3D マルチスケールとスーパーを使用した微孔質火山岩の微細構造と岩石物理学的特性の探索

Sep 25, 2023

Scientific Reports volume 13、記事番号: 6651 (2023) この記事を引用

720 アクセス

1 オルトメトリック

メトリクスの詳細

デジタル岩石物理学は、地球の物質を 3D かつ非破壊で調査するための強力な視点を提供します。 しかし、微細孔のある火山岩は、火山学、地熱、工学などの用途で数多く研究されていますが、微細構造が難しいため、これまであまり適用されていませんでした。 実際、それらの急速な発生により、微細で不均一な石化したマトリックス中に細孔が分散した複雑なテクスチャが形成されます。 私たちは調査を最適化し、革新的な 3D/4D イメージングの課題に対処するためのフレームワークを提案します。 X 線マイクロトモグラフィーと画像ベースのシミュレーションを通じて凝灰岩の 3D マルチスケール研究が実行され、微細構造と岩石物理的特性の正確な特性評価には高解像度スキャン (≤ 4 μm/px) が必要であることがわかりました。 ただし、大きなサンプルの高解像度イメージングには、小さな岩石の体積をカバーするために長時間の硬 X 線が必要になる場合があります。 これらの制限に対処するために、2D/3D 畳み込みニューラル ネットワークと敵対的生成ネットワーク ベースの超解像度アプローチを実装しました。 低解像度画像から高解像度画像へのマッピング関数を学習し、低解像度スキャンの品質を向上させることができます。 これは、深層学習ベースの超解像度を、型破りな非堆積物のデジタル岩石や実際のスキャンに適用する最初の取り組みの 1 つです。 私たちの発見は、これらのアプローチ、および主にペアデータで訓練された 2D U-Net および pix2pix ネットワークが、大きな微孔質 (火山) 岩石の高解像度イメージングを強力に促進できることを示唆しています。

大規模な爆発的噴火中の火山噴出物の急速な堆積と石化により、通常は凝灰岩 (つまり、固まった火砕屑) の形で、大量の微多孔質の岩石が生成されます。 したがって、それらは通常、表面岩石と地下岩石の両方として火山地域に広く分布しており、帯水層が発達し、地熱貯留層が存在する可能性があり、火山の動態や監視ネットワークによって検出される関連信号に影響を与えます。 したがって、それらの微細構造と岩石物理的特性の研究は、火山学、地熱エネルギー、石油とガス、水文地質学、およびその他の工学（建築材料、核廃棄物貯蔵、CO2 吸着/回収など）の用途にとって価値があります1、2、3、4、5。 、6、7、8。 しかし、これらの岩石の急速な起源は複雑な微細構造をもたらし、細孔が非常に細かく不均一な石化したマトリックスに分散しているため、その探査は困難となっています。 特に、凝灰岩は、火山（降下物または流れ）灰の固結相当物、すなわち、異なるサイズ（< 2 mm）、性質（火山ガラス、結晶、および侵食された地下/表層の岩石）および形状の破片として定義されます9。 最も一般的な凝灰岩は、通常、高温 (最大 > 600 °C)、高速 (最大 > 300 m/s)、大量の (最大 > 1000 km3、最大 > 20,000 km2 をカバーする) 火砕流密度流の定置から発生します。ガスと火山粒子の混合物からなる。 火山ガラスの堆積後の変質は、新しい鉱物（ゼオライト、粘土など）の形成を促進し、その構造をさらに石化させて複雑にする可能性があります10。

最近の技術の進歩により、デジタル岩石物理学のフレームワークで、岩石の質感と特性を 3D かつ非破壊的に特徴付けることが可能になりました。 岩石サンプルは X 線マイクロトモグラフィー (マイクロ CT) でスキャンされて 3D デジタル岩石が取得され、その後セグメント化され (つまり、さまざまな相が識別されラベル付けされ)、微細構造パラメータの定量化と数種類の数値シミュレーションによる物理的特性の推定に使用されます11。 、12、13、14、15。 これにより、さまざまな空間スケール（サンプル/コアスケールから細孔スケールまで）および時間スケール（つまり、現場または現場外の実験中の4Dイメージング）で物理プロセスをより適切に調査し、さまざまな条件で複数のシミュレーションを実行し、保存することが可能になります。将来の分析用のサンプル (特にコアの穴あけに役立ちます)。 ただし、他のイメージング技術と同様に、マイクロ CT では、細孔空間を適切に解決できる解像度 (またはピクセル サイズ) と、代表性を保証できる視野 (FoV、つまりイメージ化できるサンプル体積) との間のトレードオフが必要です。 。 さらに、より大きなサンプル（岩石コアなど）からより小さなFoVを高解像度でスキャンするには、関連するアーティファクトは含まれませんが、過度に長いスキャン時間または硬X線が必要になる可能性があります15。 いくつかの研究では、特に微細なテクスチャーが存在する場合 (例、炭酸塩の微細孔率 16、17、18、19)、低解像度がデジタル岩石の定量的特性評価に悪影響を与える可能性があることを実証しました。

