Deep mineralogical segmentation of thin section images based on QEMSCAN maps

要約

岩の薄切片の鉱物学的側面を解釈することは、石油とガスの貯水池の評価にとって重要な作業です。
しかし、人間の分析は主観的で面倒な傾向があります。
QEMSCAN（R）などのテクノロジーは、鉱物学的マッピングプロセスを自動化するように設計されていますが、高い金銭的コストや時間のかかる分析などの制限にも悩まされています。
この作業は、炭酸塩岩の薄切片画像の自動鉱物学的セグメンテーションのための畳み込みニューラルネットワークモデルを提案しています。
このモデルは、低コストで一般化された効率的な方法でQEMSCAN自体を模倣することができます。
このため、U-NETセマンティックセグメンテーションアーキテクチャは、対応するQEMSCANマップをターゲットとして使用して、飛行機および交差偏光の薄いセクション画像でトレーニングされます。これは、広く調査されていないアプローチです。
このモデルは、方解石、ドロマイト、Mg粘土鉱物、石英、毛穴、および残りの鉱物相の発生を「その他」という名前のユニークなクラスとして区別するように指示されましたが、その一般化能力に対処するために、トレーニング中に見られた岩石と目に見えない両方で検証されました。
画像とマップはさまざまな解像度で提供されているため、画像登録が適用され、空間的に並べられました。
この研究では、セグメンテーションの品質は、これらの解像度の違いと、学習可能な岩のテクスチャの多様性に大きく依存していることが明らかになりました。
ただし、特に、固体テクスチャ上の鉱物境界の適切な描写と鉱物分布の正確な推定に関して、有望な結果を示しており、予想される分布と予測分布のほぼ線形関係を記述し、測定係数（R^2）は見られた相の0.97、Uneenで0.88に優れています。

要約(オリジナル)

Interpreting the mineralogical aspects of rock thin sections is an important task for oil and gas reservoirs evaluation. However, human analysis tend to be subjective and laborious. Technologies like QEMSCAN(R) are designed to automate the mineralogical mapping process, but also suffer from limitations like high monetary costs and time-consuming analysis. This work proposes a Convolutional Neural Network model for automatic mineralogical segmentation of thin section images of carbonate rocks. The model is able to mimic the QEMSCAN mapping itself in a low-cost, generalized and efficient manner. For this, the U-Net semantic segmentation architecture is trained on plane and cross polarized thin section images using the corresponding QEMSCAN maps as target, which is an approach not widely explored. The model was instructed to differentiate occurrences of Calcite, Dolomite, Mg-Clay Minerals, Quartz, Pores and the remaining mineral phases as an unique class named ‘Others’, while it was validated on rock facies both seen and unseen during training, in order to address its generalization capability. Since the images and maps are provided in different resolutions, image registration was applied to align then spatially. The study reveals that the quality of the segmentation is very much dependent on these resolution differences and on the variety of learnable rock textures. However, it shows promising results, especially with regard to the proper delineation of minerals boundaries on solid textures and precise estimation of the minerals distributions, describing a nearly linear relationship between expected and predicted distributions, with coefficient of determination (R^2) superior to 0.97 for seen facies and 0.88 for unseen.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google