成预测分布近似正态,我们构建了95%的基于集成的置信区间(CIs):(3)[y^(x)?1.96σens(x),y^(x)+1.96σens(x)]。图6和图7中的阴影带正是这些区间。结果表明,MRAN始终产生最窄的CIs,反映了其更高的数据效率和较少的参数数量,与其更强的预测性能一致,而ResNeXt50和DenseNet201的区间较宽,特别是在FR/IR阶段,表明它们对有限训练数据的敏感性更强。此外,将训练集从MS-59增加到MS-150使所有架构的CI宽度减少了30-40%,证实了认知不确定性主要由数据稀缺性主导,而不是模型容量。因此,所有模型在保留的测试子体积上评估时都实现了接近名义上的95%的实证覆盖率,表明基于集成的区间校准得当。实证研究表明,深度集成提供了对贝叶斯模型平均的实用近似,并且已经证明在回归任务中优于其他方法,如蒙特卡洛dropout或变分推理(Lakshminarayanan等人,2017)。在我们的设置中,由于训练数据有限且目标属性与孔隙几何形状的高度非线性依赖性,捕捉模型参数的不确定性对于可靠的放大至关重要。因此,集成提供了一种原理上可行、可复制且计算上可行的方法来量化MRAN及其基准对应物的认知不确定性。

3.5 定量性能指标和数据集效应
图8和表3总结了不同架构、分辨率和数据集的定量指标(R2、RMSE、MAE、MAPE)。出现了两个一致的趋势。首先,FR→IR→CR协议保持了或提高了粗分辨率的准确性,将数据集从MS-59扩大到MS-150减少了所有架构的误差,尤其是对于高容量后背骨。例如,在CR阶段,ResNeXt50的RMSE从0.704降低到0.338 mD,DenseNet201从0.701降低到0.350 mD(表3),表明这些更深模型对数据的依赖性很强。其次,相对误差指标也显示出相同的行为:MRAN的CR MAPE从0.202降低到0.131,而ResNet50保持最低并进一步从0.097降低到0.071(表3)。总体而言,表3中的数据表明分层FR-IR-CR训练一致地提高了粗分辨率的准确性;将数据集从MS-59扩大到MS-150减少了大约20-50%的误差,这取决于架构和指标;并且MRAN以显著降低的复杂性接近ResNet50的准确性(表4),特别是在数据有限的场景中表现更好。所有时间和模拟都是在同一台工作站上测量的(Intel Xeon CPU,64 GB RAM,配备12 GB内存的NVIDIA RTX 3060 GPU)。总FR-IR-CR训练时间(小时)GPU内存占用(MB)可训练参数(× 10?)模型Empty Cell MS-150 MS-59 1785 201.165 提出的模型4120 100 463.470 Resnet-50 2719.556 1725.870 ResneXt-50 4128.64 20325.333DenseNet-20 1900(模拟时间)354(模拟时间)CPU [40核心]_LBM(D3Q19,BGK)3.6。架构效率和计算成本图9和表4比较了MRAN与三个基准骨干网络在特征图增长、参数数量、内存占用和训练时间方面的架构效率。MRAN故意设计得较为紧凑(32-256通道,并采用激进的池化),而更深层次的骨干网络则更快地扩展特征图和深度,这解释了它们较大的参数和内存需求(图9;表4)。从数量上看,MRAN有约1.16 × 10?个可训练参数,GPU内存占用约为0.5 GB,而3D-ResNet50/ResNeXt50/DenseNet201分别为约25-63 × 10?参数和约1-5.5 GB(表4)。因此,图9中的特征图曲线表明,MRAN的良好性能并不依赖于非常宽或非常深的层;相反,它利用了一种紧凑的多尺度设计,在最需要的地方集中了计算能力。下载:下载高分辨率图像(140KB)下载:下载全尺寸图像图9. 架构复杂性比较。MRAN、ResNet50、ResNeXt50和DenseNet201的逐层特征图分配,展示了模型深度和参数数量上的显著差异。这些结构差异直接转化为实际运行时间。