Multi-Phase Segmentation of Imaged Fluid Distribution in Porous Media Using Deep Learning

Abstract

Nøyaktig segmentering av CT-bilder er en nøkkelfaktor i utviklingen av Digital Rock Models. Tradisjonell segmenteringsarbeidsflyt er arbeidskrevende ettersom den er avhengig av manuell samhandling og kvalitetskontroll. De fleste nevrale nettverkstilnærminger nytter manuelt segmenterte bilder som ground truths, og slike modeller blir derfor påvirket av operatøren som gjennomfører segmenteringen av ground truth-bildene.

Tidligere forskning har fokusert på segmentering av CT-bilder til faste stoffer og porerom, og segmentering av faste stoffer til mineral. Denne masteroppgaven implementerer flere nevrale nettverksmodeller for automatisk segmentering av mikro-CT bilder til fluidfaser og fast stoff. Såvidt forfatteren vet, er det ikke tidligere publisert forskning om nevrale nettverk som segmenterer fluiddistribusjonen i porerommet.

Masteroppgaven utforsker potensialet for å nytte syntetiske CT-bilder for å trene nevrale nettverksmodeller. En force-biased-algoritme og Lubachevsky-Stillinger-algoritmen blir brukt til å generere kulepakker. Videre blir morfologisk invadering benyttet til å danne en fluiddistribusjon med vann og olje i porevolumet. Disse kulepakkene blir deretter prosessert for å etterligne CT-bilder. Syntetisk datagenerering gjør at ground truth-bildene ikke blir påvirket av den som lagde dem. I denne oppgaven er tre nevrale nettverk trent med syntetiske bilder. Disse nettverkene er testet på ekte mikro-CT-bilder, og resultatene er sammenlignet med segmenteringene fra et nevralt nettverk trent med ekte bilder, der ground truth-bildene er laget ved hjelp av manuell annotering.

Av nettverkene som er trent på syntetiske bilder, er det MultiRes U-Net som gir de beste segmenteringene. Selv om den gir nøyaktige segmenteringer, har den likevel noen svakheter. Svakhetene er trolig knyttet til treningsdataen og kan enkelt fjernes ved å modifisere treningsdatasettet.

Precise segmentation of CT images is a cornerstone in the creation of digital rock models. The traditional segmentation workflow is tedious as it relies on manual interaction and quality control, making it prone to operator bias. Most deep learning approaches use manually segmented images as ground truths, and the models suffer from inherent user bias. Existing published research has only focused on the segmentation of solids and pore space and the segmentation of the solids into minerals.

This thesis implements several deep learning models for automatic segmentation of micro-CT images into multiple fluid phases and solids. To the best of the author's knowledge, there does not exist any published work on deep learning approaches that segments fluid distribution in the pore space as of yet.

The thesis also explores the potential for using synthetic data in the training of deep learning models. The data is created by using a force-biased algorithm and the Lubachevsky-Stillinger algorithm to create jammed sphere packs. Morphological invasion is used to create a fluid distribution consisting of oil and water in the pore space of the sphere packs. Synthetic data creation removes the user bias from the ground truth segmentations that most existing deep learning approaches on porous media segmentation suffer from. Three deep learning models are trained on synthetic images. Their performance on authentic micro-CT images is compared to the segmentations created by a model trained on manual, pixel-wise annotations of the micro-CT images.

MultiRes U-Net is the best performing model trained on synthetic images. It generates accurate segmentations but still has some limitations. These limitations are assumed to be connected to a lack of variety of porosity and contact angles in the training dataset and should easily be resolved by modifying the training dataset.