Prediction of Effective Elastic Moduli of Rocks using Graph Neural Networks

要約

この研究では、デジタル CT スキャン画像から岩石の有効弾性率を予測するためのグラフ ニューラル ネットワーク (GNN) ベースのアプローチを紹介します。
マッパー アルゴリズムを使用して、3D デジタル岩石画像をグラフ データセットに変換し、重要な幾何学的情報をカプセル化します。
これらのグラフは、トレーニング後に、弾性係数の予測に効果的であることがわかります。
私たちの GNN モデルは、さまざまなサブキューブ次元から派生したさまざまなグラフ サイズにわたって堅牢な予測機能を示します。
テスト データセットで優れたパフォーマンスを発揮するだけでなく、目に見えない岩石や未踏のサブキューブ サイズに対しても高い予測精度を維持します。
畳み込みニューラル ネットワーク (CNN) との比較分析により、目に見えない岩石の特性を予測する際に GNN の優れたパフォーマンスが明らかになりました。
さらに、微細構造のグラフ表現により、(CNN のグリッド表現と比較して) GPU メモリ要件が大幅に削減され、バッチ サイズの選択における柔軟性が向上します。
この研究は、岩石特性の予測精度を向上させ、デジタル岩石解析の効率を高める上での GNN モデルの可能性を実証しています。

要約(オリジナル)

This study presents a Graph Neural Networks (GNNs)-based approach for predicting the effective elastic moduli of rocks from their digital CT-scan images. We use the Mapper algorithm to transform 3D digital rock images into graph datasets, encapsulating essential geometrical information. These graphs, after training, prove effective in predicting elastic moduli. Our GNN model shows robust predictive capabilities across various graph sizes derived from various subcube dimensions. Not only does it perform well on the test dataset, but it also maintains high prediction accuracy for unseen rocks and unexplored subcube sizes. Comparative analysis with Convolutional Neural Networks (CNNs) reveals the superior performance of GNNs in predicting unseen rock properties. Moreover, the graph representation of microstructures significantly reduces GPU memory requirements (compared to the grid representation for CNNs), enabling greater flexibility in the batch size selection. This work demonstrates the potential of GNN models in enhancing the prediction accuracy of rock properties and boosting the efficiency of digital rock analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google