数字岩心技术在探究地质和地球物理领域研究岩石微观结构和物理性质具有重要意义，深度学习技术给数字岩心建模领域提供了一种新途径。近年来，生成式对抗神经网络在三维数字岩心批量建模取得了有效进展。然而，重建高质量、高可控性的非均质数字岩石仍然存在挑战和必要性。
地球科学与技术学院孙建孟教授团队博士生罗歆提出了一种三维多条件去噪扩散概率模型（MCDDPM）框架，以孔隙度和孔径分布为条件，旨在控制生成高质量、异质性三维数字岩心。本研究的创新之处在于：1）将传统二维DDPM网络框架改成三维架构，让模型适用与三维数字岩心重构任务；2）针对异质性数字岩心，除了引入孔隙度条件，还将孔径分布作为模型的条件之一，进而增强异质性数字岩心的重构能力；3）物性条件编码方式，区别于类别标签的独热编码方式不同，物性条件之间的欧氏距离存在物理意义，提出针对物性参数的条件编码方式，将孔隙和孔径分布完全编码进DDPM框架里的U-Net网络架构中。保证U-Net前、后层语义信息严格受物性条件控制。
图1. MCDDPM的数字岩心生成过程
该框架以四川盆地龙王庙组碳酸盐岩为例，收集了10个完整的三维CT扫描样本，通过循环采样和切块操作，得到2000多个643体素的数字岩心并以此为训练集。经过训练、生成与验证，验证结果表明：MCDDPM重建的非均质数字岩石具有较高的精度和多样性，用户结合孔隙度和孔径分布等物性参数可自定义控制MCDDPM模型生成非均质数字岩石。
图2. 不同孔隙和孔径分布下的MCDDPM生成效果
研究成果近期发表在计算机和地学领域重要期刊Computers & Geosciences。论文第一作者为中国石油大学（华东）地球科学与技术学院博士生罗歆，第二作者为中国石油大学（华东）地球科学与技术学院孙建孟教授。
论文信息：Luo, X., Sun, J., Zhang, R., Chi, P. and Cui, R., 2024. A multi-condition denoising diffusion probabilistic model controls the reconstruction of 3D digital rocks. Computers & Geosciences, 184, p.105541,https://doi.org/10.1016/j.cageo.2024.105541.
