Resumen

La permeabilidad relativa es un índice clave en la explotación de recursos, el desarrollo energético, el control medioambiental y otros campos. Sin embargo, los métodos actuales de determinación de la permeabilidad relativa son ineficaces e invisibles sin tener en cuenta el orden de humectación ni las características de la estructura de los poros. En este estudio, se diseñaron experimentos de microfluidos para averiguar los factores clave que influyen en la permeabilidad relativa bifásica. Se estableció el reconocimiento inteligente de imágenes optimizado para la extracción de la saturación. Se llevó a cabo el aprendizaje profundo para la predicción de la permeabilidad bifásica basada en las entradas de los experimentos microfluídicos y el reconocimiento de imágenes y se optimizó. Los resultados revelaron que la saturación de la fase, el orden de humectación y la topología de los poros eran los factores clave que influían en la permeabilidad relativa bifásica, con una importancia del 38,22%, 34,84% y 26,94%, respectivamente. El modelo de permeabilidad relativa basado en el aprendizaje profundo tuvo un buen rendimiento, con MSE

• Materias:Dióxido de carbono Perforación de pozos de minas Yacimientos minerales Minería Minas y minería Geofluidos
• Subjects:Carbon dioxide Shaft sinking Mineral deposits Mining Mines and mining Geofluids
• Palabras claves:Permeabilidad relativa, experimento microfluídico, aprendizaje profundo, factores clave, características de la estructura de los poros, reconocimiento inteligente de imágenes, métodos de determinación de la corriente, modelo de permeabilidad relativa, índice clave, explotación de recursos
• Keywords:relative permeability, microfluidic experiment, deep learning, key factors, pore structure characteristics, intelligent image recognition, current determination methods, relative permeability model, key index, resources exploitation