MIXSIM3D : Une Nouvelle Méthode d'Apprentissage Curriculum Contrastif 3D Appliquée à la Physique des Roches
Résumé
In this paper, we introduce a new method named MixSim3d, a deep learning self-supervised approach designed to learn meaningful representations and extract relevant parameters from 3D images. It combines curriculum learning and contrastive learning (CL) to improve the robustness of the learned embedded representation of input 3D images. Here, we apply this method in the context of Digital Rocks Physics (DRP) to predict properties, such as porosity and permeability, from the observed 3D datasets. Our evaluation shows that the proposed Mixsim3d method can obtain promising results, outperforming existing baseline self-supervised approaches in particular scenarios.
Dans cet article, nous introduisons une nouvelle méthode appelée MixSim3d, une approche d'apprentissage profond auto-supervisée conçue pour apprendre des représentations latentes pour des tâches de régression, à partir d'images 3D. Elle combine l'apprentissage curriculum (CL) et l'apprentissage contrastif pour améliorer la robustesse de la représentation latente apprise sur les images 3D en entrée. Ici, nous appliquons cette méthode dans le cadre de la Physique des Roches Numérique (PRN) pour prédire des propriétés telles que la porosité et la perméabilité à partir des ensembles de données 3D observées. Notre évaluation montre que la méthode MixSim3d proposée peut obtenir des résultats prometteurs, surpassant certaines approches auto-supervisées de référence existantes dans des scénarios particuliers.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |