[논문 리뷰] Reconstruction of 3D Porous Media From 2D Slices

Denis Volkhonskiy, Ekaterina Muravleva외 5명|arXiv (Cornell University)|2019. 01. 29.

Hydrocarbon exploration and reservoir analysis참고 문헌 26인용 수 5

한 줄 요약

이 논문은 단일 2D 마이크로-CT 단면도에서 3D 다공성 매체를 재구성하기 위해 단면도를 잠재 벡터로 인코딩하고 생성자에 조건을 설정하여 입력과 일致하는 현실적인 3D 구조를 생성하는 조건부 생성 적대 신경망(cGAN)을 제안한다. 이 방법은 재구성 오차가 1% 미만이며 다공성도 유지하여 디지털 암석물리학 시뮬레이션을 위한 통계적으로 대표적인 3D 암석 모델을 효율적으로 생성할 수 있다.

ABSTRACT

In many branches of earth sciences, the problem of rock study on the micro-level arises. However, a significant number of representative samples is not always feasible. Thus the problem of the generation of samples with similar properties becomes actual. In this paper, we propose a novel deep learning architecture for three-dimensional porous media reconstruction from two-dimensional slices. We fit a distribution on all possible three-dimensional structures of a specific type based on the given dataset of samples. Then, given partial information (central slices), we recover the three-dimensional structure around such slices as the most probable one according to that constructed distribution. Technically, we implement this in the form of a deep neural network with encoder, generator and discriminator modules. Numerical experiments show that this method provides a good reconstruction in terms of Minkowski functionals.

연구 동기 및 목표

• 다공성 암석 샘플에 대한 3D 마이크로-CT 스캔의 제한된 가용성과 높은 비용 문제를 해결하기 위해.
• 단일 2D 단면도에서 통계적으로 대표적인 3D 다공성 매체 구조를 생성하기 위해.
• 표본 채취 제약으로 인해 고유 물성의 변동성을 평가하는 데 실험적으로 불가능한 문제를 해결하기 위해.
• 다공성과 같은 주요 물리적 특성을 유지하는 데이터 효율적인 생성 모델을 개발하기 위해.
• 유체 이동 특성 분석을 위한 합성 데이터 생성을 가능하게 하여 디지털 암석물리학 워크플로우를 지원하기 위해.

제안 방법

• 생성자는 2D 단면도와 노이즈 벡터에 조건이 되는 조건부 GAN 프레임워크를 도입한다.
• 입력 2D 단면도를 잠재 벡터 표현으로 매핑하기 위해 인코더 네트워크를 사용한다.
• 최소화-최대화 손실을 사용하여 생성자와 판별기를 함께 훈련한다: $\min_G \max_D \mathbb{E}_{x\sim p_{\text{data}}(x)}[\log D(x)] + \mathbb{E}_{z\sim p_{\text{noise}}(z)}[\log(1 - D(G(z)))]$.
• 입력 단면도와 생성된 3D 구조 간의 일致성을 강제하기 위해 재구성 손실 $L(s) = \|s - M \odot G(E(s), z)\|_2^2$ 를 적용한다.
• 메모리 소비를 줄이고 훈련 효율을 향상시키기 위해 희소 3D 컨볼루션 레이어를 사용한다.
• 실제 모래암의 3D 마이크로-CT 스캔(Berea, Ketton, S-R)을 기준으로 모델을 엔드 투 엔드로 훈련한다.

실험 결과

연구 질문

• RQ1 딥 생성 모델은 단일 2D 마이크로-CT 단면도에서 현실적인 3D 다공성 매체 구조를 재구성할 수 있는가?
• RQ2 생성된 3D 구조는 원래 암석의 다공성과 형태적 특성을 어느 정도 유지하는가?
• RQ3 인코더 기반 조건부 설정을 사용한 조건부 cGAN 아키텍처는 3D 생성 중 단면도 일치성을 얼마나 잘 유지하는가?
• RQ4 이 방법은 통계 분석을 지원하기 위해 다양하면서도 물리적으로 타당한 3D 다공성 매체 샘플을 생성할 수 있는가?
• RQ5 희소 3D 컨볼루션과 같은 아키텍처 선택은 메모리 효율성과 재구성 정밀도에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 입력 2D 단면도에서 재구성 오차가 1% 미만으로 나타나 구조적 세부 사항을 높은 정밀도로 유지함을 시사한다.
• 생성된 3D 다공성 매체는 상자 그림 비교를 통해 원본 3D 마이크로-CT 스캔과 유사한 다공성 값을 보이며 확인되었다.
• 인코더 기반 조건부 설정을 사용한 조건부 cGAN은 실제 암석 샘플과 시각적으로 및 정량적으로 일치하는 3D 구조를 성공적으로 생성하였다.
• 모델은 단일 2D 입력에서 새로운 다양성 있는 3D 다공성 매체 구성 요소를 생성할 수 있어 물성 특성의 통계 분석을 지원한다.
• 희소 3D 컨볼루션 레이어의 사용은 메모리 요구량을 감소시켜 대규모 3D 볼륨에서의 확장 가능한 훈련 및 추론을 가능하게 하였다.