«Автоматизация и информатизация ТЭК»

Применение методов глубокого обучения в актуальных задачах обработки микроКТ образцов керна. Сегментация, восстановление и синтез цифровых кернов

УДК: 004.8
DOI: 10.33285/2782-604X-2023-12(605)-34-43

Авторы:

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

Ключевые слова: микроКТ, глубокое обучение, машинное обучение, компьютерное зрение, цифровой керн, сегментация, минералогическая сегментация, восстановление утраченных областей, 3D-синтез цифрового керна

Аннотация:

В статье рассматривается применение методов глубокого обучения (ГО) при обработке результатов микрокомпьютерной томографии (микроКТ) образцов керна. Продемонстрирован потенциал ГО для решения таких задач, как сегментация, восстановление утраченных областей и синтез 3D-изображений цифрового керна. Результаты показывают, что методы ГО могут служить эффективными решениями такого класса задач и, в свою очередь, имеют высокую ценность для геологических и петрофизических исследований.

Список литературы:

1. Арсеньев-Образцов С.С., Плющ Г.О. Применение методов глубокого обучения в актуальных задачах обработки микроКТ образцов керна. Решение обратной задачи, интерполяция разреженных синограмм, фильтрация изображений срезов // Автоматизация и информатизация ТЭК. – 2023. – № 10(603). – С. 48–58. – DOI: 10.33285/2782-604X-2023-10(603)-48-58
2. Jasim W.N., Mohammed R.J. A Survey on Segmentation Techniques for Image Processing // Iraqi J. for Electrical and Electronic Engineering. – 2021. – Vol. 17, Issue 2. – P. 73–93. – DOI: 10.37917/ijeee.17.2.10
3. Rapid quantitative mineral and phase analysis using automated scanning electron microscopy (QemSCAN); potential applications in forensic geoscience / D. Pirrie, A.R. Butcher, M.R. Power [et al.] // Geological Society London Special Publications. – 2004. – Vol. 232, Issue 1. – P. 123–136. – DOI: 10.1144/GSL.SP.2004.232.01.12
4. Physical Accuracy of Deep Neural Networks for 2d and 3d Multi-Mineral Segmentation of Rock micro-CT Images: A Preprint / Ying Da Wang, M. Shabaninejad, R.T. Armstrong, P. Mostaghimi. – 2020. – DOI: 10.48550/arXiv.2002.05322
5. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. – 2015. – DOI: 10.48550/ARXIV.1505.04597
6. Badrinarayanan V., Kendall A., Cipolla R. SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2017. – Vol. 39, Issue 12. – P. 2481–2495. – DOI: 10.1109/TPAMI.2016.2644615
7. Deep Residual Learning for Image Recognition / Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun // IEEE Conf. on Computer Vision and Pattern Recognition. – 2015. – P. 770–778. – URL: https://arxiv.org/pdf/1512.03385.pdf
8. U-ReSNet: Ultimate Coupling of Registration and Segmentation with Deep Nets / T. Estienne, M. Vakalopoulou, S. Christodoulidis [et al.] // Lecture Notes in Computer Science. Vol. 11766. Medical Image Computing and Computer Assisted Intervention. – Cham: Springer, 2019. – P. 310–319. – DOI: 10.1007/978-3-030-32248-9_35
9. 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. – 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. – P. 012070. – DOI: 10.1088/1757-899X/1201/1/012070
10. Klette R. Concise Computer Vision: An Introduction into Theory and Algorithms. – London: Springer-Verlag, 2014. – XVIII, 429 p.
11. Akima H. A New Method of Interpolation and Smooth Curve Fitting Based on Local Procedures // J. of the ACM. – 1970. – Vol. 17, Issue 4. – P. 589–602. – DOI: 10.1145/321607.321609
12. A practical guide to performing multiple-point statistical simulations with the Direct Sampling algorithm / E. Meerschman, G. Pirot, G. Mariethoz [et al.] // Computers & Geosciences. – 2013. – Vol. 52. – P. 307–324. – DOI: 10.1016/j.cageo.2012.09.019
13. Mariethoz G., Renard P., Straubhaar J. The direct sampling method to perform multiple-point geostatistical simulations // Water Resources Research. – 2010. – Vol. 46, Issue 11. – DOI: 10.1029/2008WR007621
14. Mosser L., Dubrule O., Blunt M.J. Reconstruction of three-dimensional porous media using generative adversarial neural networks // Physical Review E. – 2017. – Vol. 96, Issue 4. – P. 043309-1–043309-17. – DOI: 10.1103/PhysRevE.96.043309
15. Арсеньев-Образцов С.С., Плющ Г.О. Применение методов компьютерной томографии для восстановления утраченных частей керна // Наноявления в геоэкологии и при разработке месторождений углеводородного сырья: от наноминералогии и нанохимии к нанотехнологиям: материалы VII Междунар. конф. "NANOTECHOILGAS-2022", М., 22–23 нояб. 2022 г. – М.: Творческая мастерская, 2022. – С. 345–354.
16. Van den Oord A., Vinyals O., Kavukcuoglu K. Neural Discrete Representation Learning // 31st Conf. on Neural Information Processing Systems (NIPS 2017), Long Beach, CA, USA. – 2017. – DOI: 10.48550/ARXIV.1711.00937
17. Conditional Image Generation with PixelCNN Decoders / A. van den Oord, N. Kalchbrenner, O. Vinyals [et al.]. – 2016. – DOI: 10.48550/ARXIV.1606.05328
18. High-Resolution Image Synthesis with Latent Diffusion Models / R. Rombach, A. Blattmann, D. Lorenz [et al.] // IEEE Conf. on Computer Vision and Pattern Recognition (CVPR). – 2022. – DOI: 10.48550/arXiv.2112.10752
19. Razavi A., van den Oord A., Vinyals O. Generating Diverse High-Fidelity Images with VQ-VAE-2. – 2019. – DOI: 10.48550/ARXIV.1906.00446
20. Sudakov O., Burnaev E., Koroteev D. Driving Digital Rock towards Machine Learning: Predicting Permeability with Gradient Boosting and Deep Neural Networks // Computers & Geosciences. – 2019. – Vol. 127. – P. 91–98. – DOI: 10.1016/j.cageo.2019.02.002