استفاده از روش‌های یادگیری ماشین برای پیش‌بینی تراوایی سنگ دیجیتال

مدل‌سازی مقیاس حفره با استفاده از تصاویر توموگرافی رایانه‌ای اشعه ایکس یا به عبارتی فیزیک سنگ دیجیتال، به روشی قابل اعتماد برای پیش‌بینی خصوصیات پتروفیزیکی سنگ‌ها تبدیل شده است. به منظور پیش‌بینی تراوایی به طور معمول از روش‌های شبیه‌سازی عددی مستقیم استفاده می‌شود. این روش‌ها برای تعداد نمونه‌های فراوان و یا نمونه با ابعاد بزرگ هزینه محاسباتی زیادی در پی خواهند داشت. در این پژوهش، روشی مبتنی بر استفاده از شبکه‌های عصبی پیچشی برای پیش‌بینی تراوایی ارائه شده است. در این روش ابتدا زیرنمونه‌هایی از یک مدل سه‌بعدی ماسه‌سنگ استخراج شده و تراوایی آنها محاسبه شده است. سپس وضوح زیرنمونه‌های استخراج شده با استفاده از روش نمونه‌کاهی کاهش یافته و به همراه تراوایی‌های متناظر خود، برای آموزش شبکه عصبی استفاده شده‌اند. برای ارزیابی عملکرد شبکه عصبی پیچشی آموزش یافته ، تراوایی تعدادی زیرنمونه که شبکه عصبی پیچشی آنها را ندیده است، پیش‌بینی شده و با مقادیر به دست آمده از شبیه‌سازی مقیاس حفره مقایسه و ارزیابی شده‌اند. نتایج حاصل از ارزیابی شبکه عصبی پیچشی، عملکرد مناسب آن را با مقدار r2 برابر با 99/0 نشان می‌دهد و از طرفی زمان محاسبات برای زیرنمونه‌های دیده نشده نسبت به شبیه‌سازی عددی مستقیم 120 برابر کاهش یافته‌است.