Speaker
Description
چكيده
با پیشرفت روش‌های تصویربرداری و افزایش توان محاسباتی، استفاده از فیزیک سنگ دیجیتال برای تعیین و محاسبه خواص پتروفیزیکی مغزه‌های مخازن هیدروکربنی گسترش یافته است. تفکیک تصاویر میکروسی‌تی کربناته‌ها به دلیل توزیع گسترده اندازه منافذ و درجه ناهمگنی بالای این سنگ‌ها چالش‌برانگیز است. در این پژوهش، از چارچوبی مبتنی بر شبکه‌های عصبی کانولوشن برای تفکیک تصاویر سنگ کربناته با وضوح فوق‌العاده استفاده شده است تا ریزتخلخل‌ها به‌طور دقیق شناسایی شوند. دو نوع طرح ارائه شده است: (1) با استفاده از یک شبکه عصبی و (2) با ترکیب دو شبکه عصبی برای انجام وضوح فوق‌العاده و تفکیک چندفازی تصاویر میکرو سی‌تی کربناته به سه فاز جامد، ماکرو منفذ و میکرو منفذ. نتایج نشان داد که رویکرد ترکیبی نسبت به رویکرد انتها به انتها در تفکیک چندفازی تصاویر موفق‌تر بوده و در پیش‌بینی تراوایی و کسرهای حجمی هر فاز عملکرد بهتری از خود نشان داده است.
كليدواژه¬ها: سنگ‌های کربناته، تفکیک، ریزتخلخل، وضوح فوق‌العاده، یادگیری عمیق، آنالیز سنگ دیجیتال، تصویر میکروسی‌تی، ضریب همبستگی
1. مقدمه
فیزیک سنگ دیجیتال به عنوان ابزاری قدرتمند در تحلیل خواص پتروفیزیکی مغزه‌های مخزنی مطرح شده است. این فناوری با استفاده از تکنیک‌های تصویربرداری پیشرفته و مدل‌سازی‌های محاسباتی، امکان بررسی دقیق‌تر و عمیق‌تر ساختارهای داخلی سنگ‌ها را فراهم می‌کند. یکی از مهم‌ترین مراحل در این فرایند، تفکیک (segmentation) تصاویر میکروسی‌تی سنگ‌های کربناته است. این تفکیک به شناسایی و تحلیل دقیق‌تر فازهای مختلف، بویژه فضای منفذی، موجود در سنگ‌ها کمک می‌کند که برای ارزیابی خواص پتروفیزیکی ضروری است ]1،2[.
سنگ‌های کربناته به دلیل توزیع وسیع اندازه منافذ و ناهمگنی بالای ساختاری، چالش‌های زیادی در زمینه تفکیک ایجاد می‌کنند. روش‌های سنتی تفکیک، نظیر روش‌های چند آستانه‌ای، معمولاً در شناسایی ریزتخلخل‌ها ناکارآمد هستند و به خطای کاربر حساسیت بالایی دارند. این روش‌ها معمولاً نمی‌توانند به خوبی تفاوت‌های ظریف در ساختارهای میکروسکوپی را شناسایی کنند و اغلب نیازمند تنظیمات دستی و تجربی هستند که دقت و قابلیت اطمینان آن‌ها را تحت تأثیر قرار می‌دهد ]2-4[.
در سال‌های اخیر، استفاده از یادگیری عمیق و به‌ویژه شبکه‌های عصبی کانولوشن (CNN) ]2[، تحول بزرگی در تحلیل سنگ‌های دیجیتال ایجاد کرده است. این روش‌ها به دلیل توانایی بالای خود در استخراج ویژگی‌ها و شناسایی الگوهای پیچیده، به عنوان ابزارهای مؤثری برای تفکیک تصاویر سنگ‌ها شناخته شده‌اند. در این پژوهش، از شبکه‌های عصبی کانولوشن برای تفکیک تصاویر سنگ کربناته با وضوح فوق‌العاده استفاده شده است ]2،3[. هدف اصلی این تحقیق، بهبود دقت شناسایی ریزتخلخل‌ها و ارائه یک روش کارآمدتر برای تفکیک فازهای مختلف سنگ‌های کربناته است.
2. روش کار
در این تحقیق، طرح‌های مختلفی از معماری‌های شبکه‌های عصبی کانولوشن پیاده‌سازی شده‌اند. دو نوع طرح ارائه شده است: یکی شامل یک شبکه عصبی که به‌طور همزمان وضوح فوق‌العاده و تفکیک را انجام می‌دهد (شکل 1(الف))، و دیگری شامل دو شبکه عصبی مجزا که شبکه اول وضوح فوق‌العاده و شبکه دوم تفکیک چندفازی را انجام می‌دهد (شکل 1(ب)). طرح های ارائه شده در این تحقیق برای بهبود کیفیت تصاویر میکروسی‌تی، شبکه چند مقیاسی با وضوح فوق العاده عمیق (MDSR) ]5[ است که در این روش ابتدا فیلتری جهت کنتراست بهتر تصاویر میکروسی‌تی با استفاده از شبکه CNN که از معماری ResNet بهره می‌برد، استفاده شده است و برای فاز تفکیک چند فازی نیز Unet3+ می‌باشد ]4[. داده‌های میکروسی‌تی یک سنگ‌های کربناته خاورمیانه ]6[ (شکل 2) برای آموزش و ارزیابی این شبکه‌ها استفاده شد. معیارهای ارزیابی شامل دقت تفکیک چندفازی، ویژگی‌های توپولوژیکی و اندازه‌گیری خواص پتروفیزیکی بودند. با این رویکرد، تصاویر اولیه با وضوح پایین به تصاویر با وضوح بالا تبدیل شدند و سپس تفکیک دقیق فازهای مختلف صورت گرفت ]6[.
