Гибридные многомасштабные стохастические реконcтрукции: от корреляционных функций к машинному обучению

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 19-72-10082

НазваниеГибридные многомасштабные стохастические реконcтрукции: от корреляционных функций к машинному обучению

Руководитель Карсанина Марина Владимировна, Кандидат физико-математических наук

Организация финансирования, регион федеральное государственное бюджетное учреждение науки Институт физики Земли им. О.Ю. Шмидта Российской академии наук , г Москва

Конкурс №41 - Конкурс 2019 года «Проведение исследований научными группами под руководством молодых ученых» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными

Область знания, основной код классификатора 02 - Физика и науки о космосе; 02-201 - Теория конденсированного состояния

Ключевые слова Описание структур и полей, стохастические реконструкции, многомасштабность и иерархичность структуры, реконструкция структур и полей по неполным данным, реконструкция 3D структуры по 2D данным, совмещение масштабов, сверхразрешение, корреляционные функции, машинное обучение, многоточечная статистика, имитация «отжига», обратные задачи, дексрипторы структуры, статистическая однородность, информационное содержание декриптора

Код ГРНТИ29.19.03

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Структура гетерогенных материалов определяет их физические свойства. Одним из ключевых типов таких материалов являются пористые среды для которых по данным о структуре необходимо рассчитать их свойства - проницаемость, способность капиллярных сил удерживать различные флюиды внутри пористой среды, способность к одновременной фильтрации более одного флюида (относительные проницаемости), электрические и механические свойства и многие другие. Физические свойства пористых сред на любых масштабах практически невозможно измерять экспериментально, но знания о разномасштабных свойствах являются критическими для эффективной добычи углеводородов, планирования захоронения углекислого газа в подземных резервуарах, дизайна фильтров и элементов питания. В последние годы наиболее перспективным методом получения и апскейлинга (перемасштабирования) физических свойств пористых сред является моделирование. Оно не имеет альтернатив ввиду необходимости описания процессов на самых разных масштабах - от нанометров до километров. Лабораторные измерения позволяют исследовать образцы заданного размера и формы и зачастую ограничены в выборе граничных условий. Таким образом, для полноценного описания и моделирования свойств пористых сред требуется детальная многомасштабная 3D информация об их строении. Количество такой информации на разных масштабах сильно ограничено ввиду следующих факторов: а) каждый иерархический уровень исследуется отдельным методом (малоуголовое рассеяние, электронный микроскоп или FIB-SEM томография для масштаба нанометров, рентгеновская томография для микрометров, оптические методы, лабораторные измерения – сантиметры - метры, сейсмические методы – метры - километры); б) сложности в реализации и высокая стоимость 3D методов исследований по сравнению с 2D методиками (например, FIB-SEM томография занимает около 40 часов для объема породы в несколько кубических микрон, а РЭМ позволяет почти моментально получать 2D срезы), в) каждый метод характеризуется определенным соотношением размера образца и разрешением получаемых данных (например, в томографии, чем больше образец, тем хуже будет разрешение съемки). Поэтому возможность быстрого и качественного получения детальных 3D данных по ограниченному набору входной информации, а также объединение этих данных в одну структуру с заданным разрешением, является наиболее актуальной проблемой, стоящей на пути эффективного моделирования свойств сложнопостроенных пористых сред. Решение вышеобозначенной проблемы возможно с помощью стохастических реконструкций – метода заполнения недостающей пространственной «информации» на основе имеющейся статистики. Однако последнее изыскания нашей и других групп указывает на целый ряд фундаментальных проблем с такими подходами: 1) низкая точность, 2) высокие требования к вычислительным ресурсам, 3) потеря информации при суперпозиции масштабов, 4) невозможность расчета ключевых статистических параметров трехмерных структур по двухмерным данным. Для устранения этих недостатков, в настоящем Проекте