Predicting Inter-Pore Hydraulic Conductivity Using Convolutional Neural Network

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.

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.