在MS-59上,完整的FR-IR-CR训练需要约8小时,而更深层次的骨干网络则需要约20-29小时;在MS-150上,MRAN训练时间为约17小时,而更深层次的骨干网络则需要约27-41小时(表4)。因此,MRAN的训练速度通常快2-3倍,同时保持了强大的粗分辨率准确性(表3)。表4还显示,生成FR子体积的LBM渗透率标签需要大量的CPU时间(数百CPU小时),而一旦训练完成,替代模型可以以微不足道的边际成本生成额外的IR/CR预测。总体而言,这些结果量化了准确性和效率之间的权衡,并突出了所提出的工作流程相对于重复DNS风格模拟的实际优势。3.7. 针对实验数据的验证共注册的FR/IR/CR子体积仅用于监督跨体素大小的分辨率转移学习。为了评估在实际大视野(FOV)条件下的部署效果,我们在未包含在训练/验证中的非重叠IR/CR测试体积上预测渗透率,并且这些体积没有高分辨率(FR)成像数据,然后将预测结果与通过汞侵入孔隙度测量(MIP)获得的独立实验渗透率进行比较。这种实验验证是必要的,因为在相应的大体积下,孔隙尺度LBM模拟在计算上是不可行的。我们将CNN预测的几何平均渗透率与MIP得到的值进行比较(表5)。在红外(IR)波段,相对误差范围从6.73%(DenseNet201)到26.53%(ResNeXt50),MRAN为16.96%,ResNet50为13.39%。在CR波段,MRAN的误差最低(7.48%),优于ResNet50(16.08%)、ResNeXt50(25.67%)和DenseNet201(11.81%)。这些结果表明,分层工作流程支持在粗分辨率/大视野下的实验锚定渗透率推断,并且在最具挑战性的部署环境(CR)下具有最强的泛化能力。表5. 在中等(IR)和粗(CR)分辨率下,独立测试数据集的预测渗透率与实验MIP测量值之间的相对误差(%)。测试数据集 估计渗透率与实验结果之间的相对误差 MRAN ResNet50 ResNeXt50 DenseNet201 IR 16.96 0 5 13.39 26.53 6.73 CR 7.48 28 16.08 25.67 11.81 3.8. 渗透率分布的保真度图10比较了每种架构在MS-150校准集上以及在对未见过的IR-CR测试体积上的渗透率预测与基于LBM的分布。在校准集上,LBM分布范围大约为0.5–6 mD,反映了紧密碳酸盐岩中的强烈异质性。MRAN在中位数、四分位数范围和尾部范围方面与参考分布最为匹配,而ResNet50捕捉到了中心趋势,但显示出略微更重的上尾部。DenseNet201产生的分布较窄且尾部被截断,表明异质性较低,而ResNeXt50产生的分布更宽且更偏斜,这与它的较高误差一致(表3)。在未见过的IR-CR测试体积上,相同的定性顺序仍然存在:MRAN在很大程度上保持了其校准阶段的分布形状,而更深层次的骨干网络在粗化过程中显示出不同程度的尾部扭曲和分布变化。综合来看,这些结果表明MRAN不仅再现了中心渗透率估计,还再现了分布的扩散和尾部,并在较低分辨率下保持了这种保真度。下载:下载高分辨率图像(296KB)下载:下载全尺寸图像图10. 渗透率预测的概率密度比较。(a)校准阶段(MS-150):CNN预测的小提琴图/箱形图叠加在参考格子Boltzmann分布上。(b)泛化阶段:应用于未见过的IR-CR测试体积的模型的相应分布,经过分层转移学习后。3.9. 综合与启示除了预测准确性之外,MRAN的性能还可以从与流动相关的孔隙尺度几何和连通性特征的角度来解释。欧几里得距离变换(EDT)编码了局部孔隙和喉部尺寸,有效地代表了强烈影响水力传导性的孔隙-喉部尺寸分布和收缩。分层多分辨率学习使MRAN能够在不同的空间尺度上处理这些基于EDT的特征,从而同时对局部喉部限制和更大尺度的孔隙连通性模式敏感。此外,跨分辨率的特征融合有助于学习控制主导流动路径的有效连通长度尺度。与必须通过许多连续的非线性变换来隐式聚合此类信息的更深层次网络相比,MRAN提供了一种更直接且参数效率更高的机制来捕捉多尺度孔隙几何和连通性。