[论文解读] Deep learning of multi-resolution X-Ray micro-CT images for multi-scale modelling

Samuel J. Jackson, Yufu Niu+3 more|arXiv (Cornell University)|Nov 1, 2021

Seismic Imaging and Inversion Techniques被引用 8

一句话总结

本文提出一种基于深度学习的超分辨率框架，采用3D增强深度超分辨率（EDSR）网络，从低分辨率输入重建高分辨率显微CT图像，实现多孔介质的精确多尺度建模。该方法显著提升了连续尺度流动预测的准确性——在不确定性范围内与实验数据吻合，尤其在孔隙尺寸分布较广的系统中表现更优，优于低分辨率模型。

ABSTRACT

Field-of-view and resolution trade-offs in X-Ray micro-computed tomography (micro-CT) imaging limit the characterization, analysis and model development of multi-scale porous systems. To this end, we developed an applied methodology utilising deep learning to enhance low resolution images over large sample sizes and create multi-scale models capable of accurately simulating experimental fluid dynamics from the pore (microns) to continuum (centimetres) scale. We develop a 3D Enhanced Deep Super Resolution (EDSR) convolutional neural network to create super resolution (SR) images from low resolution images, which alleviates common micro-CT hardware/reconstruction defects in high-resolution (HR) images. When paired with pore-network simulations and parallel computation, we can create large 3D continuum-scale models with spatially varying flow & material properties. We quantitatively validate the workflow at various scales using direct HR/SR image similarity, pore-scale material/flow simulations and continuum scale multiphase flow experiments (drainage immiscible flow pressures and 3D fluid volume fractions). The SR images and models are comparable to the HR ground truth, and generally accurate to within experimental uncertainty at the continuum scale across a range of flow rates. They are found to be significantly more accurate than their LR counterparts, especially in cases where a wide distribution of pore-sizes are encountered. The applied methodology opens up the possibility to image, model and analyse truly multi-scale heterogeneous systems that are otherwise intractable.

研究动机与目标

• 解决X射线显微CT成像中视场与分辨率之间的基本权衡问题，该问题限制了多尺度多孔系统的表征。
• 通过深度学习从低分辨率输入生成超分辨率图像，克服高分辨率显微CT在硬件和重建方面的限制。
• 通过将超分辨率与孔隙网络及连续尺度建模相结合，实现从孔隙尺度到连续尺度的流体动力学精确模拟。
• 通过直接图像相似性、孔隙尺度模拟和实验多相流数据，对工作流程进行定量验证。
• 开发一种确定性、可扩展的方法，用于建模原本因传统成像与建模方法难以处理的异质多孔系统。

提出的方法

• 在配对的低分辨率（6 μm）和高分辨率（2 μm）显微CT子体积上训练3D增强深度超分辨率（EDSR）卷积神经网络，以生成超分辨率图像。
• 将生成的超分辨率图像用作孔隙网络建模的输入，以提取孔隙度、渗透率和毛管压力等岩石物理性质。
• 将从孔隙网络模拟中获得的空间变化岩石物理性质填入连续尺度模型，以模拟排水型不混溶多相流。
• 使用IMEX模拟器进行并行化模拟（并通过开源MOOSE/finch进行验证），将模型预测与实验岩芯驱替数据进行比较。
• 通过图像相似性度量（如SSIM）、孔隙尺度流动模拟以及与实验流体体积分数和相对渗透率的直接比较，量化模型准确性。
• 利用公开获取的数据集和代码（Zenodo, GitHub）确保可复现性，并为未来在多尺度多孔系统上对深度学习模型的基准测试提供支持。

实验结果

研究问题

• RQ1 能否利用深度学习从低分辨率输入重建高分辨率显微CT图像，以克服视场与分辨率的硬件限制？
• RQ2 与低分辨率模型相比，超分辨率重建在多大程度上提升了连续尺度流动模拟的准确性？
• RQ3 基于超分辨率的模型在预测实验多相流行为方面表现如何，特别是在孔隙尺寸分布异质的系统中？
• RQ4 当主要流动路径在低分辨率数据中未完全解析时，该方法是否在不同流速和毛细管数下仍保持准确性？
• RQ5 该框架能否通过生成模型（如GANs）扩展至未配对数据，从而更广泛地利用现有文献数据？

主要发现

• EDSR生成的超分辨率图像在定量上与高分辨率真实值相当，图像相似性度量表明其结构保真度强。
• 超分辨率工作流程显著提升了连续尺度流动预测的准确性，在分数流速三个数量级范围内与实验数据的重复性一致。
• EDSR模型优于低分辨率基线模型，尤其在孔隙尺寸分布广泛、LR模型无法捕捉关键异质性的流动区域中表现更优。
• 当主要流动路径已在低分辨率图像中解析时，超分辨率带来的改进减小，表明该方法在最需要的地方增强了分辨率。
• EDSR模型预测的相对渗透率和饱和度在实验不确定性范围内，证明其在不同流动条件下的鲁棒性。
• 该方法完全确定且可扩展，可实现具有空间变化性质的大型3D连续尺度模型，这些性质源自多尺度图像重建。