PulseAugur
中
实时 03:06:11
English(EN) PCP-GAN: Property-Constrained Pore-scale image reconstruction via conditional Generative Adversarial Networks

PCP-GAN 生成具有可控地质属性的逼真孔隙尺度图像

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为 PCP-GAN 的条件生成对抗网络 (cGAN)，用于生成具有可控地质属性的逼真孔隙尺度图像。该框架通过在薄片图像上进行训练并以孔隙率和深度作为条件，解决了地下特征描述中的空间异质性和数据稀缺性挑战。生成的图像准确反映了整体地层属性，保留了关键的矿物学信息和形态特征，这对于碳储存和地热能等应用非常有价值。 AI

影响 通过生成逼真的地质图像，为能源和环境应用的地下特征描述提供更准确的能力。

排序理由 该集群包含一篇详细介绍用于图像重建的新模型 (PCP-GAN) 的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

PCP-GAN 生成具有可控地质属性的逼真孔隙尺度图像

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Ali Sadeghkhani, Brandon Bennett, Masoud Babaei, Arash Rabbani ·

    PCP-GAN: Property-Constrained Pore-scale image reconstruction via conditional Generative Adversarial Networks

    arXiv:2510.19465v2 Announce Type: replace-cross Abstract: Obtaining truly representative pore-scale images that match bulk formation properties remains a fundamental challenge in subsurface characterization, as natural spatial heterogeneity causes extracted sub-images to deviate …

相关实体

相关话题