近年、ディープラーニングベースの超解像アプローチはコンピュータービジョンの分野で急速に拡大しており、畳み込みニューラルネットワーク（CNN）と敵対的生成ネットワーク（GAN）に基づく超解像手法が特に効率的であることが証明されています。 これらのアプローチにより、低解像度 (LR) 画像から高解像度 (HR) 画像へのマッピング関数を学習して、低解像度画像の品質を向上させることができます20。 したがって、さまざまな特徴を持つデジタル岩石に対するこれらの方法の有効性をテストすることは、高解像度で大量のサンプルを実現したり、高速低品質スキャン（保存するサンプルや 4D イメージングなど）を強化したりするなど、デジタル岩石物理学のワークフローを改善するために重要です。大規模な実験装置および/または高い時間分解能を備えたもの)。 この方向ではいくつかの先駆的な取り組みが行われ、非常に有望な結果につながっていますが、ほとんどの場合、LR 画像は HR スキャンから合成的にダウンサンプリングされ、従来の堆積デジタル岩石のみが使用されました 18,20,21,22,23,24,25 (詳細は20,25を参照)。

この研究では、「型破りな」デジタル岩石（つまり、デジタル岩石物理学の枠組みではほとんど調査されていない）である微孔質凝灰岩の微細構造と流動特性の3D非破壊特性評価を最適化する方法を探索します。 実際、その応用範囲は広いにもかかわらず、これまでマイクロ CT での研究はほとんど行われていませんでした。これは、おそらく微細構造が難しいためと考えられます。 我々は、解像度とFoVの間の合理的なトレードオフを見つけるために、ピクセルサイズ（16から1.75μm）と視野を徐々に減少させ、露光時間を増加させる凝灰岩コアのマルチスケールイメージングを提案します。 次に、いくつかの 2D および 3D、CNN および GAN​​ ベースの超解像度アプローチを実際の HR および LR 画像に適用して、イメージングをさらに改善しました (実際のイメージングおよび画像レジストレーション中に発生するアーティファクトや問題を考慮するための合成ダウンサンプリングを回避します)。 特に、これらの複雑なデジタル ロックを効果的かつ迅速に超解像するために、いくつかの科学およびコンピューター ビジョンの分野で堅牢な結果を示したネットワークが実装されました。 得られた 3D 画像は、輸送パラメータを計算して評価されました。 私たちは、ヨーロッパ最大の第四紀の火山噴火の主な生成物であるカンパニアン無焼成岩 (CI) 凝灰岩を調査しました。この噴火では、約 457 ～ 660 km3 の火砕物が放出されました 26 (図 1)。 この噴火は、ヨーロッパで最も危険な活火山地域の 1 つであるカンピ フレグレイ カルデラ (イタリア、ナポリ) から発生しました 27,28,29。そこでは表面の凝灰岩が広く分布しており、カルデラを充填する堆積物は地下の凝灰岩が大半を占めています 5。

カンパニアン無焼成凝灰岩の位置、分布、側面および 3D イメージング。 (a) 陸上のカンパニアン無火炎火砕火砕流密度流によって覆われた領域 (Google Earth プロ 7.3.6 の地図上に Silleni らの制約に従って黄色で描画 26: https://www.google.com/earth/about/バージョン/)。 (b) 実験室での測定に使用されたカンパニアン無焼成凝灰岩のコアの断面図 (直径: 54 mm、高さ: 103 mm)。 (c) 3D マルチスケール X 線イメージング。 左：X線マイクロトモグラフィーによって取得された凝灰岩コア（直径約20 mm、高さ約40 mm）。 右: ピクセル サイズと視野を徐々に減少させ、露光時間を増加させて取得した 3D スキャン: 低解像度 (LR; 16 μm/px)、高解像度 (HR; 4 μm/px)、および非常に高い解像度 (VHR; 1.75 μm/px) px) スキャン (XZ 平面)。 (d) ペアの超解像度モデルのトレーニングと検証に使用される低解像度 (LR) 画像 (入力) とそれに対応する高解像度 (HR) の画像 (グラウンド トゥルース) 。

デジタル岩石研究は、岩石の微細構造と物理的特性を 3D かつ非破壊で定量的に調査するための強力なツールです。 これまでの調査は主に堆積岩（特に砂岩と炭酸塩）に焦点を当てていた 11,12,13,14 が、火山岩を含む他の種類の岩石にも急速に拡大しつつあります 3,29,30,31,32,33。 現在、比較的単純なテクスチャーを持つ未固結の火山火砕流と溶岩についてはいくつかの研究が利用可能ですが、固結した微孔質の火山岩を調査する取り組みはほとんど行われていません 6,7。 特に、私たちの知る限り、それらの応用範囲は広いにもかかわらず、おそらくそれらの微細構造が困難であるため、それらの特性はデジタル岩石物理学の枠組みで体系的かつ定量的に調査されたことはありません。

微孔質凝灰岩は、古典的な経験式または半経験式（例：Kozeny-Carman）式を取得して単純に推定することができない流動特性間の複雑な関係を示す可能性があります（図2a）。 したがって、特定の調査で対象のサンプルを検査することが重要になる可能性があります。

カンピ・フレグレイ凝灰岩の岩石物理学的性質とカンパニアン無鉄砲石凝灰岩の調査結果。 (a) 従来の実験室アプローチを使用したカンピ フレグレイ カルデラ (CFc) 凝灰岩に関する文献データ 57、58、59、60。 カンパニアン無鉄砲石 (CI) 凝灰岩のデータは灰色で示されています。 CI 凝灰岩は、高度に多孔質で中程度の透過性を有する材料として分類でき、その水硬性特性は、組成、軽石の高含有量、および耐火炎鉱床の溶着の程度に大きく依存します。 他の凝灰岩は主にナポリの黄色凝灰岩、ガウロ、ラ ピエトラ、ニシダ、バイアの噴火中に発生しました。 (b) LR、HR、VHR 画像 (中央 6403 ピクセル) および超解像画像 (すべて 25603 ピクセル: 6403 ピクセル × 倍率 4) のデジタル岩石物理解析によって推定された空隙率 (上) と透水率 (下) 、総気孔率、固有透過率の中心 9003 ピクセル、計算システムで利用可能な最大体積、図 6 も参照）、最適にトレーニングされたモデル (2D U-Net および pix2pix) を LR 画像に適用して得られます。 閾値の変動の影響（つまり、閾値感度）も示されており、閾値が最適値（つまり、Otsu 値、x 軸の 0 および円記号）から逸脱するにつれて総気孔率を推定します。 実験室データは比較のために提供されています。

それらの特性評価を最適化するために、我々はカンピ・フレグレイ・カルデラに広く分布するヨーロッパ最大の第四紀火山噴火の主な生成物であるカンパニアン無火炎輝石凝灰岩のマルチスケール・イメージングを実行し、いくつかの科学的および産業的応用について調査した3,4,5, 26、29（図1a、b）。 3 つの 3D スキャン (約 10003 ピクセル) が、マイクロ CT によって取得され、解像度が徐々に向上しました。LR (低解像度)、HR (高解像度)、および VHR (超高解像度) スキャンで、ピクセル サイズは 16、4、および 1.75 μm です。 、それぞれ（図1c、d）。 他のイメージング技術と同様に、この技術の主な制限は、サンプルのより高い解像度でのスキャンは、より小さな視野とより長いスキャン時間を犠牲にしてのみ得られることです。 したがって、細孔空間を適切に分解できる解像度、サンプルの代表性を保証できる視野、良好な画質を達成するための許容可能なスキャン時間の間のトレードオフが必要です。 さまざまなスキャンの効率を評価するための最も信頼できるアプローチの 1 つは、それらの岩石物理的特性を、国際基準に従って測定された同等の実験室データと比較することです12、17、20。

