利用机器学习，特别是卷积神经网络 (CNN)，从钻井岩心图像分析中评估岩性和矿物含量的潜力，并提供了全面的方法论，展示了 96.7% 的岩心分割分类准确率，并验证了该方法在矿物含量评估上与实验室检测结果相当。

Mar, 2024

使用深度学习方法基于热图像进行反演定位激光粉床熔化成型制件外置孔隙率，该研究的目标是建立基于成型过程中获得的热图像的实时孔隙分布图。通过卷积神经网络模型来预测孔隙计数和通过视频视觉 Transformer 模型的时空注意机制来指示预期孔隙存在的区域。本研究在添加制造监测数据上奠定了基于部件孔隙率的 “数字孪生” 的基础，可以用于减少部件质量认证过程中耗时的后期检测和测试工作。此外，我们通过对成型过程监测数据的机器学习分析，希望加快获得通常仅通过外置部件评估获得的重要洞察。

Apr, 2024

通过利用形态解码器结合机器学习、三维显微成像分割、核磁共振成像等手段，能够有效、准确地预测渗透率。

Nov, 2021

使用图像识别神经网络实现了从图像直接预测渗透率的方法，其包括多个步骤，如：生成多孔介质样本，通过流体动力学模拟计算渗透率，使用卷积神经网络训练模拟数据，验证模拟，加入已知物理参数进入神经网络模型预测结果，得到优秀的预测性能，相对于使用传统方法识别含有许多扩散孔的高异质性多孔介质，机器学习方法的准确性更高，并且相较于流体动力学模拟计算，计算时间减少许多。

Sep, 2018

使用人工神经网络、随机森林分类器和支持向量机等三种模型，以预测渗透率为主要目标，比较了三种机器学习算法的有效性，并利用 FZI 岩性分类技术对影响油藏质量的因素进行了分析，表明 FZI 模型和机器学习算法在预测渗透率和提高油藏性能方面具有一定的实际应用价值。

May, 2023

使用卷积神经网络对钛涂覆的镍线中 Kirkendall 气孔的体积分数进行了测量，预测了不同类型的气孔在均质化过程中的体积分数变化并通过分割模型对其进行了语义分割。

Jun, 2023

通过神经网络生成的隐式描述概率分布的三维图像数据集，我们成功地比较了不同尺度多孔介质的特性，并发现对比传统的图像重建随机方法，此隐式表示的数据分布可以快速存储并重复生成多个孔隙结构的实现。

Apr, 2017

本文采用卷积神经网络 (CNN) 来预测多孔介质的基本属性。该文分两项任务，第一项任务是利用几何分析来预测孔隙率和有效扩散系数，第二项任务则是通过重构系统的几何和浓度图来完成。其中，本文提出了两种不同种类的 CNN 模型，分别为 C-Net 和 U-Net。此外，U-Net 能够准确地重构浓度场，而且在各种数据类型上都表现出了良好的性能。

Apr, 2023

该研究旨在开发并应用一种自主方法，预测研究区域油气藏扩散的概率。该方法基于 3D 地震勘探数据和地质信息，实现了对地质地球物理数据的专家独立概括，并利用该概括通过假设检验和生成地质模型。

Apr, 2023

在数字岩石物理学中，使用扫描电子显微镜和计算机断层扫描技术分析岩石的细微结构对估计孔隙度和孔隙连通性等性质至关重要。我们的研究采用了先进的生成型人工智能模型 —— 扩散模型，克服传统分割方法的局限性并通过生成大量的数据集来改善岩石显微结构分割的准确性和稳定性。利用 Transformer 结构的 TransU-Net 在分割图像方面表现出更高的准确性和 IoU 指标，超过了 U-Net 和 Attention-U-Net，推进了数字岩石物理学的发展，为地球科学和工程学的突破铺平了道路。

Nov, 2023