[논문 리뷰] Physical Accuracy of Deep Neural Networks for 2D and 3D Multi-Mineral Segmentation of Rock micro-CT Images

Ying Da Wang, Mehdi Shabaninejad외 2명|arXiv (Cornell University)|2020. 02. 13.

Enhanced Oil Recovery Techniques참고 문헌 68인용 수 18

한 줄 요약

이 연구는 암석 마이크로-CT 영상에서 2D 및 3D 다광물 분할을 위한 딥 컨volution 신경망(CNN)의 물리적 정확도를 평가하며, U-Net, ResNet, SegNet 및 새로운 하이브리드 U-ResNet 아키텍처를 비교한다. U-ResNet-3D 모델은 병렬 정확도와 물리적 정확도에서 가장 높은 성능을 보이며, 높은 픽셀 수준 정확도가 투과도와 연결성과 같은 물리적 성질을 정확하게 반영하지는 않음을 시사한다. 이는 정확도가 낮은 모델에서 이러한 물리적 성질이 수개의 주기 수준으로 변동하기 때문이다.

ABSTRACT

Segmentation of 3D micro-Computed Tomographic uCT) images of rock samples is essential for further Digital Rock Physics (DRP) analysis, however, conventional methods such as thresholding, watershed segmentation, and converging active contours are susceptible to user-bias. Deep Convolutional Neural Networks (CNNs) have produced accurate pixelwise semantic segmentation results with natural images and $μ$CT rock images, however, physical accuracy is not well documented. The performance of 4 CNN architectures is tested for 2D and 3D cases in 10 configurations. Manually segmented uCT images of Mt. Simon Sandstone are treated as ground truth and used as training and validation data, with a high voxelwise accuracy (over 99%) achieved. Downstream analysis is then used to validate physical accuracy. The topology of each segmented phase is calculated, and the absolute permeability and multiphase flow is modelled with direct simulation in single and mixed wetting cases. These physical measures of connectivity, and flow characteristics show high variance and uncertainty, with models that achieve 95\%+ in voxelwise accuracy possessing permeabilities and connectivities orders of magnitude off. A new network architecture is also introduced as a hybrid fusion of U-net and ResNet, combining short and long skip connections in a Network-in-Network configuration. The 3D implementation outperforms all other tested models in voxelwise and physical accuracy measures. The network architecture and the volume fraction in the dataset (and associated weighting), are factors that not only influence the accuracy trade-off in the voxelwise case, but is especially important in training a physically accurate model for segmentation.

연구 동기 및 목표

• 딥 러닝 기반의 마이크로-CT 암석 영상 분할에서 높은 병렬 정확도가 투과도 및 연결성과 같은 물리적 성질을 정확히 예측하는지 평가하는 것.
• U-Net, ResNet, SegNet 및 새로운 하이브리드 U-ResNet 아키텍처를 포함한 여러 CNN 아키텍처가 2D 및 3D 다광물 분할 작업에서 어떻게 성능을 내는지 평가하는 것.
• 직접 유동 및 위상 구조 시뮬레이션을 통해 검증된 물리적 정확도가 디지털 암석 물리학에서 중요한데도 자주 간과되는 지표임을 입증하는 것.
• U-Net과 ResNet의 특징을 융합한 새로운 하이브리드 U-ResNet-3D 아키텍처를 제안하고, 그 유효성을 검증하는 것.
• 픽셀 수준 정확도를 넘어서 물리적 정확도를 확보하기 위해 네트워크 아키텍처와 데이터셋 볼륨 분율 가중치 설정의 중요성을 강조하는 것.

제안 방법

• 수작업으로 분할한 마운트 시몬 모래암 마이크로-CT 영상가 학습 및 검증을 위한 기준값으로 사용되었으며, 총 2,662억 병렬로 구성되어 있음.
• U-Net, ResNet, SegNet 및 새로운 하이브리드 U-ResNet 아키텍처의 네 가지 CNN 아키텍처를 2D 및 3D 사례에서 총 10개의 구성으로 학습 및 평가함.
• 하이브리드 U-ResNet-3D 아키텍처를 도입하여, 네트워크 내부에 네트워크 구조에서 U-Net의 스킵 연결과 ResNet의 잔여 블록을 융합함으로써 특징 학습 능력을 향상시킴.
• 물리적 정확도는 후행 시뮬레이션을 통해 검증함: 절대 투과도, 위상 구조(유진 수를 통한), 단일 및 혼합 발착성 조건 하에서의 다상류 유동(LBM 사용).
• 접촉 역할은 광물 종류에 따라 할당됨(예: 석영: 60°, 페타라이트: 70°, 점토: 110°), 비흡착상태 상ases의 진화는 배출 시뮬레이션 동안 유진 수를 통해 추적함.
• 성능 평가 지표는 기준값 대비 병렬 정확도, 투과도 편차, 위상 일관성(유진 수 편차)을 사용함.

실험 결과

연구 질문

• RQ1 딥 러닝 기반의 마이크로-CT 암석 영상 분할에서 높은 병렬 정확도가 투과도 및 연결성과 같은 물리적 성질을 정확히 예측하는가?
• RQ2 U-Net, ResNet, SegNet 및 U-ResNet 아키텍처가 2D 및 3D 다광물 분할에서 픽셀 수준 정확도와 물리적 정확도 측면에서 어떻게 비교되는가?
• RQ3 네트워크 아키텍처 선택과 데이터셋 볼륨 분율 가중치 설정이 분할된 디지털 암석 모델의 물리적 정확도에 어느 정도 영향을 미치는가?
• RQ4 U-Net과 ResNet 구성 요소를 융합한 하이브리드 CNN 아키텍처가 다광물 분할에서 픽셀 수준 정확도와 물리적 정확도를 모두 향상시킬 수 있는가?
• RQ5 유사한 병렬 정확도를 보이는 모델들 간에 투과도 및 위상 구조와 같은 물리적 성질이 어떻게 달라지며, 이는 디지털 암석 물리학에서 모델 선택에 어떤 함의를 갖는가?

주요 결과

• U-ResNet-3D 모델은 99% 이상의 높은 병렬 정확도를 기록했으며, 투과도 및 유진 수 일관성과 같은 모든 물리적 정확도 지표에서 다른 아키텍처를 압도함.
• 95% 이상의 병렬 정확도를 보인 모델들 사이에서도 투과도 및 연결성 값이 수개의 주기 수준으로 변동함을 확인하여, 픽셀 수준 정확도와 물리적 정확도 사이에 심각한 괴리가 있음을 시사함.
• 짧은 스킵 연결과 긴 스킵 연결을 융합한 U-ResNet-3D 아키텍처는 특히 3D 분할에서 뛰어난 특징 학습 능력과 일반화 성능을 보임.
• LBM 시뮬레이션을 통한 물리적 검증 결과, 혼합 발착성 조건 하에서 U-ResNet-3D의 NWP 유진 수는 기준값 대비 오직 2%에서 9%의 편차만 보이며, 높은 물리적 정밀도를 확인함.
• 손실 함수 내 볼륨 분율 가중치 설정이 분할 정확도를 크게 향상시켰으며, 특히 미세 광물 상ases의 경우 두드러진 효과를 보여, 물리적 정확도 모델 학습에 있어 중요성을 강조함.
• 이 연구는 물리적 정확도가 딥 러닝 응용에서 자주 간과되지만, 별개의 필수 지표임을 드러내며, 표준 픽셀 수준 기준을 넘어서 검증이 필요함을 시사함.