شبكة عصبية تتعرف على مرونة الصخور المسامية خلال ثوانٍ ✛ ✦

الأصل: "A convolutional neural network surrogate for hierarchical homogenization: fast elastic moduli prediction of digital rocks"

· Hanfeng Zhai, Rasool Ahmad, Tapan Mukerji, Wei Cai

arXiv:2606.25275 · 2026-06-24 · CC BY 4.0 · 1 دقيقة

الفيزياء الحاسوبية المواد فيزياء الأرض

شبكة عصبية صغيرة تقيّم مرونة الصخر في لحظة، مما يوفر ساعات من حسابات الحواسيب الفائقة.

نريد معرفة مرونة الصخور المسامية. فيما مضى، كان هذا يتطلب حواسيب فائقة وساعات من الحسابات المعقدة. الآن الطريقة بسيطة: نلتقط صورة ثلاثية الأبعاد بالأشعة السينية للعينة، ونقطّعها إلى آلاف المكعبات المجهرية، ثم تحدد الشبكة العصبية مرونة كل مكعب فورًا. بجمع النتائج نحصل على خاصية الصخرة بأكملها – مثلما تضغط على موضع واحد من مرتبة زنبركية وتفهم صلابتها العامة. يقوم الأساس على قانون هوك وأعمال كوشي في المرونة.

مرونة كل مكعب محدودة بطبيعتها: فألين المسام وأصلب المعادن يحددان الإطار، مثلما لا يمكن لـالأقزام البيضاء أن تتجاوز الكتلة الحرجة.

دُرّبت الشبكة العصبية على بيانات حول كيف أن مختلف المعادن تمتص الأشعة السينية، وهي الآن تخمّن الخواص في جزء من الثانية. البرنامج بأكمله يشغل ذاكرة أقل من لعبة هاتف محمول (حوالي 57 مليون معامل)، لكنه يغني عن ساعات من عمل الحاسوب الفائق.

هذا المنهج – تجميع الكل من الأجزاء – يتردد صداه مع أفكار من مجالات أخرى: من البحث عن المادة المظلمة عبر عدسة الجاذبية إلى وصف العالم من خلال الحقول الكمومية و انحناء الزمكان.

الرسم كاملاً →

تشغل الشبكة العصبية ذاكرة أقل من معظم ألعاب الهواتف المحمولة (حوالي 57 مليون معامل فقط)، لكنها تغني عن ساعات من عمل الحاسوب الفائق.

تقربنا هذه التقنية من إنشاء توائم رقمية لباطن الأرض – كما في فيلم "ماتريكس"، ولكن للطبقات الجيولوجية.

K_V = \frac{1}{9} \left( C_{11} + C_{22} + C_{33} + 2(C_{12} + C_{13} + C_{23}) \right)

يحسب معامل الانضغاط الحجمي الفعال من مركبات موتر الصلابة بافتراض تساوي الخواص وتشوه منتظم.

العلماء

Erwin Schrödinger Hugh Everett III Andrey Markov

المفاهيم

الشبكات العصبية التلافيفية تصوير بلوري بالشبكات العصبية تسارع الديناميكا الجزيئية

أنا المؤلف

شبكة عصبية تتعرف على مرونة الصخور المسامية خلال ثوانٍ ✛ ✦