پویا صادقی - کارشناسی ارشد مهندسی نفت، دانشگاه تربیت مدرس
ابوالفضل مسلمی پور - دکتری مهندسی نفت، دانشگاه تربیت مدرس
سعید صادق نژاد - دانشیار دانشکده مهندسی شیمی، دانشگاه تربیت مدرس

در فرایند آنالیز مغزه دیجیتال، تصاویر سنگ با وضوح بالا مورد نیاز می باشند تا پارامترهایی مانند تخلخل و نفوذپذیری بادقت بالاتری محاسبه شوند. تصویربرداری از سنگ با محدودیت های دستگاه تصویربرداری محدود شده است که منجر به تقابلبین وضوح تصویر و میدان دید می شود. در این مقاله هدف استفاده از روش های فراتفکیک پذیری برای جبران این محدودیتمی باشد. در این مقاله شبکه ی عصبی پیچشی فراتفکیک پذیر (SRCNN)(Super Resolution Convolutional Neural Network) که اولین روش یادگیری عمیق برای فراتفکیک پذیری تصویر هست با کمک شبکه ی عصبی پیچشی فراتفکیک پذیرسریع (FSRCNN) (Fast Super Resolution Convolutional Neural Network) در سه جنبه دوباره طراحی شده است. ابتدایک لای هی دکانولوشن در انتهای شبکه قرار داده شد که در این صورت نگاشت مستقیما از تصویر با وضوح پا یین اصلی بهتصویر با وضوح بالا آموخته می شود. دوم، لایه ی نگاشت با کوچک کردن بعد و یژگ ی ورودی قبل از نگاشت و گسترش مجددپس از آن فرمول بندی شد. سوم، از فیلترهای با اندازهی کوچکتر اما لایه های نگاشت بیشتری استفاده شد. نتایج نشان دادندکه شبکه ی عصبی پیچشی فراتفکیک پذیر سریع، میتواند تصاویر سنگ دیجیتال را با وضوح بالا و همچنین با سرعت بیشترینسبت به شبکه ی SRCNN (سرعتی بیش از ۲۰ برابر) بازسازی کند که بازسازی تصاویر سنگ با وضوح بالا باعث می شود کهبتوان پارامترهای تخلخل و نفوذپذیری را با دقت بالاتری به دست آورد که این موضوع در زمینه ی تصاویر سنگ دیجیتال درصنعت نفت بسیار ارزشمند است

شبکه های عصبی عمیق، تصاویر سنگ دیجیتال، شبکه ی عصبی پیچشی فراتفکیک پذیر، شبکهی عصبیپیچشی فراتفکیک پذیر سریع