获得与体积形成特性相匹配的真正代表性的孔尺度图像仍然是地下表征的一个基本挑战,因为自然空间异质性导致提取的子图像显着偏离核心测量值。 这一挑战因数据稀缺而加剧,物理样本仅在稀疏的井位可用。 这项研究提出了一个多条件的生成对抗网络(cGAN)框架,该框架可以生成具有精确控制的属性的具有代表性的孔径图像,同时解决代表性挑战和数据可用性限制。 该框架是在碳酸盐形成的四个深度(1879.50-1943.50 m)的薄段样本上进行训练的,同时在单个统一模型中调节孔隙度值和深度参数。 这种方法既捕获了通用孔隙网络原理,也捕获了特定于深度的地质特征,从具有粒皮层-晶间孔隙度的晶粒状织物到具有无水性夹杂物的晶体纹理。 该模型在所有地层实现了卓越的孔隙度控制(R^2=0.95),平均绝对误差为0.0099-0.0197。 形态学验证证实了关键孔网络特征的保存,包括平均孔隙半径,特定表面积和曲折性,统计差异保持在可接受的地质公差范围内。 最重要的是,生成的图像表现出卓越的代表性,双约束误差为1.9-11.3%,而随机提取的真实子图像为36.4578%。 这种能力为地下表征提供了变革性工具,对于碳储存,地热能和地下水管理应用特别有价值,因为了解孔隙空间的代表性形态对于实现数字岩石物理学至关重要。