颗粒形状对于理解颗粒的个体性质和集群表现至关重要。由于颗粒样本的匮乏性，已有研究大都围绕少量规则变化颗粒展开，使用直觉或算法选择的形状描述符（例如球度和 Corey 形状因子）来表征颗粒形状的影响。这使得上述形状描述符在面对形状更为复杂的真实颗粒时，有效性和可信度存疑。为此，我们提出了一种两阶段的颗粒条件生成算法，它能够通过学习少量真实颗粒的XRCT数据，条件地生成具有指定形状特征的真实风格三维颗粒。该算法首先采用 Metaball-Imaging方法将颗粒的XRCT数据转换为规则的低维序列化表达，在此基础上引入一种改进的生成对抗模型，来高效学习颗粒形状与几何特征之间的内在联系，进而实现有效的条件生成。通过对包含290个渥太华砂的数据集的验证，证明了上述方法的有效性和准确性。此外，该算法还催生了“属性孪生”的概念，即具有相同形状特征但实际形态不同的颗粒。这一概念为检验已有形状描述符能否充分表征颗粒形状在各类物理过程中的影响创造了条件。
 

颗粒形状,形状生成,深度生成模型,拖曳力系数,X射线计算机断层扫描