论文部分内容阅读
目前用于多孔介质重构的多点统计法(MPS)等传统方法需要多次扫描训练图像,然后进行后续复杂的概率计算得到模拟结果,导致重构效率较低,模拟过程复杂,因此提出一种基于自适应深度迁移学习的重构方法。首先利用深度神经网络从多孔介质的训练图像中提取复杂特征,然后在深度迁移学习中添加自适应层以减少训练数据和预测数据之间的数据分布差异,最后使用自适应迁移学习复制这些特征来获得与真实训练数据结构相似的重构结果。通过与典型的多孔介质重构方法 MPS的比较实验,结果显示在多点连通曲线、变差函数曲线和孔隙度方面,该方法重