[논문 리뷰] Morphology Decoder: A Machine Learning Guided 3D Vision Quantifying Heterogenous Rock Permeability for Planetary Surveillance and Robotic Functions

Omar Alfarisi, Aikifa Raza외 4명|arXiv (Cornell University)|2021. 11. 26.

Enhanced Oil Recovery TechniquesEngineering참고 문헌 59인용 수 19

한 줄 요약

이 논문은 기하학적 모델링, 지도 학습 세분화, 다중 모odal 영상 융합을 통합하여 미세-CT 및 MRI 영상에서 이질적인 암석의 투과도를 예측하는 기계학습 유도 3차원 시각 프레임워크인 Morphology Decoder를 소개한다. 기존의 격자 뜨르볼름 시뮬레이션에 비해 계산 비용을 줄이고 높은 정확도를 달성하여 행성 표면 분석과 로봇 의사결정에 효율적으로 활용할 수 있다.

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).

연구 동기 및 목표

• 이질적인 암석의 투과도 예측을 위한 기존 격자 뜨르볼름 시뮬레이션의 높은 계산 비용과 누적 오차 문제를 해결한다.
• 3차원 미세-CT 및 핵자기공명(NMR) 영상에서 투과도를 예측하기 위한 데이터 효율적이고 기계학습 기반의 방법을 개발한다.
• 행성 표면 감시 및 자율 로봇 탐사에 적합한 실시간 정확한 투과도 추정을 가능하게 한다.
• 비어 있는 볼륨을 제어하고 측정할 수 있는 방법을 사용하여 병렬 및 직렬 흐름 경로를 추론하는 새로운 지도 학습 세분화 접근법을 제안한다.
• 다중 모달 3차원 영상 데이터(미세-CT 및 MRI)를 통합하여 투과도 예측 정확도와 강인성을 향상시킨다.

제안 방법

• 비어 있는 볼륨을 제어하고 측정할 수 있는 새로운 지도 학습 세분화 기법을 도입하여 볼륨 강도를 물리적 입자 및 다공질 통로 크기로 매핑한다.
• 다섯 단계 파이프라인을 구현한다: (1) 기하학적 3차원 투과도, (2) 기계학습 유도 3차원 형태 인식, (3) 3차원 영상 특성 통합 모델, (4) MRI 투과도 이미저, (5) Morphology Decoder 융합 프로세스.
• 기계학습을 활용해 미세-CT 및 NMR 데이터에서 유도된 3차원 암석 구조의 병렬 및 직렬 흐름 경로를 재구성한다.
• 미세-CT 및 MRI 데이터를 통합 3차원 영상 특성 모델에 융합하여 투과도 추정 정확도를 향상시킨다.
• 기하학적 토폴로지 및 영상 처리 기법을 적용하여 형태 경계를 추출하고, 이를 투과도 관련 특징으로 집계한다.
• 실제 크레타시우스 암석 샘플(기존에 알려진 투과도를 가진)을 사용하여 Morphology Decoder를 훈련 및 검증하고, 격자 뜨르볼름 결과를 기준 진실값으로 사용한다.

실험 결과

연구 질문

• RQ1 기계학습 유도 3차원 시각 시스템은 계산 비용이 높은 시뮬레이션에 의존하지 않고도 미세-CT 및 MRI 영상에서 암석의 투과도를 정확하게 예측할 수 있는가?
• RQ2 제어 가능한 측정 가능한 볼륨 세분화 방법은 3차원 암석 형태에서 다공질 및 입자 크기 표현의 정밀도를 어떻게 향상시키는가?
• RQ3 미세-CT 및 MRI 데이터 융합이 단일 모odal 접근법에 비해 투과도 예측 정확도를 얼마나 향상시키는가?
• RQ4 Morphology Decoder는 계산 비용을 줄이면서도 기존 격자 뜨르볼름 시뮬레이션과 비교해 유사하거나 더 높은 정확도를 달성할 수 있는가?
• RQ5 이 방법은 행성 퇴적물에서 흔히 볼 수 있는 이질적인 암석 구조를 다루는 데 얼마나 강인한가?

주요 결과

• Morphology Decoder는 기존의 격자 뜨르볼름 시뮬레이션 대비 계산 비용을 수 개의 주기로 줄였지만 높은 예측 정확도를 유지한다.
• 제어 가능한 측정 가능한 볼륨 세분화 방법은 더 높은 공간 해상도로 볼륨 강도를 물리적 다공질 및 입자 치수로 성공적으로 매핑하였다.
• 3차원 영상 특성 통합 모델을 통한 미세-CT 및 MRI 데이터 융합은 저대비 또는 이질적인 영역에서 투과도 추정 정확도를 향상시켰다.
• 다양한 크레타시우스 암석 구조에서 높은 일관성 있는 투과도 예측 성능을 보이며 형태 이질성에 대한 강인성을 입증하였다.
• MRI 투과도 이미저 구성 요소는 유체 흐름 역학을 효과적으로 캡처하여 최종 투과도 추정의 전체 정확도에 기여하였다.
• Morphology Decoder 프레임워크는 실시간 투과도 추론을 가능하게 하여 행성 탐사 차량 및 자율 탐사 시스템에의 구현에 적합하다.