Терең машиналық оқыту алгоритмдерін қолдана отырып, олардың кескіндері негізінде тау жыныстары үлгілерінің сипаттамаларын есептеуге әдеби шолу

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

Кеуектілік, абсолютті өткізгіштік және диффузиялық коэффициент тау жыныстарының кеуекті кеңістігіндегі сұйықтар ағынының маңызды сипаттамалары болып табылады, оны анықтау ресурсты көп қажет ететін және уақытты қажет ететін процесс болып табылады. Терең машиналық оқыту әдістерінің дамуымен соңғы 3–4 жылда жасанды нейрондық желілер сұйық-кеуекті орта жүйесінің тасымалдау қасиеттерін және олардың кескіндері негізінде үлгілердің кеуекті кеңістігінің геометриялық сипаттамаларын анықтау үшін белсенді түрде қолданылды. Бұл әдіс қолайлы дәлдікпен қажетті қасиеттерді жылдам анықтауға мүмкіндік береді. Сондықтан осы мақсаттарға терең машиналық оқыту әдістерінің тиімділігі мен сәйкестігі туралы сұрақ туындайды.

Бұл мақаланың мақсаты әртүрлі сканерлеу әдістерімен алынған олардың кескіндерінің абсолютті өткізгіштігін, диффузия коэффициентін және кеуектілігін анықтау бойынша ашық дереккөздерден алынған әдебиеттерге ғылыми шолу жасау болып табылады. Әдеби шолу үшін деректер ретінде әртүрлі ашық дереккөздерден алынған ғылыми мақалалар пайдаланылды. Сонымен қатар бұл мақалада біздің жеке деректер, атап айтқанда, 4 карбонат үлгілерінің кескіндері пайдаланылады. Әдіс ретінде конволюциялық нейрондық желілер қарастырылды.

Бұл жұмыстың нәтижелері үлгі кескіндеріне негізделген терең машиналық оқыту әдістерін пайдалана отырып, кеуекті орталардың маңызды сипаттамаларын анықтау әдісінің тиімділігі мен қолданылуының орташа тереңдігін ғылыми шолу болып табылады. Бұл мақалада біз құрастырған конволюционды нейрондық желі моделін пайдалана отырып, олардың рентгендік кескіндері негізінде 4 карбонат үлгісінің ашық кеуектілігін болжау нәтижелері берілген. Әдеби шолу әртүрлі сканерлеу әдістерін қолдану арқылы алынған тау жыныстарының үлгілерінің суреттері (кескіндері) айтарлықтай қысқа мерзімде жоғары сенімділікпен терең машиналық оқыту алгоритмдерін қолдана отырып, олардың тасымалдау қасиеттерін есептеуге мүмкіндік беретінін көрсетті. Бұл терең машиналық оқыту олардың кескіндері негізінде тау жыныстарының үлгілерінің қасиеттерін есептеудің жақсы балама құралы болуы мүмкін дегенді білдіреді. Біз құрастырған конволюциялық нейрондық желі моделі 0,936–0,976 сенімділік коэффициенті бар 3 карбонат үлгісінің кеуектілігінің болжамдық қабілетін көрсетті.

Толық мәтін

##article.viewOnOriginalSite##

Авторлар туралы

Б. К. Асылбеков

Академик Ө.А. Жолдасбеков атындағы механика және машина жасау институты; Сәтбаев Университетi

Email: assibekov.b@gmail.com
ORCID iD: 0000-0002-0368-0131

PhD

Қазақстан, Алматы қаласы; Алматы қаласы

Н. Е. Қалжанов

KBTU BIGSoft; Әл-Фараби атындағы Қазақ Ұлттық Университеті

Email: nurkal022@gmail.com
ORCID iD: 0009-0008-5776-0971
Қазақстан, Алматы қаласы; Алматы қаласы

Б. Е. Бекбау

Сәтбаев Университетi

Хат алмасуға жауапты Автор.
Email: bakbergen.bekbau@gmail.com
ORCID iD: 0000-0003-2410-1626

