地下岩石作为复杂的多孔介质，具有多尺度的孔隙结构与复杂的物理特性。然而，直接获取岩石在亚微米尺度的三维图像通常较为困难。现有三维成像技术往往需要在分辨率和视场范围之间进行权衡，难以完整刻画岩石的多尺度孔隙系统，特别是微孔隙部分。另一方面，传统的数值重构方法虽然能在一定程度上弥补三维数据的缺失，但所生成的孔隙结构往往过于均匀，缺乏真实的物理意义。因此，如何基于有限的孔隙参数与二维图像，重建出真实、可靠的三维孔隙结构，成为当前多孔介质研究中的关键挑战。针对这一挑战，本研究提出一种基于多维数据融合的孔隙介质重构方法。该方法结合一维孔隙结构参数和二维图像，通过随机生成孔隙网络模型并结合生成对抗网络技术，实现三维数字岩心的高效重建。首先利用最大球算法从真实数字岩心中提取孔隙网络模型，或通过随机生成方式构建孔隙网络的拓扑骨架；随后借助生成对抗网络，将孔隙网络模型与二维图像信息相融合，从而赋予网络模型以真实的孔隙形态。该方法不仅可有效补充CT图像中未能捕捉的微孔隙信息，还在多尺度碳酸盐岩样本的重建中展现出良好的适应性。以Berea砂岩和碳酸盐岩为例的实验结果表明，重建所得的数字岩心在孔隙形态、孔隙结构以及关键物理性质方面均与真实岩心高度吻合。该方法通过结合核磁共振和汞注入毛细管压力实验获得的一维孔隙参数，以及扫描电子显微镜图像，成功构建出多尺度的三维数字岩心。该研究为复杂孔隙介质的微观结构表征提供了新思路，尤其在非常规油气储层的微观输运机理分析与储层评价中具有广泛的应用前景。

数字岩心,深度学习,孔隙网络