[論文レビュー] Reconstruction of 3D Porous Media From 2D Slices

Denis Volkhonskiy, Ekaterina Muravleva+5 more|arXiv (Cornell University)|Jan 29, 2019

Hydrocarbon exploration and reservoir analysis参考文献 26被引用数 5

ひとこと要約

本稿では、1枚の2次元micro-CTスライスから3次元多孔質媒体を再構築するための条件付き生成対抗ネットワーク（cGAN）を提案する。入力スライスを潜在ベクトルに符号化し、生成器を入力に一致する現実的な3次元構造を生成するように条件づける。本手法は1%未満の再構築誤差を達成し、多孔率を保持しており、デジタルロックスフィックスシミュレーション用の統計的に代表的な3次元岩石モデルの効率的生成を可能にする。

ABSTRACT

In many branches of earth sciences, the problem of rock study on the micro-level arises. However, a significant number of representative samples is not always feasible. Thus the problem of the generation of samples with similar properties becomes actual. In this paper, we propose a novel deep learning architecture for three-dimensional porous media reconstruction from two-dimensional slices. We fit a distribution on all possible three-dimensional structures of a specific type based on the given dataset of samples. Then, given partial information (central slices), we recover the three-dimensional structure around such slices as the most probable one according to that constructed distribution. Technically, we implement this in the form of a deep neural network with encoder, generator and discriminator modules. Numerical experiments show that this method provides a good reconstruction in terms of Minkowski functionals.

研究の動機と目的

• 多孔質岩石サンプルの3次元micro-CTスキャンの入手困難さと高コストの課題に対処する。
• 1枚の2次元スライスから統計的に代表的な3次元多孔質媒体構造を生成可能にする。
• サンプリング制約による固有の材料特性のばらつきを評価することが実験的に困難であるという問題を克服する。
• 多孔率のような重要な物理的特性を保持するデータ効率の良い生成モデルを開発する。
• 合成データ生成を可能にすることで、流体移動特性の分析に向けたデジタルロックスフィックスワークフローを支援する。

提案手法

• 生成器を2次元スライスとノイズベクトルに条件づける条件付きGANフレームワークを導入する。
• エンコーダーネットワークを用いて入力2次元スライスを潜在ベクトル表現にマッピングし、生成器の条件付けに用いる。
• 生成器と識別器をミニマックス損失を用いて同時に訓練する：$\min_G \max_D \mathbb{E}_{x\sim p_{\text{data}}(x)}[\log D(x)] + \mathbb{E}_{z\sim p_{\text{noise}}(z)}[\log(1 - D(G(z)))]$。
• 入力スライスと生成された3次元構造の整合性を強制するため、再構築損失$L(s) = \|s - M \odot G(E(s), z)\|_2^2$を導入する。
• メモリ消費量を削減し、学習効率を向上させるためにスパース3次元畳み込み層を適用する。
• 実際の砂岩の3次元micro-CTスキャン（Berea, Ketton, S-R）を真値として、モデルをエンドツーエンドで訓練する。

実験結果

リサーチクエスチョン

• RQ1 深層生成モデルは1枚の2次元micro-CTスライスから現実的な3次元多孔質媒体構造を再構築できるか？
• RQ2 生成された3次元構造は、元の岩石の多孔率および形態的特徴をどの程度保持できるか？
• RQ3 エンコーダーを用いた条件づけの条件付きcGANアーキテクチャは、3次元生成中にスライスの一貫性をどの程度維持できるか？
• RQ4 本手法は、統計的分析を支援するために多様でありながら物理的に妥当な3次元多孔質媒体サンプルを生成できるか？
• RQ5 スパース3次元畳み込みのようなアーキテクチャ的選択が、メモリ効率と再構築忠実度に与える影響は何か？

主な発見

• 提案手法は、入力2次元スライスに対して1%未満の再構築誤差を達成しており、構造的詳細の高精度な保持を示している。
• 生成された3次元多孔質媒体は、ボックスプロット比較により、元の3次元micro-CTスキャンと類似した多孔率値を示している。
• エンコーダーを用いた条件付きcGANは、視覚的および定量的に実際の岩石サンプルと整合性のある3次元構造を効果的に生成した。
• 本モデルは、1枚の2次元入力から新たな多様な3次元多孔質媒体構造を生成可能であり、材料特性の統計的分析を支援する。
• スパース3次元畳み込み層の使用により、大規模な3次元ボリュームにおけるスケーラブルな学習および推論を実現するためのメモリ要件が削減された。