PhD

Қазақстан, Алматы қаласы

Д. Ә. Болысбек

Академик Ө.А. Жолдасбеков атындағы механика және машина жасау институты; Сәтбаев Университетi

Email: bolysbek.darezhat@gmail.com
ORCID iD: 0000-0001-8936-3921
Қазақстан, Алматы қаласы; Алматы қаласы

Әдебиет тізімі

  1. Rajalingam B, Priya R. Multimodal Medical Image Fusion based on Deep Learning Neural Network for Clinical Treatment Analysis. Int J ChemTech Res. 2018;11(6):160–176. doi: 10.20902/IJCTR.2018.110621.
  2. Cicceri G, Inserra G, Limosani M. A Machine Learning Approach to Forecast Economic Recessions – An Italian Case Study. Mathematics. 2020;8(2). doi: 10.3390/math8020241.
  3. Yoon J. Forecasting of Real GDP Growth Using Machine Learning Models: Gradient Boosting and Random Forest Approach. Comput Econ. 2021;57(1):247–265. doi: 10.1007/s10614-020-10054-w.
  4. Gholami R, Shahraki AR, Jamali Paghaleh M. Prediction of Hydrocarbon Reservoirs Permeability Using Support Vector Machine. Math Probl Eng. 2012:1–18. doi: 10.1155/2012/670723.
  5. Waszkiewicz S, Krakowska-Madejska P, Puskarczyk E. Estimation of absolute permeability using artificial neural networks (multilayer perceptrons) based on well logs and laboratory data from Silurian and Ordovician deposits in SE Poland. Acta Geophys. 2019;67:1885–1894. doi: 10.1007/s11600-019-00347-6.
  6. Tembely M, AlSumaiti AM, Alameri W. A deep learning perspective on predicting permeability in porous media from network modeling to direct simulation. Comput. Geosci. 2020;24(4):1541–1556. doi: 10.1007/s10596-020-09963-4.
  7. Xuan YM, Zhao K, Li Q. Investigation on mass diffusion process in porous media based on Lattice Boltzmann method. Heat Mass Transf. 2010;46(10):1039–1051. doi: 10.1007/s00231-010-0687-2.
  8. Wang Y, Lin G. Efficient deep learning techniques for multiphase flow simulation in heterogeneous porousc media. J Comput Phys. 2020;401. doi: 10.1016/j.jcp.2019.108968.
  9. Santos JE, Xu D, Jo H, et al. PoreFlow-Net: A 3D convolutional neural network to predict fluid flow through porous media. Adv Water Resour. 2020;138. doi: 10.1016/j.advwatres.2020.103539.
  10. Da Wang Y, Blunt MJ, Armstrong RT, Mostaghimi P. Deep learning in pore scale imaging and modeling. Earth-Science Rev. 2021;215. doi: 10.1016/j.earscirev.2021.103555.
  11. Bolysbek DA, Kulzhabekov AB, Bekbau B, Uzbekaliyev KS. Study of the pore structure and calculation of macroscopic characteristics of rocks based on X-ray microcomputed tomography images. Kazakhstan J oil gas Ind. 2023;5(2):17–30. doi: 10.54859/kjogi108647. (In Russ).
  12. Tian J, Qi C, Sun Y, et al. Permeability prediction of porous media using a combination of computational fluid dynamics and hybrid machine learning methods. Eng Comput. 2021;37:3455–3471. doi: 10.1007/s00366-020-01012-z.
  13. Graczyk KM, Matyka M. Predicting porosity, permeability, and tortuosity of porous media from images by deep learning. Sci Rep. 2020;10. doi: 10.1038/s41598-020-78415-x.
  14. Caglar B, Broggi G, Ali MA, et al. Deep learning accelerated prediction of the permeability of fibrous microstructures. Compos Part A Appl Sci Manuf. 2022;158. doi: 10.1016/j.compositesa.2022.106973.
  15. Araya-Polo M, Alpak FO, Hunter S, et al. Deep learning–driven permeability estimation from 2D images. Comput Geosci. 2020;24:571–580. doi: 10.1007/s10596-019-09886-9.
  16. Wang H, Yin Y, Hui XY, et al. Prediction of effective diffusivity of porous media using deep learning method based on sample structure information self-amplification. Energy AI. 2020;2. doi: 10.1016/j.egyai.2020.100035.
  17. Tembely M, AlSumaiti AM, Alameri WS. Machine and deep learning for estimating the permeability of complex carbonate rock from X-ray micro-computed tomography. Energy Reports. 2021;7:1460–1472. doi: 10.1016/j.egyr.2021.02.065.
  18. Wu H, Fang W-Z, Kang Q, et al. Predicting Effective Diffusivity of Porous Media from Images by Deep Learning. Sci Rep. 2019;9. doi: 10.1038/s41598-019-56309-x.
  19. Graczyk KM, Strzelczyk D, Matyka M. Deep learning for diffusion in porous media. Sci Rep. 2023;13. doi: 10.1038/s41598-023-36466-w.
  20. Tang P, Zhang D, Li H. Predicting permeability from 3D rock images based on CNN with physical information. J Hydrol. 2022;606. doi: 10.1016/j.jhydrol.2022.127473.
  21. Zhang H, Yu H, Yuan X, et al. Permeability prediction of low-resolution porous media images using autoencoder-based convolutional neural network. J Pet Sci Eng. 2022;208. doi: 10.1016/j.petrol.2021.109589.
  22. Alqahtani N, Alzubaidi F, Armstrong RT, et al. Machine learning for predicting properties of porous media from 2d X-ray images. J Pet Sci Eng. 2020;184. doi: 10.1016/j.petrol.2019.106514.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу
2. Figure 1. Generated porous media and their diffusion coefficient [18]

