随着微观成像技术和数值模拟方法的发展,基于图像的建模技术已被广泛用于表征多孔介质中的流动与运移过程。固有渗透率(之后简称为渗透率)是多孔介质最重要的水力参数之一。在给定孔隙结构条件下,渗透率可以通过在孔隙中进行计算流体力学模拟来求得。然而,该方法计算代价非常大,无法快速实现。机器学习是近来用于图像处理的热点研究方法。考虑到多孔介质的渗透率只与孔隙几何结构有关,我们在本文中借助机器学习方法发展了一套直接从多孔介质结构图像数据中进行渗透率预测的技术,以避免计算流体力学模拟,实现快速预测。同时,我们也比较了多种机器学习方法的适用性。该方法主要包括三个步骤:(a)生成随机三维多孔介质结构图像样本;(b)利用格子玻尔兹曼法(Lattice Boltzmann Method,LBM)在每个三维孔隙结构中进行流动模拟,根据施加的水力梯度和平均流速计算每一个多孔介质结构的渗透率,建立机器学习需要的数据集;(c)利用一部分结构作为样本训练机器学习模型,用另一部分结构进行预测精度评估。根据输入数据类型的不同,本文中用到的机器学习方法可分为两类。一类是从原始图像数据提取的孔隙特征参数进行渗透率预测,使用多元线性回归方法以及人工神经网络,支持向量机与随机森林等非线性回归方法建立模型。另一类是基于原始图像数据使用卷积神经网络直接预测渗透率。我们以决定系数R2为性能标准,在测试图像样本集中比较了不同机器学习方法在不同类型的输入数据中的预测能力。本文的主要结论如下:(1)当利用孔隙特征参数作为输入数据时,多元线性回归、人工神经网络、支持向量机与随机森林等四种模型在测试集上的性能指标R2均在0.90以上。因此,四种模型均表现出良好的预测能力,其中人工神经网络、支持向量机与随机森林等三种非线性回归方法优于线性回归方法。(2)当使用原始图像数据作为输入时,采用卷积神经网络模型在测试集上的R2值为0.89。以孔隙特征参数作为输入的机器学习方法表现出更精准的预测精度,而卷积神经网络的优势在于能够进行快速预测,并且也有足够的精度。(3)在计算效率上,本文所使用的方法都比由格子玻尔兹曼法计算渗透率快,其中卷积神经网络相比格子玻尔兹曼法效率提升了 1-2个数量级。本研究证明了机器学习方法在快速建立渗透率预测模型中的重要潜力。发展的技术框架也可用于快速预测其它与多孔介质几何相关的特征性质中。