[논문 리뷰] Deep learning for lithological classification of carbonate rock micro-CT images

Carlos Eduardo Menezes dos Anjos, Manuel R. V. Avila외 5명|arXiv (Cornell University)|2020. 07. 30.

Hydrocarbon exploration and reservoir analysis참고 문헌 49인용 수 5

한 줄 요약

이 연구는 브라질 프리솔트 탄산염암의 미세 CT 영상에 대해 네 가지 합성 신경망(CNN) 아키텍처를 사용한 비파괴적인 퇠퇴 분류를 위한 딥러닝 워크플로우를 제안한다. 공간 피라미드 풀링과 이미지 리사이징을 적용한 최고의 모델은 전체 암석 플러그를 종합적으로 분류할 때 81.33%의 정확도를 기록하여, 자동화된 오일리저보 어휘 분석 작업의 높은 잠재력을 보여주었다.

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.

연구 동기 및 목표

• 딥러닝과 미세 CT 영상 기반으로 브라질 프리솔트 탄산염암 샘플의 퇠퇴 분류를 자동화하기 위해.
• 기존 박층 기반의 퇠퇴 식별 방식에서 발생하는 주관성과 비효율성 문제를 해결하기 위해.
• 3D 미세 구조를 기반으로 하여 비파괴적이고 확장 가능한 미세 CT 영상 분류 워크플로우를 개발하기 위해.
• 전처리(리사이징)와 풀링 기법(SPP, GAP)이 퇠퇴 분류 성능에 미치는 영향을 평가하기 위해.
• 유체 흐름 및 기계적 성질 추정과 같은 후속 작업을 지원하기 위해 더 빠르고 일관성 있는 퇠퇴 레이블링을 가능하게 하기 위해.

제안 방법

• 기본 모델(세 개의 합성곱층과 완전 연결층 포함)을 포함한 네 가지 CNN 아키텍처를 제안.
• 두 가지 변종에서 최대 풀링을 공간 피라미드 풀링(SPP)과 전역 평균 풀링(GAP)으로 대체.
• 최종 모델에서 SPP와 GAP을 조합하여 다중 스케일의 특징 표현을 향상시킴.
• 세 가지 퇠퇴 유형(립스톤, 스톰타올라이트, 스피어룰라이트)에서 유래한 6,000장의 미세 CT 영상을 기반으로 모델을 훈련.
• 계산 비용을 줄이고 추론 속도를 향상시키기 위해 이미지 리사이징을 적용하면서도 정확도를 유지.
• 개별 이미지 분류와 함께, 각 플러그의 예측 중 빈도가 가장 높은 클래스를 최종 레이블로 취하는 통합 플러그 수준 분류 방식을 평가.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 브라질 프리솔트 탄산염암의 미세 CT 영상에서 퇠퇴 분류를 정확하게 수행할 수 있는가?
• RQ2 최대 풀링 대비 SPP 및 GAP와 같은 다양한 풀링 전략이 미세 CT 데이터의 분류 성능에 어떤 영향을 미치는가?
• RQ3 이미지 리사이징은 분류 품질을 떨어뜨리지 않으면서도 정확도 향상과 추론 속도 향상에 기여하는가?
• RQ4 동일한 암석 플러그에서 유래한 이미지의 통합 분류 방식은 개별 이미지 평가 대비 전체 정확도 향상에 기여하는가?
• RQ5 주요 오분류 원인은 무엇이며, 오류를 줄이기 위해 전처리를 어떻게 최적화할 수 있는가?

주요 결과

• 공간 피라미드 풀링을 사용하고 리사이징된 이미지로 훈련된 모델 2는 개별 이미지 분류에서 75.54%의 정확도를 기록하여 가장 높은 성능을 보였다.
• 각 플러그의 예측 중 가장 빈도가 높은 클래스를 기준으로 평가했을 때, 동일한 모델은 81.33%의 정확도를 달성하여 플러그 수준에서 더 높은 강건성을 보였다.
• 이미지 리사이징을 적용함으로써 원본 해상도 이미지를 사용한 모델 대비 훈련 및 추론 시간이 약 3배 감소했다.
• 오분류의 주요 원인은 기공이 채워진 샘플과 다공성 샘플 간의 오분류였으며, 스피어룰라이트 이미지는 구조적 유사성으로 인해 리프스톤 또는 스톰타올라이트로 잘못 분류되는 경우가 많았다.
• 모델은 세 가지 퇠퇴 유형 전반에서 높은 F1 스코어를 유지하여 소수 클래스에 대해서도 일관된 성능을 보였다.
• 결과적으로 SPP와 GAP 풀링을 조합하고 이미지 리사이징을 적용하는 것이, 미세 CT 기반의 퇠퇴 분류에 있어 모델의 일반화 능력과 효율성을 크게 향상시킨다.