Жүктеу (237KB)
Метадеректер
3. Figure 2. Diffusion coefficients obtained by different methods [18]

Жүктеу (225KB)
Метадеректер
4. Figure 3. Generated porous media with different porosity [16]

Жүктеу (437KB)
Метадеректер
5. Figure 4. Diffusion coefficient calculated by different methods [16]

Жүктеу (99KB)
Метадеректер
6. Figure 5. Generated porous media with different porosity [19]

Жүктеу (449KB)
Метадеректер
7. Figure 6. 3D image of a carbonate sample [17]

Жүктеу (235KB)
Метадеректер
8. Figure 7. Comparison of predicted permeability of carbonate and sandstone samples with permeability calculated using LBM [17]

Жүктеу (231KB)
Метадеректер
9. Figure 8. CNN model architecture [20]

Жүктеу (333KB)
Метадеректер
10. Figure 9. Predicted permeabilities by conventional and proposed CNN model architecture vs. LBM calculated permeability [21]

Жүктеу (211KB)
Метадеректер
11. Figure 10. Predicted permeabilities using the conventional and proposed methodologies compared with the true permeability [21]

Жүктеу (143KB)
Метадеректер
12. Figure 11. Predicted porosities from processed and unprocessed images compared with true porosities [22]

Жүктеу (97KB)
Метадеректер
13. Figure 12. Schematic representation of the extraction process of rectangular sample

Жүктеу (1MB)
Метадеректер
14. Figure 13. Pore space of extracted rectangular samples

Жүктеу (299KB)
Метадеректер
15. Figure 14. Distribution of porosity averaged over the cross section of the considered samples along their length

Жүктеу (94KB)
Метадеректер
16. Figure 15. CNN architecture

Жүктеу (102KB)
Метадеректер
17. Figure 16. Changing the loss function during test and validation

Жүктеу (69KB)
Метадеректер
18. Figure 17. Predicted and true porosity of samples

Жүктеу (79KB)
Метадеректер

© Асылбеков Б.К., Қалжанов Н.Е., Бекбау Б.Е., Болысбек Д.Ә., 2024

Creative Commons License
Бұл мақала лицензия бойынша қол жетімді Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».