LR、HR、VHR スキャンで総気孔率 0.74、0.49、0.48 (浸透気孔率 = 99%) と固有透過率 518,021、1649、443 mD が得られ、Otsu アルゴリズムによるセグメンテーションと、 6403ピクセルの中心体積に対する格子ボルツマン法による透水性シミュレーション（図2b）。 一方、実験室測定により、平均全気孔率 0.51 および固有透過率 476 mD が得られました。 私たちのデータは、LRスキャンはコア幅の大部分をカバーしているものの、細孔を適切にセグメント化するにはピクセルサイズが高すぎるため、多孔性と透過性が全体的に過大評価されていることを示しています（図2b）。 詳細には、解像度が低いため、小さな細孔とマトリックス粒子が適切に区別されず、その結果、分割されたデジタル岩石の一部が過大予測 (一般的な細孔分率および/または非常に細かいマトリックスによる) または過小予測 (一般的な固形分率および非常に細かいマトリックスによる) になります。 /または非常に小さな細孔）細孔空間（図3、4）。 これは、堆積岩に関するいくつかのデジタル岩石研究と一致しています16、17、18、19。 逆に、HRスキャンは、細孔空間を適切に分解できるピクセルサイズ（図3、4）と代表性を保証できる視野を備えており、実験室データとほぼ一致した岩石物理学的特性を示します（図2b）。 最後に、VHR スキャンでは、視野が狭いにもかかわらず、実験室データにさらに近い値を得ることができます (図 2b)。 これはデジタル測定と実験室測定の定性的な比較にすぎないことを強調します。 実際、私たちのデジタル結果は、さまざまなフィルタリング、セグメンテーション、およびシミュレーションのアプローチの影響を最小限に抑えるために、非常に直接的なワークフローを採​​用して得られました。 さらに、実験室データは、同じ凝灰岩ブロックから掘削されたものであっても、マイクロ CT 分析に使用されたものとは異なる、さまざまなサイズのプラグで測定されました。 ただし、取得したスキャンのセグメンテーションのしきい値感度 34 について簡単に議論することが役立つ場合があります。 実際、画像のセグメンテーションはデジタル岩石物理学にとって重要なステップですが、ユーザー/アルゴリズムが選択したしきい値によって大きく影響されます。 私たちは、Otsu 値からの閾値の変化によって気孔率がどのように変化するかを調査しました。 実際、大津しきい値処理は、さらなる地質学的検証を行わずに岩石のテクスチャー特徴を捕捉するための最良のアプローチの 1 つであることが証明されました (岩石セグメンテーションのための地質学的ワークフローの詳細については、Balcewicz et al.35 を参照してください)。 私たちのデータは、HR および VHR スキャンはユーザー/アルゴリズムが選択したパラメーターの影響をほとんど受けない気孔率値を提供するのに対し、LR スキャンはしきい値の変動に非常に敏感であることを示しています (図 2b)。

超解像度の検証画像: ペアになったデータでトレーニングされた 2D ネットワーク。 超解像度イメージングに使用される 2D CNN (U-Net、SR-ResNet、EDSR、WDSR-a、WDSR-b) および GAN​​ (pix2pix) の検証スライス。 比較のために、LR (入力) および HR (グラウンド トゥルース) 画像も表示されます。 特派員トレーニングの詳細と画質指標を表 1 に示します。

超解像検証画像: ペアになったデータでトレーニングされた 2D ネットワークと 3D ネットワーク。 結果として得られた最高の 2D モデルである pix2pix と U-Net は、2D と 3D の両方でトレーニングされました。 比較のために、LR (入力) および HR (グラウンド トゥルース) 画像も表示されます。 対応するトレーニングの詳細と画質メトリクスを表 1 に示します。対応する 3D モデルを上回るパフォーマンスを示した 2D ネットワークからの LR、HR、および検証データについては、セグメント化された (バイナリ) 画像も提供されます。

要約すると、私たちの凝灰岩コアのマルチスケール研究は、凝灰岩の小さな部分を高解像度で調査することで、その岩石物理的特性をより正確に推定できることを示しています。 ただし、通常火山岩の特徴である高い不均一性により、非常に小さな岩石体積を調査する場合は、代表性がなくなるリスクに細心の注意を払う必要があります 3,36。 さらに、高解像度スキャンでは、特に大きな岩石サンプルしか利用できない場合、過度に長いスキャン時間や硬 X 線が必要になる場合があります 15。 これらの制限に対処するために、私たちはこのタイプのデジタル岩石に対する深層学習ベースの超解像度アプローチの有効性を調べました。

