Modelagem de Integração Multiescalar e Multicomponente de Rocha Digital Baseada em Aprendizado Profundo

A tecnologia de rocha digital se desenvolveu gradualmente para se tornar uma abordagem essencial para o estudo das propriedades petrofísicas. Como parte inicial do fluxo de trabalho geral da rocha digital, a confiabilidade e eficácia da modelagem de rochas digitais baseada em imagens de varredura de instrumentos afetaria a precisão de quase todas as simulações numéricas e análises petrofísicas subsequentes. No entanto, o campo de varredura e a resolução de um único instrumento de imagem são contraditórios, ou seja, um campo de visão maior resulta em uma resolução mais baixa, dificultando que a qualidade do modelo de rocha digital atenda aos requisitos de pesquisa. Para essa questão, propusemos um método baseado em aprendizado profundo para integrar os resultados de varredura de diversos instrumentos de imagem e construir o modelo de rocha digital com capacidade de alta resolução e um amplo campo de visão. Primeiro, utilizamos diversos métodos de imagem para escanear a amostra de testemunho e obter o conjunto de dados para treinamento, validação e teste da rede neural profunda. Em seguida, usamos técnicas de aprendizado profundo para estabelecer a relação de mapeamento entre o voxel de imagens de tomografia computadorizada por raios X de baixa resolução para a amostra de testemunho de émbolo (imagens de CT de émbolo) e as várias proporções de componentes da rocha digital de alta resolução. Finalmente, a rede neural profunda treinada é aplicada ao processamento da imagem coerente do émbolo, e o modelo de rocha digital de integração multiescalar e multicomponente (MSMCI) é construído. No conjunto de dados de teste, o erro absoluto médio (MAE) entre as proporções de minerais e poros previstos pelo método proposto e os rótulos de alta resolução é de 0,12v/v, que é menor que 0,17v/v baseado na abordagem de processamento de super-resolução com aprendizado profundo existente, e 0,24v/v baseado na integração multiescalar em uma abordagem estatística. Em aplicações práticas, a porosidade e as proporções minerais extraídas do modelo de rocha digital MSMCI para émbolos são consistentes com aquelas obtidas em experimentos petrofísicos de laboratório. A capacidade da rocha digital MSMCI para caracterizar componentes multiescala dentro da rocha é significativamente melhor do que a da rocha digital segmentada a partir de imagens de varredura de um único instrumento de imagem.