پديد آورنده :
قادري، زهرا
عنوان :
افزايش وضوح تصاوير به دست آمده از ميكروسي‌تي اسكن مغزه با استفاده از تكنيك‌هاي يادگيري عميق
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
مهندسي نفت و انتخاب مواد
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
يازده، 58ص، مصور، جدول، نمودار
استاد راهنما :
عليرضا خزعلي، مهران صفاياني
توصيفگر ها :
ميكروسي‌تي‌اسكن مغزه , يادگيري عميق , شبكه مولد تخاصمي , مدل مولد , مدل متمايزگر , وضوح بالا , وضوح كم , افزايش وضوح , خواص سنگ و سيال , تراوايي نسبي , فشار موئينه
استاد داور :
حميدرضا شاهوردي، محمدرضا احمدزاده
تاريخ ورود اطلاعات :
1400/04/24
رشته تحصيلي :
مهندسي شيمي
تاريخ ويرايش اطلاعات :
1400/04/27
چكيده فارسي :
موضوع اين پژوهش افزايش وضوح تصاوير به دست آمده از ميكروسي‌تي‌اسكن مغزه با استفاده از تكنيك‌هاي يادگيري عميق مي‌باشد. بدين منظور يك شبكه مولد تخاصمي پيچشي عميق جهت افزايش وضوح پيشنهاد مي‌شود. معماري شبكه‌هاي مولد تخاصمي شامل دو زير مدل است: يك مدل مولد براي توليد نمونه‌هاي جديد و يك مدل متمايزگر براي دسته‌بندي نمونه‌هاي توليد شده در دو دسته واقعي از دامنه و جعلي كه توسط مدل مولد ساخته شده اند. امروزه براي پردازش تصاوير در شبكه مولد تخاصمي از لايه‌هاي پيچشي به‌جاي لايه‌هاي كاملاً پيوسته استفاده مي‌گردد. همچنين براي توليد تصاوير باكيفيت بهتر يك تابع هزينه به مدل اضافه مي‌شود. با آموزش اين شبكه مي‌توان تصاوير با وضوح بالا را از تصاوير با وضوح كم در ابعاد يكسان توليد كرد؛ كه انجام چنين هدفي به‌عنوان تكنيك‌هاي افزايش وضوح شناخته‌شده است. با تحقق اين هدف، ديگر نياز به‌صرف هزينه زياد جهت عكس‌برداري با وضوح بالا از نمونه مغزه‌هاي كوچك نخواهد بود و همچنين مي‌توان بدون از دست دادن ميدان ديد از تصاوير با وضوح كم، تصاوير با وضوح‌بالا را توليد كرد. با توليد تصاوير افزايش وضوح يافته، خواص سنگ و سيال همچون تراوايي نسبي و فشار موئينه‌ي به‌دست‌آمده از شبيه‌ساز دقيق‌تر خواهد بود. به همين دليل پيش‌بيني دقيق‌تري از عملكرد مخزن خواهيم داشت.
چكيده انگليسي :
The subject of this study is Super Resolution of Micro CT Images of Core Samples Using Deep Learning Techniques. For this purpose, a Super Resolution of Deep Convolutional Generative Adversarial Network (DCGAN) will propose. The Generative Adversarial Network (GAN) model architecture involves two sub-models: a generator model for generating new examples and a discriminator model for classifying whether generated examples are real, from the domain, or fake, generated by the generator model. Todays for image processing in GAN, convolutional layers are used instead of fully connected layers. A cost function has also been added to the model to produce higher quality images. By training this network, high resolution images can be produced from low resolution images in the same dimensions; Achieving such goal is known as Super Resolution (SR). By achieving this goal, it wonʹt necessary to spend a lot of money for taking high-resolution images of small-core samples, and high-resolution images can also be produced without losing the field of view of low-resolution images. By generating super resolution images, the properties of the rock and fluid such as relative permeability and capillary pressure will be obtained more accurately by simulation. For this reason, we will have a more accurate forecast of reservoir performance.
استاد راهنما :
عليرضا خزعلي، مهران صفاياني
استاد داور :
حميدرضا شاهوردي، محمدرضا احمدزاده