深層学習ベースの超解像度手法により、低解像度画像から高解像度画像まで画像学習マッピング関数の品質を向上させることができます。 岩石の 3D 画像に対するその有効性を評価すると、デジタル岩石物理学のワークフローを大幅に改善できます (たとえば、高解像度で広い視野を実現したり、高速 4D 低品質スキャンを強化したりするため)。 これらの方法をデジタル岩石に適用する先駆的な取り組みが行われてきましたが、主に堆積岩に焦点を当て、HR 画像から合成的にダウンサンプリングされた LR 画像を使用しました 20,25。 Janssens et al.18 は最近、合成的にダウンサンプリングされた LR 画像は、実際の LR スキャンでは画像アーチファクトによって大きく損なわれた微細構造の複雑さを保持できることが多いことを示しました。

6 つの異なる堅牢な畳み込みニューラル ネットワーク (CNN) および敵対的生成ネットワーク (GAN) ベースの超解像度アプローチ (U-Net、SR-ResNet、EDSR、WDSR-a、WDSR-b、pix2pix、「材料と方法」を参照) をテストしました。ネットワークとそのトレーニングの詳細についてはセクションを参照）、微孔質火山凝灰岩の実際の LR スキャン（入力データ）と HR スキャン（グラウンド トゥルース データ）の対応するペアのボリュームを使用して（図 1d）、効果的かつ迅速な方法を見つけることを目的としています。これらの岩石の調査を最適化します。 実際、HR スキャンは、VHR スキャンよりも持続可能なスケーリング係数 (4 倍対 10 倍) とスキャン時間 (投影あたり 3.2 対 14 秒) で輸送特性を適切に捕捉することが証明されました。 注目に値するのは、HR 画像から (三次補間を使用して) 合成的にダウンサンプリングされた LR クロップは、Janssens らの結果と一致して、実際の LR クロップの値 (0.74) よりも HR クロップ (0.49) に近い空隙率値 (0.55) を示していることです。アル.18。

私たちは最初に、U-Net と ResNet ベース (SR-ResNet、EDSR、WDSR-a、WDSR-b) ネットワークの 2 つのグループに区別できる 2D CNN アーキテクチャを採用しました。 U-Net ネットワークは画質の大幅な向上につながり (図 3、4)、これは検証データの優れたピクセル単位の精度によって裏付けられています。 実際、超解像検証画像は、グラウンド トゥルース (対応する HR 画像) と比較すると、PSNR (ピーク信号対雑音比) が 28.6 dB、MSE (平均二乗誤差) が 0.0014、SSIM (構造類似性指数) が 28.6 dB であることを示しています。 ０．８０（表１）。 その結果、セグメンテーションから計算された総空隙率（図 4）は、実験室データと一致しており、閾値変動の影響を受けにくいのに対し、同等の LR 画像（LR スキャンと 3 次補間で HR サイズにアップサンプリングされた LR スキャンの両方）とは対照的に、以下の結果が得られます。過大予測された総気孔率 (図 2、表 1)。 逆に、採用されている ResNet ベースのネットワークはすべて、画像の品質を向上させ、その処理を簡素化するには不十分であるように見えます。 実際、これらのトレーニング済みモデルを検証画像に適用すると、主に画像が滑らかになりすぎたりぼやけたりして、小さな孔や細かいマトリックスを解決できなくなります (図 3)。 これは、PSNR 27.2 dB、MSE 0.0019、SSIM 0.70 ～ 0.71 という低画質の指標によって裏付けられています (表 1)。 したがって、それらのセグメンテーションは、LR 画像について上記で説明したのと同じ問題によって依然として妨げられており (「マルチスケール イメージング」セクションを参照)、空隙率の値が同等の元の LR 入力画像よりも実験室データからさらに乖離する結果になります (表 1)。 これらの発見は、おそらく U-Net よりもアーキテクチャが複雑ではないためであり、これはトレーニング可能なパラメータの数が少ない (U-Net よりも 1 桁少ない) ことと、同じエポック数でのトレーニング時間が短いことで証明されています (表 1)。 さらに、U-Net とは異なり、LR 画像はこれらのネットワーク内で直接アップサンプリングされます。 したがって、U-Net では、データを増強する HR サイズまでの予備的な LR 画像のアップサンプリングが必要ですが、ResNet ベースのネットワークでは、対応する入力画像とグランド トゥルース画像のペアを処理するために、一部の HR 画像 (スケーリング係数に応じて) を破棄する必要があります (表1）。

