PorousMediaGAN使用教程

1. 项目介绍

PorousMediaGAN是一个开源项目，旨在利用生成对抗神经网络（GAN）重建三维多孔介质。该项目由Lukas Mosser、Olivier Dubrule和Martin J. Blunt共同开发，属于地球科学与工程系，伦敦帝国理工学院。通过这一技术，可以实现高分辨率CT扫描数据的多孔介质的三维重建。

2. 项目快速启动

环境准备

在开始之前，请确保您的系统中已安装以下依赖：

• Python
• Jupyter Notebook
• Pandas
• NumPy
• Scipy
• Numba
• PyTorch (推荐使用CUDA版本以加速训练)

您可以使用Anaconda来创建一个Python环境并安装上述依赖。

克隆项目

首先，需要从GitHub克隆项目仓库：

git clone https://github.com/LukasMosser/PorousMediaGAN.git
cd PorousMediaGAN

训练模型

接下来，使用以下命令来训练GAN模型：

python main.py --dataset 3D --dataroot [path to training images] --imageSize 64 --batchSize 128 --ngf 64 --ndf 16 --nz 512 --niter 1000 --lr 1e-5 --workers 2 --ngpu 2 --cuda

请将[path to training images]替换为您的训练图像数据集的路径。

生成图像

训练完成后，您可以使用以下命令生成新的图像：

python generator.py --seed 42 --imageSize 64 --ngf 32 --ndf 16 --nz 512 --netG [path to generator checkpoint].pth --experiment berea --imsize 9 --cuda --ngpu 1

请将[path to generator checkpoint].pth替换为您的生成器检查点的路径。

3. 应用案例和最佳实践

在项目仓库中，有一些Jupyter笔记本可用于分析样本图像，例如：

• Sample Postprocessing.ipynb：用于将图像从hdf5格式转换为tiff格式，并计算孔隙率。
• Compute Covariance.ipynb：用于计算协方差。
• Covariance Analysis.ipynb和Covariance Graphs.ipynb：作为分析样本的示例。

此外，项目还使用了Fiji图像分析软件和MorpholibJ插件来分析生成的样本。

4. 典型生态项目

PorousMediaGAN可以作为多孔介质研究的一个基础工具，其应用领域包括但不限于：

• 油气藏模拟
• 地下水流动分析
• 岩石物理学研究

该项目为研究多孔介质提供了强大的工具，并且可以与其他开源项目相结合，以创建一个更加丰富的多孔介质研究生态系统。