[論文レビュー] Deep learning for lithological classification of carbonate rock micro-CT images

Carlos Eduardo Menezes dos Anjos, Manuel R. V. Avila+5 more|arXiv (Cornell University)|Jul 30, 2020

Hydrocarbon exploration and reservoir analysis参考文献 49被引用数 5

ひとこと要約

本研究では、4つの畳み込みニューラルネットワーク（CNN）アーキテクチャを用いて、ブラジルのプレサル炭酸塩堆積岩のマイクロCT画像を非破壊的に行うためのディープラーニングワークフローを提案する。最高の性能を示したモデルは、空間階層プーリングと画像リサイズを組み合わせており、全岩プラグを一括して分類した際の正確度が81.33%に達し、リザーバー特性評価タスクの自動化の高い可能性を示している。

ABSTRACT

In addition to the ongoing development, pre-salt carbonate reservoir characterization remains a challenge, primarily due to inherent geological particularities. These challenges stimulate the use of well-established technologies, such as artificial intelligence algorithms, for image classification tasks. Therefore, this work intends to present an application of deep learning techniques to identify patterns in Brazilian pre-salt carbonate rock microtomographic images, thus making possible lithological classification. Four convolutional neural network models were proposed. The first model includes three convolutional layers followed by fully connected layers and is used as a base model for the following proposals. In the next two models, we replace the max pooling layer with a spatial pyramid pooling and a global average pooling layer. The last model uses a combination of spatial pyramid pooling followed by global average pooling in place of the last pooling layer. All models are compared using original images, when possible, as well as resized images. The dataset consists of 6,000 images from three different classes. The model performances were evaluated by each image individually, as well as by the most frequently predicted class for each sample. According to accuracy, Model 2 trained on resized images achieved the best results, reaching an average of 75.54% for the first evaluation approach and an average of 81.33% for the second. We developed a workflow to automate and accelerate the lithology classification of Brazilian pre-salt carbonate samples by categorizing microtomographic images using deep learning algorithms in a non-destructive way.

研究の動機と目的

• ブラジルのプレサル炭酸塩堆積岩サンプルの岩性分類を、ディープラーニングとマイクロCTイメージングを用いて自動化すること。
• 従来の薄板断面に基づく岩性同定における主観的で非効率な課題に対処すること。
• 3次元マイクロ構造に基づき、非破壊的かつスケーラブルなマイクロCT画像分類ワークフローを構築すること。
• 前処理（リサイズ）とプーリング技術（SPP、GAP）が岩性分類のモデルパフォーマンスに与える影響を評価すること。
• 下流タスク（流体の流れや機械的性質の推定）を支援するため、より速く一貫性のある岩性ラベル付けを可能にすること。

提案手法

• ベースモデルとして、3つの畳み込み層と全結合層を備えた4つのCNNアーキテクチャを提案。
• 2つの変種で最大プーリングを空間階層プーリング（SPP）とグローバル平均プーリング（GAP）に置き換えた。
• 最終モデルではSPPとGAPを組み合わせ、複数スケールの特徴表現を向上させた。
• 3つの岩性クラス（グレインストーン、ストロマトライト、スフィロライト）からなる6,000枚のマイクロCT画像を用いてモデルを学習。
• 計算コストを低減し、推論速度を向上させるために画像リサイズを適用した。
• 個々の画像分類と、全プラグごとに予測の最頻値を最終ラベルとして採用するプラグ単位の集約分類の両方でモデルを評価した。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、ブラジルのプレサル炭酸塩堆積岩マイクロCT画像の岩性を正確に分類できるか？
• RQ2 プーリング戦略（最大プーリング対SPP対GAP）は、マイクロCTデータの分類パフォーマンスにどのように影響するか？
• RQ3 画像リサイズは、分類品質を劣化させることなく、モデルの正確度と推論速度を向上させるか？
• RQ4 同じ岩プラグからの画像を統合して分類することで、個々の画像評価に比べ全体の正確度が向上するか？
• RQ5 主な誤分類の原因は何か。また、誤りを低減するために前処理をどのように最適化できるか？

主な発見

• 空間階層プーリングを用い、リサイズ画像で学習したモデル2は、個々の画像分類で75.54%の正確度を達成し、最高のパフォーマンスを示した。
• 各プラグの予測クラスの最頻値を採用したプラグ単位の分類では、同じモデルが81.33%の正確度に達し、プラグレベルでの耐性が向上していることが示された。
• 画像リサイズの適用により、元の解像度画像を用いたモデルと比較して、学習時間と推論時間が約3倍短縮された。
• 誤分類の主な原因は、孔隙に満たされたサンプルと多孔質なサンプルとの間であり、構造的類似性のためスフィロライト画像がグレインストーンやストロマトライトに誤分類された。
• すべての3つの岩性クラスで高いF1スコアを維持しており、少数クラスに対しても一貫性のあるパフォーマンスを示した。
• SPPとGAPプーリングを組み合わせ、画像リサイズを適用することで、マイクロCTを用いた岩性分類のためのモデルの汎化性能と効率性が顕著に向上することが示唆された。