- نتیجه‌گیری
در این تحقیق برای ارزیابی مدل پیشنهادی توپولوزی منافذ را با استفاده از پارامترهای استاندارد مورد استفاده در تحلیل کمی سازه‌های فضایی، مساحت و محیط به صورت دو بعدی و حجم، مساحت سطح و عرض متوسط در محیط سه بعدی بررسی کردیم. پارامتر دیگر مشخصه اولر-پوانکاره است که این پارامترها را به اصطلاح می‌توان توابع مینکوفسکی نامید. نتایج حاصل از این پژوهش نشان داد که رویکرد ترکیبی (dBMDSR-UNet3Plus)، یعنی استفاده از دو شبکه عصبی مجزا برای وضوح فوق‌العاده و تفکیک چندفازی، عملکرد بهتری نسبت به رویکرد انتها به انتها داشت. این رویکرد توانست در تفکیک دقیق‌تر فازها و شناسایی ریزتخلخل‌ها موفق‌تر عمل کند (جدول 1).
شبیه‌سازی جریان تک فاز با استفاده از روش مدل‌سازی شبکه منفذی توسط نرم‌افزار Avizo انجام شد، که تراوایی محاسبه شده توسط این روش در جدول 2 با و بدون اختصاص رسانایی مربوط به فاز میکرو منفذ نشان داده شده است. افزودن رسانایی میکرو تخلخل، تراوایی محاسبه شده را افزایش می‌دهد، زیرا سنگ کربناته مورد نظر درصد نسبتا بالایی از تخلخل حل نشده را دارند. با این حال، سهم در تراوایی محاسبه شده ممکن است به اندازه فاز ماکرو منافذ قابل توجه نباشد. شبکه‌ی پیشنهادی در رویکرد ترکیبی، دقت بالاتری در پیش‌بینی تراوایی کسرهای حجمی هر فاز نسبت به روش‌های سنتی و پیشین (EDSR-UResNet) نشان دادند (جدول 2).
این دستاوردها نشان‌دهنده قدرت و کارایی شبکه‌های عصبی کانولوشن در تحلیل و تفکیک تصاویر سنگ‌های کربناته با وضوح فوق‌العاده است، که می‌تواند بهبود قابل‌توجهی در دقت و کارایی تحلیل‌های پتروفیزیکی فراهم آورد. در نهایت، این پژوهش بر اهمیت استفاده از شبکه‌های عصبی ترکیبی در تحلیل تصاویر سنگ دیجیتال تأکید می‌کند و راه را برای تحقیقات آینده در این زمینه هموار می‌سازد.
جدول 1. گزارش مجموعه ای از اندازه گیری های ریخت‌شناسی برای روش های تقسیم بندی مختلف.
روش ماکرو تخلخل
(macroporosity) میکرو تخلخل
(microporosity) کسر حجمی جامد مساحت سطح ویژه فاز ماکرومنفذ مساحت سطح ویژه فاز میکرومنفذ مساحت سطح ویژه فاز جامد عدد اویلر
HR-Watershed 1781/0 (0.00%) 1266/0 (0.00%) 6953/0 (0.00%) 0433/0 (0.00%) 1065/0 (0.00%) 1287/0 (0.00%) 15833-
(0.00%)
EDSR-UResNet 1881/0 (61/5 %) 1413/0 (61/11 %) 6706/0 (12/1- %) 0375/0 (4/13- %) 0803/0 (6/24- %) 0867/0 (6/32- %) 11278-
(7/28 %)
dBMDSR-UNet3Plus 1802/0 (18/1 %) 1289/0 (82/1 %) 6909/0 (23/2- %) 0369/0 (8/14- %) 0777/0 (1/27- %) 0777/0 (6/39- %) 10673-
(6/32 %)
جدول 2. مقدار تراوایی به دست امده با استفاده از روش های تفکیک مختلف
روش تراوایی ماکرو منافذ
(میلی‌دارسی) تراوایی میکرو و ماکرو منافذ
(میلی‌دارسی)
HR-Watershed 1058
(0.00%) 1359
(0.00%)
EDSR-UResNet 1424
(61/34 %) 1526
(32/12 %)
dBMDSR-UNet3Plus 1140
(74/7 %) 1252
(78/7- %)
4. فهرست مراجع
[1] Song, W., Liu, L., Wang, W., & Jiang, X. (2021). Deep Learning Techniques for Digital Rock Physics and Its Applications in the Petroleum Industry: A Review. Journal of Petroleum Science and Engineering, 196, 107830.
[2] Ranneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. In International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI) (pp. 234-241).
[3] Pham, C. H., Ducournau, A., Fablet, R., & Rousseau, F. (2018). Brain MRI Super-Resolution Using Deep 3D Convolutional Networks. In 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018) (pp. 197-200).
[4] Huang, H., Lin, L., Tong, R., Hu, H., Zhang, Q., Iwamoto, Y., ... & Chen, Y. W. (2020). UNet 3+: A Full-Scale Connected UNet for Medical Image Segmentation. In ICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 1055-1059). IEEE.
[5] Lim, B., Son, S., Kim, H., Nah, S., & Lee, K. M. (2017). Enhanced Deep Residual Networks for Single Image Super-Resolution. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) (pp. 136-144).
[6] Alqahtani, N. J., Niu, Y., Wang, Y. D., Chung, T., Lanetc, Z., Zhuravljov, A., & Mostaghimi, P. (2022). Super-resolved segmentation of X-ray images of carbonate rocks using deep learning. Transport in Porous Media, 143(2), 497-525.
| Student presentation contest | Not Interested |
|---|---|
| Student Poster Contest | Opt In |
| Journal Submission | Consider for Journal Submission |
