| 講演要旨(和文) | | 弾性波速度，浸透率は地球の内部構造の理解につながる重要な物性値であるが，地球内部は温度や圧力，流体特性など，物理化学的特徴は様々である．そのため現状では，多様な岩石試料に対して長い時間をかけて室内実験を行い，その物性を測定している．近年，マイクロCTといったイメージング技術の発達によって実際の岩石の構成粒子の間隙形状を高解像度で取得できるようになった．このデジタル化された岩石モデルに対して数値シミュレーションを適用することで岩石物性を調べることができる．また，これらの数値シミュレーションで得られる物理特性は，岩石の間隙形状と，構成粒子の物性に依存することになる．本研究ではまず畳み込みニューラルネットワーク（CNN）を作成し，数値シミュレーションによって求めたべレア砂岩の弾性波速度を教師データとして学習を行った．そして弾性波速度を推定する最適なCNNの構造について考察を行った． |
|
|
| | 講演要旨(英文) | | Recent improvements in imaging technology such as micro CT have made it possible to visualize pore structure inside rocks with high resolution. By applying numerical simulation to digital rock models, geophysical property such as elastic wave velocity has been broadly estimated. Since elastic wave velocity generally depends on the pore structure of rocks, the elastic wave velocity might be directly estimated from digital rock models by characterizing the pore structure based on machine learning. In this study, we employ convolutional neural network (CNN) to estimate P- and S-wave velocities from CT images of sandstone. For the training data of CNN, we performed two-dimensional numerical simulation using the finite element method. As a result, the loss function of validation data is 0.007km2/s2 in the first experiment. By considering the number of training data, convolutional layer, output data and bias of the data, we can successfully improve the CNN model as the loss function of the elastic wave velocity becomes 0.0025km2/s2. |
|
|
|
| |
|