这为观察到的强大预测性能提供了物理上的解释,同时承认学习到的表示仍然是分布式的,而不是在单个物理描述符层面可以明确解释的。总体而言,结果表明,一个具有分辨率意识的层次化工作流程可以在紧密的多尺度碳酸盐岩中以较低的计算成本高精度地推断渗透率。在数据集和分辨率范围内,MRAN与更深层次的骨干网络(3D-ResNet50、3D-ResNeXt50、3D-DenseNet201)相比具有竞争力,同时使用的参数数量明显较少,GPU内存也显著较低(表4),并且在粗分辨率/大视野下的实验验证中提供了最稳健的一致性(第3.7节)。从MS-59到MS-150的数据集扩展改进了所有模型,特别是对高容量骨干网络有益,而MRAN在更高的数据效率下保持了强大的性能(表3)。FR-IR-CR转移策略是这种行为的核心:顺序微调允许在更细分辨率下学习的与渗透率相关的信息改进对分辨率逐渐降低的图像的预测,从而在大视野下进行推断,而在大视野下LBM在计算上是不可行的。实际上,一旦训练完成,替代模型可以在单个GPU上几秒钟内为额外的粗分辨率子体积生成渗透率预测,从而快速进行敏感性研究和不确定性分析,而这在重复的DNS中是不可行的。此外,为了证明MRAN的性能不仅仅是其深度的产物,我们将其与一系列替代模型进行了比较:一个没有转移学习方案的3D普通CNN,其结果在我们之前的研究中有报道(Nabipour等人,2024年)。除了CNN建模外,我们还实现了多层感知器人工神经网络(MLP-ANN)和支持向量机(SVR)机器学习技术,它们的结果也发表在(Nabipour等人,2025年)中。当前建模框架与我们之前的机器学习研究的比较结果见表6。总的来说,结果比较表明,多尺度分辨率意识的3D CNN在所有准确性指标和统计分布评估(如残差和预测统计分布分析)方面实现了最高的准确性和泛化能力。表6. 所有监督学习模型在粗分辨率(CR)测试集上的比较性能。模型 架构及关键超参数 R2(CR) RMSE(mD) MRAN 4个卷积块,如第2.6节所述 0.965 0.329 普通3D-CNNS 与MRAN相同,但仅从CR数据集开始训练(无转移),如(Nabipour等人,2024年)所述 0.835 0.412 MLP-ANN 4个全连接层(192-416-80-1个神经元),如(Nabipour等人,2025年)所述,并进行了转移学习 0.836 0.409 SVR RBF核(γ =0.041,C = 159,Epsilon=0.017),如(Nabipour等人,2025年)所述 0.734 0.522优点和局限性:所提出框架的主要优势在于它通过将多分辨率成像与模拟标记的高分辨率REVs结合在一个统一的FR-IR-CR转移协议中,直接针对实际的分辨率-FOV权衡,从而在直接孔隙尺度模拟不可行的情况下实现粗分辨率/大视野下的渗透率推断。第二个优势是该协议在测试的模型类别内是架构无关的,支持对准确性-效率权衡的控制性基准测试;在这种设置下,MRAN提供了有利的性能-复杂性平衡。第三,该工作流程通过针对非重叠测试体积的独立MIP测量进行实验验证,减少了对仅基于模拟的校准的依赖。局限性包括对分割和粗化过程中的部分体积效应的敏感性、对代表性FR标签(LBM)的依赖以及仔细的多分辨率配准,以及目前仅限于单相渗透率的限制。此外,这里的不确定性是通过训练变异性置信区间来量化的,而不是完全校准的贝叶斯后验;正式的不确定性建模和扩展到多相和反应性传输是未来工作的重要方向。重要的是要认识到,分割错误可能会传播到真实的渗透率计算和CNN预测中。对过渡体素的不准确分类,特别是那些与未解决的微孔隙相关的体素,可能会局部改变孔隙几何和连通性,这直接影响从数字岩石物理模拟中得出的渗透率估计。当这样的分割数据被用作CNN输入时,这些错误可能会影响学习到的孔隙结构和流动之间的关系,这种效应在粗分辨率部署下可能会因体素平均而放大。在这项研究中,通过严格的图像预处理、分割后的细化以及对分割得到的孔隙度和渗透率的实验室MIP测量进行验证,减轻了误差传播(第2.3节)。此外,多分辨率学习策略通过强调跨尺度的流动相关结构来减少对局部分割噪声的敏感性,而不是依赖于单个体素特征。