بازسازی تصویر سنگ مخزن با استفاده از یادگیری ماشین

امروزه با توجه به پیشرفت‌های صورت گرفته در انقلاب صنعتی چهارم و بوجود آمدن فتاوری‌های جدید از جمله رباتیک، کلان داده، هوش مصنوعی و ... سبب کاربردهای فراوان و تحت تاثیر قرار گرفتن این صنعت از این فناوری‌های به اصطلاح لبه دانش گردیده است. یکی از روش‌هایی که بسیار مورد توجه قرار گرفته است، استفاده از هوش مصنوعی و شبکه‌های عصبی در آنالیز دیجیتال مغره و مدل‌سازی شبکه حفرات (pnm) است. با توجه به وجود انواع مختلفی از سنگ‌های مخرن چند مقیاسه، از قبیل سنگ‌های کربناته و ماسه سنگی متراکم، شیل‌های نفتی و گازی و ... اغلب این سنگ‌ها دارای تخلخل در مقیاس‌های مختلف از نانومتر تا میکرومتر می‌باشند. با توجه به پایین بودن تخلخل و تراوایی چنین سنگ‌هایی، از روش‌های مشخصی برای بازسازی تصویر این نمونه‌ها باید استفاده نمود. یادگیری ماشین یکی از این روش‌ها می‌باشد. در این تحقیق از یادگیری ماشین و هوش مصنوعی برای بازسازی تصاویر سنگ مخزن استفاده می‌شود. در ابتدا، باید توانایی یک شبکه عصبی مولد متخاصم (gan) در بازسازی و تولید این تصاویر بررسی شود. با استفاده از شبکه عصبی مولد نمونه‌های تصویر سنگ مخزن بازسازی می‌گردند. سرانجام، قابلیت شبکه عصبی مولد در روند بازسازی تصاویر سنگ مخزن به همراه خواص پتروفیزیکی سنگ از جمله تخلخل، مساحت سطح و ... مورد ارزیابی قرار خواهند گرفت. در این تحقیق اندازه عکس برای ورود داده‌های تصاویر به شبکه عصبی و بازتولید آن 512×512 بوده و هچنین با ساخت شبکه حفرات مقادیر خواص سنگ مخرن محاسبه گردید. از این رو با مقایسه نتایج حاصل از تصاویر بازسازی شده و تصاویر مرجع (ورودی) مشاهده شد که در خواص سنگ مخزن از جمله تخلخل، رنج گسترده‌تری نسبت به داده‌های ورودی دارند.