بازسازی تصویر سنگ مخزن متراکم با شبکه عصبی مولد رقابتی

بخش قابل توجهی از منابع هیدروکربنی ایران از مخازن شکاف دار با ماتریس سنگ متراکم تولید می شود. ساختار حفرات این مخازن، پیچیدگی های زیادی دارد و حفرات و گلوگاه های ریز در ابعاد نانومتری ذخیره هیدروکربن را به عهده دارند. با درک ساختار فضای متخلخل و بررسی جریان سیال درون حفرات ریز می توان دید بهتری از رفتار فضای متخلخل در مقیاس بزرگ به دست آورد. بررسی جریان سیال در سنگ مخزن نیازمند ساختارهای سه بعدی با دقت مناسب است. با این وجود استفاده از روش های مرسوم برای بازسازی شبکه حفرات پرهزینه است و از طرفی با پیچیده تر شدن این ساختارها توانایی این روش ها در بازسازی شبکه حفرات به طور چشم گیری کاهش می یابد. در سال های اخیر با پیشرفت در علوم کامپیوتر به ویژه هوش مصنوعی دروازه جدیدی به منظور بازسازی ساختارهای پیچیده به مانند سنگ مخزن گشوده شده است. با استفاده از روش های یادگیری ماشین می توان مدل های سه بعدی با دقت بسیار بالا ایجاد و خواص پتروفیزیکی سنگ را از آن ها محاسبه کرد. یکی از این روش ها شبکه عصبی مولد رقابتی می باشد که توانایی خود در بازسازی شبکه حفرات را ثابت کرده است. در این پژوهش، از یک شبکه عصبی مولد رقابتی با لایه های همگشتی به منظور بازسازی تصاویر FIB-SEM یک سنگ مخزن متراکم در مقیاس حفره استفاده شده است. با استفاده از شبکه عصبی آموزش داده شده، تحقق های مختلفی از شبکه حفرات ساخته می شود. تخلخل و تراوایی تصاویر باز ساخته شده بسیار نزدیک به این خواص در نمونه تصویر واقعی بوده و دارای انحراف به ترتیب ۰۷/۱ و ۲۴/۵% برای تخلخل و تراوایی است. مشاهده می شود که شبکه عصبی مولد رقابتی تونایی بالایی در بازسازی شبکه حفرات دارد و می توان با کمک آن به بررسی شرایط سنگ مخزن در مقیاس حفره پرداخت.

کلیدواژه ها:

بازسازی تصویر ، مدل سازی شبکه حفرات ، شبکه عصبی مولد رقابتی ، سنگ مخزن متراکم ، میکروسکوپ الکترونی باریکه یونی متمرکز