由于分层转移学习协议首先在孔隙网络最清晰的FR数据上学习映射,然后在IR和CR上进行微调,因此模型可以容忍在较粗尺度上的小错误分类;微调步骤仅调整高级层,而较低级别的特征检测器基本保持不变。尽管如此,分割不确定性仍然是一个固有的限制,在将框架应用于图像质量较低或微孔隙比例较高的数据集时应该予以考虑。MRAN替代模型提供了快速的渗透率推断,使得能够快速升级到达西/连续介质规模的求解器,并消除了进行贝叶斯校准所需的数周时间;它还允许通过扰动MRAN生成的渗透率来分析大范围污染物传输情景,从而量化羽流到达时间、峰值浓度和尾部行为,为修复设计提供可操作的风险指标;最后,该替代模型提供了可靠的核心尺度渗透率地图,可以输入到水库规模的含水层建模或CO?/CH?封存模型中,以预测迁移路径、压力演变和潜在泄漏路径,这对于监管评估和长期存储监测至关重要。最后,所提出的框架是通用的,因为它可以从3D图像中学习结构-属性映射,并可以适应其他岩性(例如砂岩)。然而,模型转移不是自动的:孔隙尺寸分布、连通性、矿物对比度、分割不确定性和成像分辨率的变化需要重新训练,在某些情况下还需要修改预处理。紧密的碳酸盐岩代表了一个特别严格的案例,因为多尺度孔隙(宏观孔隙/微孔隙)以及在粗化过程中的更强部分体积效应;这正是需要一个具有分辨率意识的转移协议的原因,而在分辨率已完全解决的介质上的单分辨率演示可能无法捕捉到相同的成像和升级约束。4. 总结与结论本研究介绍了一种紧凑的多尺度分辨率感知网络(MRAN),并评估了一种与架构无关的分层转移学习工作流程,用于从多分辨率微CT中估计紧密碳酸盐岩的渗透率。将MRAN与3D-ResNet50、3D-ResNeXt50和3D-DenseNet201在两个数据集(MS-59和MS-150)上进行基准测试,结果显示顺序FR→IR→CR转移一致地提高了不同架构下的粗分辨率预测,并在实际的分辨率-FOV权衡下实现了准确的渗透率推断。在两个数据集中,MRAN在保持高粗分辨率准确性的同时,效率明显高于深层骨干网络(表3,表4)。数据集扩展(从MS-59到MS-150)减少了所有模型的误差,并缩小了训练变异性置信区间,对于高容量架构来说收益最大,而MRAN在有限和扩展的数据集下仍然具有竞争力。重要的是,在针对独立汞侵入孔隙度测量的非重叠IR/CR测试体积上的部署验证确认了学习到的替代模型与实验室测量结果的一致性,其中MRAN实现了最低的误差,并最好地保持了分布的扩散和尾部。在最具有挑战性的部署环境(CR;3 μm体素尺寸)下,MRAN在非重叠测试体积上相对于独立MIP得到的渗透率的相对误差约为7.5%(表5)。总体而言,所提出的工作流程为从异质碳酸盐岩的多尺度微CT数据中估计可扩展渗透率提供了一条可重复的方法,并支持将深度学习模型集成到数字岩石物理学和地下流动/传输工作中。4.1. 未来研究方向未来的工作将集中在扩展该框架,使其不仅限于单相渗透率预测,并增强其通用性。首先,该方法可以扩展到多相位移和反应性传输,以支持CO?储存、增强型采油(EOR)和污染物修复等应用。其次,应通过系统验证来评估其在砂岩、页岩以及更复杂的孔隙系统(例如,多孔/三模态和裂隙介质)中的适用性,从而对分层多尺度学习方法进行严格测试。第三,将基于模型的认知不确定性与自适应成像和主动学习相结合,可以在不确定性最高的区域优先进行高分辨率扫描,提高数据效率,并加速从局部成像向全面的岩心到现场特征描述的转变。

代码和数据的可用性所有数据、代码及相关文件均可在以下链接公开获取:https://github.com/ImanNabipour/MRAN.git。

作者贡献声明:
Iman Nabipour:撰写——原始草案、软件开发、方法论设计、数据分析、概念构建。
Amir Raoof:撰写——审阅与编辑、资源准备、方法论指导。
Jafar Qajar:撰写——审阅与编辑、监督工作、资源协调。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号