Topological Data Analysis combined with Machine Learning for Predicting Permeability of Porous Media
Dit artikel toont aan dat het combineren van topologische data-analyse met machine learning effectief de permeabiliteit van poreuze media voorspelt door gebruik te maken van structurele, topologische en netwerkgebaseerde kenmerken afgeleid van synthetische en experimentele data.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Vloeistoffen die door gesteente, bodem of kunstmatige filters bewegen, worden geconfronteerd met een labyrint van kleine, kronkelende gangen. Deze materialen, bekend als poreuze media, zijn overal in de natuurlijke en industriële wereld aanwezig, van de aquifers die ons drinkwater leveren tot de reservoirs die olie vasthouden en de membranen die onze lucht zuiveren. Een cruciale eigenschap die bepaalt hoe goed een vloeistof door een dergelijk materiaal kan bewegen, wordt permeabiliteit genoemd. Het is een maatstaf voor hoe gemakkelijk een vloeistof door de kleine openingen tussen vaste deeltjes kan passeren wanneer deze door druk wordt voortgestuwd. Het kennen van deze waarde is essentieel voor ingenieurs en wetenschappers die moeten voorspellen hoe snel water door de grond zal filteren, hoeveel olie er uit een gesteentevorming kan worden gewonnen, of hoe efficiënt een gas ondergronds kan worden opgeslagen.
Traditioneel gezien is het bepalen van dit getal een traag en moeilijk proces. Omdat de interne structuur van deze materialen zo complex en onregelmatig is, vereist het berekenen van de stroming het oplossen van ingewikkelde vergelijkingen die de vloeistofbeweging op microscopisch niveau beschrijven. Het doen hiervan voor een enkele monster vereist vaak krachtige computers en uren aan verwerkingstijd. Hoewel de onderliggende gegevens — de digitale afbeeldingen van het gesteente of de bodem — relatief eenvoudig kunnen worden gegenereerd of vastgelegd, blijft het wiskundige werk om die afbeeldingen om te zetten in een stroomvoorspelling een knelpunt. Deze uitdaging heeft geleid tot een zoektocht van onderzoekers naar snellere manieren om de permeabiliteit te schatten, waarbij zij zich wenden tot een vakgebied dat veel gebieden in de wetenschap heeft getransformeerd: machine learning. Door computers te leren patronen in gegevens te herkennen, hopen wetenschappers de zware berekeningen te omzeilen en de stroomeigenschappen bijna onmiddellijk te voorspellen.
Een team van onderzoekers aan het New Jersey Institute of Technology heeft een frisse aanpak voor dit probleem gekozen door machine learning te combineren met een wiskundig hulpmiddel dat ontworpen is om vorm en connectiviteit te begrijpen. In plaats van uitsluitend te vertrouwen op traditionele metingen van grootte en oppervlakte, onderzochten zij of de "topologie" van het materiaal — de manier waarop de gaten en paden met elkaar verbonden zijn — als een afkorting kon dienen. Zij creëerden een dataset van duizend synthetische poreuze materialen, in feite digitale modellen bestaande uit willekeurig samengepakte sferen die de holle ruimtes in echte gesteenten nabootsen. Voor elk model berekenden zij eerst de exacte permeabiliteit met behulp van standaard, tijdrovende computersimulaties om een betrouwbare waarheid vast te stellen. Deze set bekende antwoorden werd de trainingsgrond voor hun machine learning-systeem.
De onderzoekers reduceerden elk digitaal model vervolgens tot de essentiële kenmerken om te zien welke de computer kon gebruiken om de relatie tussen structuur en stroming te leren. Zij verzamelden drie soorten informatie. Ten eerste maten zij basisstructuurkenmerken, zoals de grootte van de sferen en het totale oppervlak van de holtes. Ten tweede vereenvoudigden zij het complexe 3D-doolhof van gaten tot een netwerk van knooppunten en verbindingen, vergelijkbaar met een metromap, om vast te leggen hoe de paden aan elkaar verbonden zijn. Ten derde pasten zij, het meest opvallend, een techniek toe genaamd topologische data-analyse. Deze methode behandelt de lege ruimte als een landschap en volgt hoe de vorm verandert terwijl men zich voorstelt dat een mist stijgt en daalt over het landschap. Terwijl het mistniveau verandert, verschijnen en versmelten geïsoleerde luchtzakken, en vormen en sluiten lussen of tunnels zich. Door vast te leggen wanneer deze kenmerken verschijnen en verdwijnen, creëerden de onderzoekers een samenvatting van de connectiviteit van het materiaal die verschillend is van eenvoudige groottemetingen.
Zij voedden deze verschillende sets kenmerken aan een neuraal netwerk, een type computerprogramma dat is ontworpen om van voorbeelden te leren. Het doel was simpel: kon de computer kijken naar de structurele, netwerk- of topologische beschrijving van een nieuw, onbekend materiaal en de permeabiliteit correct raden? De resultaten waren opmerkelijk. Wanneer het model werd getraind met alle beschikbare informatie, voorspelde het de permeabiliteit met een foutmarge van minder dan vijf procent, een nauwkeurigheidsniveau dat wedijvert met de veel tragere traditionele simulaties. Nog bemoedigender was dat het model bijna even goed presteerde wanneer het alleen de topologische gegevens of alleen de basisstructuurgegevens kreeg, wat suggereert dat de manier waarop de gaten verbonden zijn net zo belangrijk is als hun grootte.
Niet alle afkortingen werkten echter even goed. De onderzoekers ontdekten dat wanneer zij vertrouwden op enkel de vereenvoudigde netwerkkaart — waarbij de specifieke afstanden tussen verbindingen werden genegeerd — de voorspellingen minder accuraat werden. Dit suggereert dat hoewel de algemene lay-out van de paden ertoe doet, de exacte afstanden tussen hen ook cruciale informatie bevatten die een ruwe kaart mogelijk mist. De studie vergeleek ook de snelheid van de nieuwe methode met de oude. Het berekenen van de permeabiliteit voor alle duizend monsters met de traditionele simulatiemethode nam bijna zesentwintig uur aan computertijd in beslag. In tegenstelling hiertoe kon het machine learning-model, nadat het getraind was, de permeabiliteit voor dezelfde duizend monsters in minder dan vijf seconden voorspellen.
Het werk demonstreert dat machine learning, geleid door een diep begrip van vorm en connectiviteit, een krachtig alternatief kan bieden voor traditionele simulatie. De onderzoekers toonden aan dat door de complexe geometrie van poreuze materialen te vertalen naar een reeks meetbare kenmerken, een computer de vloeistofstroom met hoge nauwkeurigheid en minimale vertraging kan voorspellen. Hoewel de studie werd uitgevoerd op synthetische modellen in plaats van op echte gesteenten, suggereert het succes van de aanpak dat deze technieken uiteindelijk toegepast kunnen worden op experimentele gegevens, wat een snelle en betrouwbare tool biedt voor industrieën die afhankelijk zijn van het begrijpen van hoe vloeistoffen door de aarde bewegen. De bevindingen bevestigen dat de verborgen architectuur van poreuze materialen de sleutel is tot hun gedrag, en dat we met de juiste wiskundige lens die architectuur bijna onmiddellijk kunnen lezen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.