محمدرضا مشتری
سعید صادق نژاد - دانشیار دانشکده شیمی، دانشگاه تربیت مدرس

امروزه با توجه به پیشرفت های صورت گرفته در انقلاب صنعتی چهارم و بوجود آمدن فناوری های جدید از جمله رباتیک،کلان داده، هوش مصنوعی و ... سبب کاربردهای فراوان و تحت تاثیر قرار گرفتن این صنعت از این فناوری های به اصطلاح لبهدانش گردیده است. یکی از روش هایی که بسیار مورد توجه قرار گرفته است، استفاده از هوش مصنوعی و شبکه های عصبیدر آنالیز دیجیتال مغره و مدل سازی شبکه حفرات PNM است. با توجه به وجود انواع مختلفی از سنگ های مخرن چندمقیاسه، از قبیل سنگ های کربناته و ماسه سنگی متراکم، شیل های نفتی و گازی و ... اغلب این سنگ ها دارای تخلخل درمقیاس های مختلف از نانومتر تا میکرومتر می باشند. با توجه به پایین بودن تخلخل و تراوایی چنین سنگ هایی، از روش هایمشخصی برای بازسازی تصویر این نمونه ها باید استفاده نمود. یادگیری ماشین یکی از این روش ها می باشد. در این تحقیق ازیادگیری ماشین و هوش مصنوعی برای بازسازی تصاویر سنگ مخزن استفاده می شود. در ابتدا، باید توانایی یک شبکه عصبیمولد متخاصم GAN در بازسازی و تولید این تصاویر بررسی شود. با استفاده از شبکه عصبی مولد نمونه های تصویر سنگمخزن بازسازی میگردند. سرانجام، قابلیت شبکه عصبی مولد در روند بازسازی تصاویر سنگ مخزن به همراه خواصپتروفیزیکی سنگ از جمله تخلخل، مساحت سطح و ... مورد ارزیابی قرار خواهند گرفت. در این تحقیق اندازه عکس برایورود داده های تصاویر به شبکه عصبی و بازتولید آن ۵۱۲ × ۵۱۲ بوده و هچنین با ساخت شبکه حفرات مقادیر خواص سنگمخرن محاسبه گردید. از این رو با مقایسه نتایج حاصل از تصاویر بازسازی شده و تصاویر مرجع (ورودی) مشاهده شد که درخواص سنگ مخزن از جمله تخلخل، رنج گستردهتری نسبت به داده های ورودی دارند

مدل سازی شبکه حفرات، شبکه عصبی مولد متخاصم، بازسازی تصاویر، ارزیابی خواص سنگ مخزن