[論文レビュー] Geological modeling using a recursive convolutional neural networks approach

Sebastian Avalos, Julián M. Ortíz|arXiv (Cornell University)|Apr 27, 2019

Reservoir Engineering and Simulation Methods被引用数 6

ひとこと要約

本稿では、多次元統計（MPS）を用いた3次元地質モデリングのための再帰的畳み込みニューラルネットワーク（RCNN）フレームワークを提案する。訓練画像としての堆積物の訓練画像を用いて、希釈したハードデータに条件づけられた空間的パターンをシミュレートする。本手法は、5%および2%の条件づけデータでも、複雑な堆積物構造と2点統計を的確に再現し、空間的パターン学習およびシミュレーションの忠実度において高い頑健性を示した。

ABSTRACT

Resource models are constrained by the extent of geological units that often depend on the lithology, alteration and mineralization. A three dimensional model of these geological units must be built from scarce information coming from drillholes and limited understanding about the geological setting in which the ore deposit is places. In this work, we present a new technique for multiple-point geostatistical simulation based on a recursive convolutional neural network approach (RCNN). The method requires conditioning data and a training image that depicts the type of geological structures expected to be found in the deposit. This training image is used to learn the patterns of categories found and these are imposed in the final simulated model conditioned by the categories found during logging at the actual drill-hole samples. A lithological modeling process is carried out in a copper deposit in Chile to demonstrate the method. Comparison with current techniques and spatial metrics are used to clarify concepts and RCNN properties. Also, strengths and weaknesses of the methodology are discussed by briefly reviewing the theoretical perspective and looking into some of its practical aspects.

研究の動機と目的

• ディープラーニングと多次元統計（MPS）を統合し、3次元地質モデリングを改善すること。
• 訓練画像から地質的パターンを学習し、希釈したハードデータに条件づけられた堆積物をシミュレートする再帰的畳み込みニューラルネットワーク（RCNN）を開発すること。
• RCNNが3次元堆積物モデルにおける複雑な空間的構造と統計的性質をどの程度再現できるかを評価すること。
• 可視化、変動関数、空間指標を用いて、異なるデータ密度下での性能を評価すること。

提案手法

• RCNNアーキテクチャは、4層の隠れ層を有する4つのネストされたCNNと、3つの全結合層を用い、3次元訓練画像から階層的な空間的特徴を抽出する。
• 畳み込み層は、バッチ正規化とReLU活性化関数を伴う学習可能なフィルタを適用し、空間的パターンを抽出した後、最大プーリングにより次元を低減する。
• ネットワークは3次元訓練画像（TI）からの地質的パターンの再現を学習し、その後、サンプル位置におけるハードデータに条件づけた実現をシミュレートするために使用される。
• 100×100×50の3次元バイナリ堆積物モデルを合成的に生成し、そのうち1つの50×50×50セクタを訓練画像として、残りの3つをグランドトゥルースとして使用した。
• 条件づけデータは、グランドトゥルースセクタ全体にわたる垂直なドリルホールサンプルとして、5%および2%の密度で適用された。
• 性能評価は、可視化（ランダム実現、Eタイプ、分散マップ）および実験的変動関数（オムニ水平および垂直）を用い、実現結果をTIおよびグランドトゥルースと比較した。

実験結果

リサーチクエスチョン

• RQ1 再帰的畳み込みニューラルネットワーク（RCNN）は、多次元統計フレームワークにおいて、訓練画像から複雑な3次元地質的パターンを的確に学習し再現できるか？
• RQ2 RCNNは、ハードデータポイントがたった2%または5%の条件下でも、堆積物構造をどの程度正確にシミュレートできるか？
• RQ3 実験的変動関数を用いて測定した場合、RCNNは訓練画像およびグランドトゥルースと比較して、2点空間統計をどの程度正確に保持しているか？
• RQ4 可視化および変動関数指標は、データの不足とシミュレーション忠実度のトレードオフをどの程度反映しているか？

主な発見

• RCNNは5%の条件づけデータを用いても、合理的な連続性と形状忠実度を有する堆積物構造を的確に再現したが、2%のデータでは特にデータが少ない領域でよりぼやけた構造が得られた。
• Eタイプの実現とグランドトゥルースとの視覚的比較では、全セクタにおいて堆積物ユニットの存在・非存在において強い一致が確認された。
• 実現からの変動関数は、グランドトゥルースおよび訓練画像とよく一致しており、実現の分散は0.17（2%）および0.19（5%）であり、ターゲットの0.18に近い値であった。
• RCNNは距離に応じた一貫性ある2点統計を維持しており、実現のフラクチュエーションパターンは訓練画像よりもグランドトゥルースに近い傾向を示した。
• 本手法は、低密度のデータ下でも空間的連続性と接続性を的確に捉えることができ、訓練画像からの強力な一般化能力を示した。
• RCNNは損失関数にバイナリ比を強制しなかったが、それでも現実的な比を達成したが、この点はトレーニングにおける課題のまま残っている。