Расчёт характеристик образцов горных пород на основе их изображений с применением алгоритмов глубокого машинного обучения

Пористость, абсолютная проницаемость и коэффициент диффузии являются важными характеристиками течения жидкостей в поровом пространстве горных пород, определение которых является ресурсоёмким и требует достаточно много времени. С развитием методов глубокого машинного обучения за последние 3–4 года активно стали применяться искусственные нейронные сети при определении транспортных свойств системы «жидкость – пористая среда» и геометрических характеристик порового пространства образцов на основе их изображений. Этот способ позволяет оперативно определять нужные свойства с приемлемой точностью. Следовательно, возникает вопрос об эффективности и адекватности методов глубокого машинного обучения для этих целей.

В настоящей статье приводится научный обзор открытых источников литературы по определению абсолютной проницаемости, коэффициента диффузии и пористости по снимкам, полученным разными способами сканирования. Также использованы собственные данные, а именно изображения по 4 карбонатным образцам, и приведены результаты прогнозирования открытой пористости данных образцов на основе их рентгеновских снимков с помощью построенной нами модели свёрточных нейронных сетей.

Проведенный обзор показал, что снимки образцов горных пород, полученные с помощью тех или иных методов сканирования, позволяют рассчитать их транспортные свойства с высокой достоверностью за существенно короткое время. Это означает, что глубокое машинное обучение может являться хорошим альтернативным инструментом для расчёта свойств образцов горных пород на основе их снимков. Построенная нами модель показала прогнозирующую способность пористости 3 карбонатных образцов с коэффициентом достоверности 0,936–0,976.