dc.contributor.advisor | Berg, Carl Fredrik | |
dc.contributor.author | Kårstad, Tormod | |
dc.date.accessioned | 2022-11-25T18:22:05Z | |
dc.date.available | 2022-11-25T18:22:05Z | |
dc.date.issued | 2022 | |
dc.identifier | no.ntnu:inspera:114319534:37540424 | |
dc.identifier.uri | https://hdl.handle.net/11250/3034262 | |
dc.description.abstract | Det overordnede målet for denne oppgaven er å utvikle en metode for å generere presise estimat av strømningsegenskaper. Oppgaven beskriver et forsøk på å bruke et konvolusjonelt nevralt nettverk (CNN) til å predikere den hydrauliske konduktiviteten for sammenkoblede pore-par i et undervolum av en steinprøve. Bildene som brukes som input data ble generert fra et grid. Griddet er et delvolum hentet fra en 3D CT-scan av en steinprøve. Bildene ble generert på en måte som kan tenkes å være forståelig for en CNN-modell.
Ulike CNN-modeller ble bygget ved bruk av ulik bildeoppløsning, mengde treningsdata, treningsdatafordeling, og bildedimensjoner (2D og 3D). Til slutt ble det brukt en CNN-modell til å tildele predikerte hydrauliske konduktiviterer til en Pore-Nettverks Modell. Permeabiliteten for modellen ble estimert og sammenlignet med det nummeriske estimatet. | |
dc.description.abstract | The overall goal of this project is to develop a method for generating precise estimates of flow properties. This thesis describes an attempt to use a convolutional neural network (CNN) to predict the inter-pore hydraulic conductivity of a rock sample subvolume. The images used as input data were generated from a grid. The grid is a subvolume from a 3D CT-scan of a rock. The images were generated in a way that conceivably would be comprehensible for a CNN model.
Different CNN models were built using different image resolutions, amount of training data, training sample distribution, and image dimensions (2D and 3D).
Eventually, a CNN model was used to provide a Pore Network Model with predictions for the hydraulic conductivities. The permeability of the network model was estimated and compared to the numerical estimation. | |
dc.language | eng | |
dc.publisher | NTNU | |
dc.title | Predicting Inter-Pore Hydraulic Conductivity Using Convolutional Neural Network | |
dc.type | Master thesis | |