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

Omar Alfarisi, Aikifa Raza+4 more|arXiv (Cornell University)|Nov 26, 2021

Enhanced Oil Recovery TechniquesEngineering参考文献 59被引用 19

一句话总结

本文提出形态解码器（Morphology Decoder），一种基于机器学习引导的3D视觉框架，通过整合几何建模、有监督分割和多模态图像融合，从微CT和MRI图像中预测非均质岩石的渗透率。与传统的格子玻尔兹曼模拟相比，该方法在显著降低计算成本的同时实现了高精度的渗透率估算，从而实现了高效的行星表面分析与机器人决策。

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).

研究动机与目标

• 解决在非均质岩石渗透率预测中，格子玻尔兹曼模拟存在的高计算成本与误差累积问题。
• 开发一种数据高效、基于机器学习的方法，从3D微CT和核磁共振（NMR）图像中预测渗透率。
• 实现实时、高精度的渗透率估算，以支持行星表面监视与自主机器人探索。
• 提出一种新颖的有监督分割方法，利用可控制可测量体积，将体素强度映射至颗粒与孔喉尺寸。
• 整合多模态3D图像数据（微CT与MRI），以提高渗透率预测的准确性与鲁棒性。

提出的方法

• 采用一种新颖的有监督分割技术，称为“可控制可测量体积”，将体素强度映射至物理颗粒与孔喉尺寸。
• 实施五阶段流程：(1) 几何3D渗透率，(2) 机器学习引导的3D形态识别，(3) 3D图像属性集成模型，(4) MRI渗透率成像仪，(5) 形态解码器融合过程。
• 利用机器学习从微CT与NMR数据提取的分割3D岩石结构中，重建并行与串联流路径。
• 将微CT与MRI数据整合至统一的3D图像属性模型中，以提升渗透率估算的准确性。
• 应用几何拓扑与图像处理技术，提取形态边界，并将其聚合为与渗透率相关的特征。
• 使用已知渗透率的真实白垩纪岩石样本，以格子玻尔兹曼模拟结果作为真实值，对形态解码器进行训练与验证。

实验结果

研究问题

• RQ1 基于机器学习引导的3D视觉系统能否在不依赖计算密集型模拟的情况下，准确预测来自微CT和MRI图像的岩石渗透率？
• RQ2 可控制可测量体积分割方法在多大程度上提升了3D岩石形态中孔喉与颗粒尺寸表征的保真度？
• RQ3 与单模态方法相比，通过3D图像属性集成模型融合微CT与MRI数据，在多大程度上提升了渗透率预测的准确性？
• RQ4 形态解码器能否在显著降低计算成本的同时，实现与格子玻尔兹曼模拟相当或更优的预测精度？
• RQ5 该方法在处理典型行星风化层中常见的非均质岩石结构时，其鲁棒性如何？

主要发现

• 形态解码器相比传统格子玻尔兹曼模拟，将计算成本降低了数个数量级，同时保持了高预测精度。
• 可控制可测量体积分割方法成功地将体素强度映射至物理孔喉与颗粒尺寸，显著提升了空间分辨率。
• 通过3D图像属性集成模型融合微CT与MRI数据，显著提升了渗透率估算的准确性，尤其在低对比度或非均质区域表现更优。
• 该方法在多种白垩纪岩石纹理中均表现出高度一致的渗透率预测性能，证明了其对形态异质性的强鲁棒性。
• MRI渗透率成像仪组件有效捕捉了流体流动动力学，显著提升了最终渗透率估算的整体准确性。
• 形态解码器框架支持实时渗透率推理，适用于部署于行星探测车与自主探索系统。