«Автоматизация и информатизация ТЭК»

Применение методов глубокого обучения в актуальных задачах обработки микроКТ образцов керна. Решение обратной задачи, интерполяция разреженных синограмм, фильтрация изображений срезов

УДК: 004.8
DOI: 10.33285/2782-604X-2023-10(603)-48-58

Авторы:

¹ РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия

Ключевые слова: микроКТ, глубокое обучение, машинное обучение, компьютерное зрение, цифровой керн, обратное преобразование Радона, интерполяция синограмм, фильтрация изображений срезов

Аннотация:

Петрофизические параметры критически важны для построения моделей нефтегазовых месторождений. Прогнозируемые показатели добычи углеводородного сырья зависят от точности, объема и репрезентативности петрофизических параметров, используемых в математических моделях процесса разработки. Неразрушающие методы, такие как микрокомпьютерная томография (микроКТ), дают возможность получать 3D-изображения породы с высоким разрешением, что в свою очередь позволяет точнее оценить указанные параметры. Глубокое обучение успешно применяется в разных областях науки, включая обработку данных микроКТ образцов кернов. Эта область привлекает внимание исследователей. В статье проведен обзор актуальных исследований в области применения методов глубокого обучения в обработке синограмм микроКТ образцов кернов и постобработки полученных изображений срезов.

Список литературы:

1. Adler J., Oktem Ö. Learned Primal-Dual Reconstruction // IEEE Transactions on Medical Imaging. – 2018. – Vol. 37, Issue 6. – P. 1322–1332. – DOI: 10.1109/ TMI.2018.2799231
2. Arsenyev-Obraztsov S.S., Volkov E.A., Plusch G.O. Proposals on 3D parallel edge-preserving filtration for x-ray tomographic digital images of porous medium core plugs // IOP Conf. Series: Materials Science and Engineering. – IOP Publishing, 2019. – Vol. 700. 2nd Conf. of Computational Methods in Offshore Technology and First Conf. of Oil and Gas Technology (COTech & OGTech 2019), Nov. 27–29, 2019, Stavanger, Norway. – DOI: 10.1088/1757-899X/700/1/012053
3. Arsenyev-Obraztsov S.S., Plusch G.O. Deep learning based restoration of lost sections in MicroCT core plugs // IOP Conf. Series: Materials Science and Engineering. – IOP Publishing, 2021. – Vol. 1201. Third Conf. of Computational Methods & Ocean Technology (COTech 2021), Stavanger, Norway and Second Conf. of Oil & Gas Technologies in Cold Climate (OGTech 2021), Nov. 25–26, 2021, Moscow, Russia. – DOI: 10.1088/1757-899X/1201/1/012070
4. Attention Is All You Need / A. Vaswani, N. Shazeer, N. Parmar [et al.] // Advances in Neural Information Processing Systems. – 2017. – Vol. 30. – DOI: 10.48550/arXiv.1706.03762
5. Chambolle A., Pock T. A First-Order Primal-Dual Algorithm for Convex Problems with Applications to Imaging // J. of Mathematical Imaging and Vision. – 2011. – Vol. 40, Issue 1. – P. 120–145. – DOI: 10.1007/s10851-010-0251-1
6. Coleman R. Calculus on Normed Vector Spaces. – New York: Springer Science & Business Media, 2012. – XI, 249 p.
7. Da Wang Y., Armstrong R.T., Mostaghimi P. Super Resolution Convolutional Neural Network Models for Enhancing Resolution of Rock Micro-CT Images. – 2019. – URL: http://arxiv.org/pdf/1904.07470v1
8. Deep Convolutional Neural Network for Inverse Problems in Imaging / Kyong Hwan Jin, M.T. McCann, E. Froustey, M. Unser // IEEE Transactions on Image Processing. – 2017. – Vol. 26, Issue 9. – P. 4509–4522. – DOI: 10.1109/TIP.2017.2713099
9. Deep Residual Learning for Image Recognition / Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun // Proc. of the IEEE Conf. on Computer Vision and Pattern Recognition, June 27–30, 2016, Las Vegas, NV, USA. – 2016. – P. 770–778. – DOI:10.1109/cvpr.2016.90
10. Dong X., Vekhande S., Cao G. Sinogram interpolation for sparse-view micro-CT with deep learning neural network // Medical Imaging 2019: Physics of Medical Imaging. – SPIE, 2019. – Vol. 10948. – P. 692–698. – URL: http://arxiv.org/pdf/1902.03362v1
11. Enhanced Deep Residual Networks for Single Image Super-Resolution / Bee Lim, Sanghyun Son, Heewon Kim [et al.]. – 2017. – DOI: 10.48550/ARXIV.1707.02921
12. Ji He, Yongbo Wang, Jianhua Ma. Radon Inversion via Deep Learning // IEEE Transactions on Medical Imaging. – 2020. – Vol. 39, Issue 6. – P. 2076–2087. – DOI: 10.1109/TMI.2020.2964266
13. Image reconstruction by domain-transform manifold learning / Bo Zhu, J.Z. Liu, S.F. Cauley [et al.] // Nature. – 2018. – Vol. 555, No. 7697. – P. 487–492. – DOI: 10.1038/nature25988
14. Low-Dose CT Image Denoising Using a Generative Adversarial Network with Wasserstein Distance and Perceptual Loss / Qingsong Yang, Pingkun Yan, Yanbo Zhang [et al.] // IEEE Transactions on Medical Imaging. – 2018. – Vol. 37, Issue 6. – P. 1348–1357. – DOI: 10.1109/TMI.2018.2827462
15. Low-Dose CT with a Residual Encoder-Decoder Convolutional Neural Network / Hu Chen, Yi Zhang, M.K. Kalra [et al.] // IEEE Transactions on Medical Imaging. – 2017. – Vol. 36, Issue 12. – P. 2524–2535. – DOI: 10.1109/TMI.2017.2715284
16. Image Super-Resolution on PIRM-test. – 2022. – URL: https://paperswithcode.com/sota/image-super-resolution-on-pirm-test (дата обращения 12.12.2022).
17. Super-Resolution on IXI. – 2022. – URL: https://paperswithcode.com/sota/super-resolution-on-ixi (дата обращения 12.12.2022).
18. Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network / C. Ledig, L. Theis, F. Huszar [et al.]. – 2016. – DOI: 10.48550/ARXIV.1609.04802
19. Parikh N., Boyd S. Proximal Algorithms // Foundations and Trends® in Optimization. – 2014. – Vol. 1, No. 3. – P. 123–231. – DOI: 10.1561/2400000003
20. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. – 2015. – DOI: 10.48550/ARXIV.1505.04597
21. Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks / Jun-Yan Zhu, T. Park, P. Isola, A.A. Efros. – 2017. – DOI: 10.48550/ARXIV.1703.10593
22. Ying Da Wang, Mostaghimi P., Armstrong R. A Super Resolution Dataset of Digital Rocks (DRSRD1): Sandstone and Carbonate. – 2019. – DOI: 10.17612/P7D38H
23. Wide Activation for Efficient and Accurate Image Super-Resolution / Jiahui Yu, Yuchen Fan, Jianchao Yang [et al.]. – 2018. – DOI: 10.48550/ARXIV.1808.08718
24. Арсеньев-Образцов С.С., Плющ Г.О. Применение модифицированного фильтра анизотропной диффузии для обработки результатов рентгеновской микрокомпьютерной томографии // Автоматизация, телемеханизация и связь в нефтяной промышленности. – 2019. – № 1(546). – С. 30–40. – DOI: 10.33285/0132-2222-2019-1(546)-30-40