Пористые среды, такие как цемент, бетон, горные породы, сплавы имеют сложную многоуровневую структуру, которую исследуют с разным разрешением. Эти материалы широко используются в строительстве, энергетике. Точное моделирование таких структур необходимо для понимания их проницаемости, физической прочности и других характеристик. Это позволит заменить виртуальными симуляциями дорогие эксперименты.
Традиционные методы визуализации сложных сред ограничены компромиссом между полем зрения и разрешением. При съемке большого объема получается низкое разрешение, и мелкие структуры (поры или каналы) «размываются». А при высоком разрешении, где видны все мелкие детали, можно снять только малый объем, а общая структура не доступна. Поэтому многие образцы, такие как породы-коллекторы нефти и газа, сланцы, почвы и многие другие исследуются в лаборатории разными методами на разных масштабах. Эти данные потом необходимо собрать в единую модель.
Чтобы улучшить разрешение томографических изображений при совмещении их с точными изображениями электронной микроскопии, ученые из Сычуаньского университета и МФТИ применили машинное обучение. Исследователи разработали двухэтапный алгоритм на основе генеративно-состязательной сети (LRR-GAN), объединяющий информацию из изображений разного разрешения. Общая логика работы: сначала улучшенный вариационный автоэнкодер — базовый элемент машинного обучения — обучается разделению и извлечению детальных характеристик (мелкие поры) из 2D-изображений высокого разрешения. Затем он преобразует их в компактные представления. Потом они соединяются с большими структурными особенностями из 3D-изображений низкого разрешения в генераторе LRR-GAN. Работа опубликована в журнале Construction and Building Materials.
Специальная регрессионная потеря обеспечивает согласованность деталей, позволяя контролировать результат на основе входных данных.
Получение 3D-изображения состоит из трех этапов. На первом получают цифровые изображения образцов горных пород с различным разрешением с помощью компьютерной томографии. После эти снимки обрабатываются: шумоподавление, сегментация и обрезка. На втором этапе происходит объединение изображений с низким разрешением и изображений с высоким разрешением для моделирования многомасштабных микроструктур. Именно здесь используется разработанный алгоритм. На третьем этапе параметры структуры пор и фильтрационные свойства оцениваются с помощью численного моделирования.
Сравнение результатов моделирования с экспериментальными данными дало высокое совпадение. Это говорит о том, что разработанный алгоритм эффективно реконструирует многоуровневые микроструктуры пористых материалов. Величина схожести мелкомасштабных деталей показала, что точность моделирования новым методом в два раза выше по сравнению с другими алгоритмами.
«Как и любой подход, наше решение имеет ряд ограничений. Например, сейчас мы работаем с бинарными изображениями. С одной стороны, это ограничивает нас всего двумя фазами: порами и твердой фазой, но зато результаты сразу подходят для моделирования в масштабе пор — в работе мы рассчитали поток флюида через 3D-изображения, для того чтобы получить проницаемость образцов. Мы продолжаем развивать это направление вместе с сотрудниками и студентами центра Мариной Карсаниной (старший научный сотрудник ЦВФ) и Владимиром Шибановым (студент ЛФИ 2-го курса)», — прокомментировал Кирилл Герке, директор по науке Центра вычислительной физики МФТИ.
Новый алгоритм, восстанавливающий многоуровневые микроструктуры пористых материалов, преодолевает компромисс между разрешением и полем зрения. Он позволяет создавать точные 3D-модели сложных многоуровневых структур. Это открывает путь к более глубокому пониманию физических свойств пористых материалов и поведения потоков жидкостей или газов внутри них. Это способствует развитию «цифровых двойников» материалов, где виртуальное моделирование заменяет дорогие эксперименты, ускоряя инновации в материаловедении.