предлагается использовать следующие новые методики: параллелизацию методик реконструкции на множественных ЦПУ или ГПУ, гибридизацию различных подходов (корреляционные функции, многоточечная статистика, метод частиц, распознавание образов), использование рескейлинга корреляционных функций в совмещении с динамическим «отжигом», ввод учета многомасштабности и нестационарности за счет сшивки статистически однородных участков, использования машинного обучения для перехода от двухмерных статистических дескрипторов к трехмерным (на основе уникальной библиотеки изображений пород-коллекторов). В свою очередь, когда структура пористой среды известна и описана, как для проведения реконструкций, так и для моделирования физических свойств необходима важная дополнительная информация - о репрезентативности исследуемого образца и его статистической стационарности. В настоящее время репрезентативность исследуется с помощью анализа изменений в значениях эффективного свойства с увеличением образца (их стремления к постоянному значению), но такой подход заведомо ошибочен для пористых сред с нестационарной структурой. Точной методологии (c расчетом локальных параметров строения) для исследования нестационарностей в структуре на настоящий момент не существует. Эти проблемы будут решены на основе локальных расчетов корреляционных функций и моделирования в масштабе пор. Отдельное внимание в Проекте будет уделено верификации разработанных методик на основе моделирования в масштабе пор и экспериментальных данных. При этом будет решен целый набор важных для этой области прикладных проблем, в том числе будет проведено внедрение стохастических технологий в исследование структуры наноструктур с помощью методов малоуглового рассеяния. Таким образом, в рамках Проекта предлагается решить следующий набор важных проблем: 1) окончательно решить фундаментальную проблему совмещения масштабов и получения 3D модели строения заданной детализации, 2) разработать технологию быстрых и точных стохастических реконструкций на основе новых гибридных методов и, таким образом, сделать совмещение масштабов для любых пористых объектов более эффективным с точки зрения применения на практике, 3) выполнить первое комплексное исследование и обобщение закономерностей влияния нестационарности структуры пористой среды на репрезентативность ее подобъема, получить новые представления о влиянии структуры на возможность определения эффективных физических свойств, в том числе на основе ее описания корреляционными функциями. Достижение поставленных задач и возможности получения запланированных результатов определяется богатым опытом руководителя и исполнителей, значительным заделом в области предлагаемого Проекта, наличием публикаций по предлагаемой теме в ведущих мировых журналах первой квартили, наличием уникальной библиотеки изображений пористых сред необходимой для применения методов машинного обучения.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Карсанина М.В., Волков В.В., Конарев П.В., Белохин В.С., Баюк И.О., Корост Д.В., Герке К.М. Rapid Rock Nanoporosity Analysis Using Small Angle Scattering Fused with Imaging Data Based on Stochastic Reconstructions Society of Petroleum Engineers, Technical paper SPE-196932-MS (год публикации - 2019)
10.2118/196932-MS

2. Герке К.М.,Коростылев Е.В.,Романенко К.А., Карсанина М.В. Going submicron in the precise analysis of soil structure: A FIB-SEM imaging study at nanoscale Geoderma, 383, 114739 (год публикации - 2021)
10.1016/j.geoderma.2020.114739

3. Черкасов А., Ананьев А., Карсанина М., Хлюпин А., Герке К. Adaptive phase-retrieval stochastic reconstruction with correlation functions: Three-dimensional images from two-dimensional cuts Physical Review E, 104, 035304 (год публикации - 2021)
10.1103/PhysRevE.104.035304

4. Карсанина М.В., Герке К.М. Stochastic (re)constructions of non-stationary material structures: Using ensemble averaged correlation functions and non-uniform phase distributions Physica A, 61, 128417 (год публикации - 2023)
10.1016/j.physa.2022.128417

5. Алексей Самарин, Василий Постников, Марина Карсанина, Ефим Лаврухин, Дина Гафурова, Николай Евстигнеев, Алексей Хлюпин, Кирилл Герке Robust surface-correlation-function evaluation from experimental discrete digital images Physical Review E, 107, 065306 (год публикации - 2023)
10.1103/PhysRevE.107.065306

Публикации