利用机器学习从切片的孔隙结构特征预测多孔介质渗透率OA北大核心CSTPCD

利用机器学习模型预测多孔介质的渗透率是当前孔隙尺度模型的关键研究方向之一。由于三维多孔介质数据无法直接应用于经典机器学习模型,对孔隙空间结构进行特征提取是有必要的。深度学习模型作为经典机器学习模型的进阶,在多孔介质三维数字图像预测渗透率方面取得许多成功,但模型的计算成本相当高。该研究提取多孔介质切片的孔隙结构特征,将数字图像转化为多维向量并作为机器学习模型的输入,在减少数据输入量、大幅度提高训练效率的同时,模型保持了出色的预测能力,其中长短期记忆神经网络(LSTM)的预测结果最佳。