Нейросеть МФТИ предсказала проницаемость цифровых моделей пористых материалов

Учёные из Московского физико-технического института совместно с коллегами из Ирана создали нейросетевой алгоритм, который по структуре пор предсказывает способность материала пропускать жидкость в разных направлениях. Пока метод проверен на искусственно созданных цифровых образцах.

Проницаемость — способность породы пропускать жидкости и газы. От неё зависит, сколько нефти или газа можно извлечь из пласта и как быстро загрязнения распространяются в подземных водах. Традиционные методы требуют долгих лабораторных испытаний или ресурсоёмких вычислений на суперкомпьютерах и часто дают лишь усреднённые значения, не учитывая, что порода может пропускать жидкость быстрее в одном направлении, чем в другом.

Для обучения использовали 998 синтетических трёхмерных изображений пористых материалов — искусственно созданных цифровых образцов. Нейросеть получала компактные статистические характеристики расположения пор, рассчитанные вдоль трёх осей. После сжатия этих данных до 250 параметров она предсказывала тензор проницаемости — набор из девяти чисел, описывающий, как материал пропускает жидкость в разных направлениях. Эталонные значения получили с помощью численного моделирования течения.

Средняя абсолютная процентная ошибка прогноза составила 16,6%: этот показатель усредняет величину отклонений от эталонных значений в процентах, независимо от знака ошибки. По сообщению МФТИ, после обучения нейросеть выдаёт результат за доли секунды. Проверка пока ограничена синтетическими данными. Быстрая оценка свойств нефтегазоносных пород и расчёт распространения загрязнений в подземных водах остаются возможными применениями, а не продемонстрированными результатами.

Источник: МФТИ