[论文解读] Reconstruction of 3D Porous Media From 2D Slices

Denis Volkhonskiy, Ekaterina Muravleva+5 more|arXiv (Cornell University)|Jan 29, 2019

Hydrocarbon exploration and reservoir analysis参考文献 26被引用 5

一句话总结

本文提出了一种条件生成对抗网络（cGAN），通过将单张2D微CT切片编码为潜在向量，并以该向量条件化生成器，从而从单张2D切片重建出3D多孔介质结构。该方法实现了低于1%的重建误差，并保持了孔隙度，能够高效生成用于数字岩物理模拟的统计代表性3D岩石模型。

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.

研究动机与目标

• 解决多孔岩石样品3D微CT扫描数据有限且成本高昂的挑战。
• 实现仅从单张2D切片生成统计代表性3D多孔介质结构。
• 克服由于采样限制导致的材料固有属性变异性的实验不可行性。
• 开发一种数据高效的生成模型，以保持孔隙度等关键物理属性。
• 通过支持合成数据生成，为数字岩物理工作流提供流体输运特性分析支持。

提出的方法

• 引入一种条件生成对抗网络框架，其中生成器以2D切片和噪声向量为条件。
• 使用编码器网络将输入的2D切片映射为潜在向量表示，以条件化生成器。
• 使用极小化-极大化损失联合训练生成器和判别器：$\min_G \max_D \mathbb{E}_{x\sim p_{\text{data}}(x)}[\log D(x)] + \mathbb{E}_{z\sim p_{\text{noise}}(z)}[\log(1 - D(G(z)))]$。
• 引入重建损失 $L(s) = \|s - M \odot G(E(s), z)\|_2^2$，以确保输入切片与生成3D结构之间的一致性。
• 采用稀疏3D卷积层以降低内存消耗并提高训练效率。
• 使用实际砂岩的3D微CT扫描数据（Berea、Ketton、S-R）作为真实标签，端到端训练模型。

实验结果

研究问题

• RQ1 深度生成模型能否从单张2D微CT切片重建出逼真的3D多孔介质结构？
• RQ2 生成的3D结构在多大程度上能保持原始岩石的孔隙度和形态特征？
• RQ3 基于编码器的条件cGAN架构在3D生成过程中，对切片一致性的保持效果如何？
• RQ4 该方法能否生成多样化但物理上合理的3D多孔介质样本，以支持统计分析？
• RQ5 如稀疏3D卷积等架构选择对内存效率和重建保真度有何影响？

主要发现

• 所提方法在输入2D切片上的重建误差低于1%，表明其在保持结构细节方面具有高保真度。
• 生成的3D多孔介质的孔隙度值与原始3D微CT扫描结果高度一致，经箱线图比较验证。
• 基于编码器的条件cGAN成功生成了在视觉和定量上均与真实岩石样本一致的3D结构。
• 该模型能够从单张2D输入生成新的、多样化的3D多孔介质构型，支持材料属性的统计分析。
• 采用稀疏3D卷积层显著降低了内存需求，实现了对大尺寸3D体积分辨率的可扩展训练与推理。