[論文レビュー] Morphology Decoder: A Machine Learning Guided 3D Vision Quantifying Heterogenous Rock Permeability for Planetary Surveillance and Robotic Functions

Omar Alfarisi, Aikifa Raza+4 more|arXiv (Cornell University)|Nov 26, 2021

Enhanced Oil Recovery TechniquesEngineering参考文献 59被引用数 19

ひとこと要約

本論文では、幾何学的モデリング、教師ありセグメンテーション、マルチモーダル画像融合を統合することで、マイクロCTおよびMRI画像から不均一な堆積岩の透水率を予測する機械学習ガイドド3次元ビジョンフレームワーク「Morphology Decoder」を提案する。伝統的な格子ボルツマンシミュレーションと比較して、計算コストを大幅に削減しながら高い精度の透水率推定を実現し、効率的な天体表面分析とロボット意思決定を可能にする。

ABSTRACT

Permeability has a dominant influence on the flow properties of a natural fluid. Lattice Boltzmann simulator determines permeability from the nano and micropore network. The simulator holds millions of flow dynamics calculations with its accumulated errors and high consumption of computing power. To efficiently and consistently predict permeability, we propose a morphology decoder, a parallel and serial flow reconstruction of machine learning segmented heterogeneous Cretaceous texture from 3D micro computerized tomography and nuclear magnetic resonance images. For 3D vision, we introduce controllable-measurable-volume as new supervised segmentation, in which a unique set of voxel intensity corresponds to grain and pore throat sizes. The morphology decoder demarks and aggregates the morphologies boundaries in a novel way to produce permeability. Morphology decoder method consists of five novel processes, which describes in this paper, these novel processes are: (1) Geometrical 3D Permeability, (2) Machine Learning guided 3D Properties Recognition of Rock Morphology, (3) 3D Image Properties Integration Model for Permeability, (4) MRI Permeability Imager, and (5) Morphology Decoder (the process that integrates the other four novel processes).

研究の動機と目的

• 不均一な堆積岩の透水率予測において、格子ボルツマンシミュレーションの高い計算コストと誤差蓄積の問題に対処すること。
• データ効率的で機械学習駆動の方法を構築し、3次元マイクロCTおよび核磁気共鳴（NMR）画像から透水率を予測すること。
• 天体表面監視および自律的ロボット探査に適した、リアルタイムかつ高精度な透水率推定を実現すること。
• ボクセル強度を粒子および孔食い通路の寸法にマッピングするための、制御可能で測定可能な体積を用いた新しい教師ありセグメンテーション手法を導入すること。
• マイクロCTおよびMRIのマルチモーダル3次元画像データを統合して、透水率予測の精度と耐障害性を向上させること。

提案手法

• ボクセル強度を物理的粒子および孔食い通路寸法にマッピングするための、新規の教師ありセグメンテーション手法「制御可能で測定可能な体積（controllable-measurable-volume）」を採用する。
• 5段階のパイプラインを実装する：(1) 3次元幾何的透水率、(2) MLガイドド3次元形状認識、(3) 3次元画像特性統合モデル、(4) MRI透水率イメージャ、(5) Morphology Decoder統合プロセス。
• 機械学習を用いて、マイクロCTおよびNMRデータから得られるセグメンテーション済み3次元岩石構造から、並列および直列の流れ経路を再構築する。
• マイクロCTおよびMRIデータを統一された3次元画像特性モデルに統合し、透水率推定の精度を向上させる。
• 幾何学的トポロジーおよび画像処理技術を適用して、形状境界を抽出し、透水率関連の特徴に集約する。
• 格子ボルツマンシミュレーションの結果を真値として用い、実際のクレタシウス堆積岩サンプルを用いてMorphology Decoderの学習および検証を実施する。

実験結果

リサーチクエスチョン

• RQ1 計算的に高コストなシミュレーションに依存せずに、マイクロCTおよびMRI画像からの機械学習ガイドド3次元ビジョンシステムが、岩石の透水率を正確に予測できるか。
• RQ2 制御可能で測定可能な体積セグメンテーション手法は、3次元岩石形状における孔および粒子サイズ表現の忠実性をどの程度向上させるか。
• RQ3 マイクロCTおよびMRIデータの統合は、単一モodalアプローチと比較して、透水率予測精度をどの程度向上させるか。
• RQ4 Morphology Decoderは、計算コストを削減しながらも、格子ボルツマンシミュレーションと同等またはそれ以上の精度を達成できるか。
• RQ5 本手法は、天体の風化層に一般的に見られる不均一な岩石構造に対しても、どの程度耐障害性を示すか。

主な発見

• Morphology Decoderは、伝統的な格子ボルツマンシミュレーションと比較して、計算コストを桁違いに削減しながらも、高い予測精度を維持している。
• 制御可能で測定可能な体積セグメンテーション手法は、空間分解能を向上させながら、ボクセル強度を物理的孔および粒子寸法に効果的にマッピングした。
• 3次元画像特性統合モデルを通じたマイクロCTおよびMRIデータの統合により、特にコントラストが低いか不均一な領域において、透水率推定の精度が向上した。
• 多様なクレタシウス堆積岩の形状に対して、透水率予測の整合性が高く、形状の不均一性に対しても耐障害性を示した。
• MRI透水率イメージャコンponentは、流体の流れのダイナミクスを効果的に捉えており、最終的な透水率推定の精度向上に寄与した。
• Morphology Decoderフレームワークは、リアルタイムでの透水率推論を可能としており、天体探査車や自律的探査システムへの実装に適している。