【论文名称】Advances in the application of deep learning methods to digital rock technology
深度学习方法在数字岩石技术中的应用进展
【论文来源】EI检索
【作者单位】长江大学地球物理与油气资源学院、加拿大阿尔伯塔大学土木与环境工程系、东北石油大学地球科学学院、长江大学油气资源勘探技术重点实验室
【论文原文】https://doi.org/10.46690/ager.2023.04.02
文章目录
- 一、 三维数字岩石重建
- 二、 图像分辨率增强
- 三、 图像分割
- 四、 数字岩石参数预测
- 五、 总结
一、 三维数字岩石重建
传统的数字岩石重建方法：物理实验（电镜扫描）、数值重建（模拟退火法、马尔可夫链蒙特卡罗法、截断高斯随机场法、多点统计量）、混合建模（结合前两种，物理获取2D数据，数值重建三维数字岩石）
深度学习算法主要包括生成对抗网络GANs和变分自动编码器VAEs。
(图1 GAN网络结构)
（表1 不同GAN网络变形的优缺点比较）
二、 图像分辨率增强
由于micro-CT的局限性，高分辨率(HR)图像的视场较小，大视场图像的分辨率较低。
深度学习方法：超分辨率卷积神经网络（SRCNN，衍生出EDSR[enhanced deep SR]、WDSR[wide-activation deep SR]）、超高分辨率周期一致性生成对抗网络（SR-CycleGAN）、混合时空深度学习（HSDL）等。
(图2 EDSR结构图)
(图3 WDSR结构图)
（图4 SR-CycleGAN的结构包括(a)两个发生器(GX: Y→X和GY: X→Y)和两个相关鉴别器(DX和DY)，(b)正向循环一致性:X≈GX (GY (X))。(c)后向循环一致性:y≈GY (GX (y))。）
（图5 SR-CycleGAN的离线训练阶段(下)和在线测试阶段(上)）
（图6 LR岩石图像:(上)双三次插值生成的HR结果，(中)SRCycleGAN生成的HR结果，(下)地面真相）
（图7 图像分辨率增强方法比较:(a)参考图像，(b)低分辨率输入图像，(c)规则深度学习图像，(d)双三次插值图像，(e) HSDL生成图像）
SRCycleGAN论文名称：Super-resolution of real-world rock microcomputed tomography images using cycle-consistent generative adversarial networks
HSDL论文名称：Enhancing images of shale formations by a hybrid stochastic and deep learning algorithm
三、 图像分割
传统分割方法：多阈值分割、边缘检测、聚类分割
深度学习方法：卷积神经网络CNN、全卷积网络FCN、Unet、DeepLab、SegNet、Unet++等
（图8 Unet网络架构。左侧为编码器，右侧为解码器，双方采用跳过连接层进行连接）
（图9 最大池索引用于SegNet中的上采样低分辨率图）
（图10 SegNet的基本内部结构）
利用支持向量机、最近邻、随机森林、人工神经网络和U-Net网络模型等多种图像分割方法对页岩SEM图像进行多组分分割。
SegNet论文名称：Application of machine learning techniques in mineral classification for scanning electron microscopy-energy dispersive x-ray spectroscopy (SEM-EDS) images.
(表2 不同模型的预测结果)
（图11 包括四个规则的U-Net的U-Net++模型结构）
U n e t + + \pmb{Unet++} Unet++论文名称：Deep-learning-based workflow for boundary and small target segmentation in digital rock images using UNet++ and IK-EBM
（图12 不同分割方法的分割结果比较）
四、 数字岩石参数预测
深度学习方法：
Tembely等人(2021)使用 C N N \pmb{CNN} CNN来预测三维CT图像的孔隙度、地层因子和渗透率，精度很高。
论文名称：Machine and deep learning for estimating the permeability of complex carbonate rock from X-ray micro-computed tomography
Rabbani等人(2020)提出了一种基于 C N N \pmb{CNN} CNN的工作流，用于估计二值化3D CT图像的各种形态、水力和电气特性。
论文名称：DeePore: A deep learning workflow for rapid and comprehensive characterization of porous materials
(图13 用于参数预测的CNN网络示意图)
数值模拟方法：Wang et al. (2019b)基于OpenFOAM框架建立了三维孔隙网络模型，计算了孔隙网络模型的孔隙度和渗透率。论文名称：Researches on the pore permeability prediction method of 3D digital cores based on machine learning。
五、 总结
本文综述了深度学习方法在三维数字岩石重建、图像分辨率增强、图像分割和数字岩石参数预测等方面的应用。尽管数字岩石技术已经发展了几十年，但仍有许多研究挑战有待解决。本研究中提到的方法已经部分克服了重建、分辨率增强、分割和参数预测任务所带来的挑战。然而，这些方法仍然不能同时考虑训练速度、图像大小和建模精度。因此，人工智能方法在数字岩石领域的应用应得到更全面的发展。数字岩石的重建应受到物理性质的约束，以确保生成的样品的真实性和多样性。目前的构件分割过程大多基于二维切片，不能保证构件在各个方向上的连续性。因此，需要考虑正交切片分割。参数预测不仅要根据图像本身，还要根据孔隙度、孔隙空间分布等物理性质。此外，还可以进一步提高分割的准确性，还需要尝试预测更多的岩石参数。
此外，随着未来智能数字油田的发展成为大势所趋，建议研究人员充分利用深度学习等人工智能方法的强大能力，对采集到的核心数据和属性进行持续学习和更新。与其他常见的数字或动物识别等机器学习任务不同，它在数字岩石领域的应用相对较新，缺乏可靠的数据。因此，有必要建立一个包含岩石数字图像及其物理性质的开源可更新数据库。这将使地质和地球物理数据的结合能够全面、系统地发展可靠的战略，将微观和局部数字岩石技术集成到宏观和整体勘探和开发过程中。