結果として得られた最良の 2D CNN、U-Net は、pix2pix ネットワークを実装する GAN ジェネレーターとしてテストされました。 これら 2 つのモデルは 2D と 3D の両方で調査されました。 トレーニングされた 2D pix2pix ネットワークは、検証データの画質とピクセル単位の精度が大幅に向上し、2D U-Net よりわずかに優れていますが、同じエポック数に対してより長いトレーニング時間が必要になります: PSNR 28.8 dB、MSE 0.0013、 SSIM は 0.82 (表 1、図 3、4)。 それらのセグメント化は効率的であり (図 4)、その結果、実験室データと一致する気孔率値が得られます (表 1)。 特に、2D pix2pix は、予想どおり 2D U-Net よりも高周波構造をよりよく検出できます (「材料と方法」セクションを参照)。 これにより、小規模なテクスチャ特徴 (結晶の微小亀裂など) をセグメント化できますが、2D U-Net のわずかなぼかし/平滑化効果 (ノイズ除去として機能する) も役立つ場合があります。 代わりに、3D U-Net および pix2pix ネットワークでは、より悪い結果が生成され、悪い画像 (図 4)、画質メトリクス (PSNR 26.9 ～ 27.3 dB、MSE 0.0019 ～ 0.0020、SSIM 0.68 ～ 0.70、表 1) が生じます。検証データの気孔率値 (小さな細孔やマトリックス粒子を適切に分解してセグメント化することが結果的に困難になるため) (表 1)。 これはおそらく、2D の対応物よりもトレーニング パッチの数が少ないことが原因であると考えられます (表 1)。

最もよくトレーニングされたモデルである 2D U-Net と pix2pix の全体的な有効性をテストするために、それらを目に見えない大規模な (つまり、トレーニング/検証データセットの主に外部にある) LR 画像ボリュームに適用し、説明したものを使用してそれらのトランスポート プロパティを推定しました。画像解析ワークフロー。 LR 画像の中央の 6403 ピクセルにモデルを適用すると、品質が大幅に向上した 25603 ピクセルの超解像 3D 画像が得られました (図 5)。これにより、高解像度で広い視野を画像化できます。 推定された岩石物理学的特性は実験室データとほぼ一致しており、閾値変動の影響をほとんど受けません（図2b）。 特に、元のLR画像は明らかに多孔質で透過性が高く不均一な微細構造を示していますが、超解像画像は実験室データおよび巨視的特徴と一貫した多孔性、透過性、および構造の均一性を持っています（図2b、6）。

超解像大型タフコア：最高のモデル。 超解像画像 (25603 ピクセル) は、ペアのデータでトレーニングされた最適なトレーニング済みネットワーク、2D pix2pix および U-Net を、目に見えない大きな LR 画像 (中央の 6403 ピクセル、つまり、トレーニング/検証データセットの主に外側) に適用して取得されました。 比較のために LR 画像 (入力) も示します。 3D 画像全体の上、中央、下からのスライスが表示され、再構成された微細構造をよりよく検出するために中央部分がズームされています。

超解像された大型凝灰岩コアの岩石物理学的特徴。 岩石物理学的測定は、ペアデータでトレーニングされた最適なトレーニング済みネットワークである 2D pix2pix と U-Net を大きな LR 画像 (中央の 6403 ピクセル、図 5 を参照) に適用して得られた超解像画像 (25603 ピクセル) に対して実行されました。 (a) ボックスカウント法を使用して推定された空隙率の値。最小の代表基本ボリューム REV (上) を計算し、超解像画像を隣接する代表的な (つまり、最小 REV より大きい) サブボリュームに分割して潜在的な可能性を検出します。異質性（下）。 (b) 固有透磁率シミュレーションに使用された 3D 超解像度 (2D U-Net) およびセグメント化された画像の例 (中央 9003 ピクセル、計算システムで利用可能な最大ボリューム)。

最後に、この困難なタスクのために 2D と 3D の両方でトレーニングされた、ペアになっていない (対応していない) トレーニング画像 (LR データから HR データなど) 間のマッピングを学習するために特別に開発されたサイクル一貫性のある敵対的ネットワークである CycleGAN も調査しました (参照)ネットワークとトレーニングの詳細については、「材料と方法」セクションを参照してください)。 ここでは、低解像度スキャンの超解像の実現可能性を調査するために、専用 GPU によって妥当な時間内に達成可能な比較的限られたトレーニング (25 エポック: 2D および 3D で 455,625 および 5750 トレーニング ステップ、表 1) で取得されたデータを示します。対の LR-HR データが存在しない場合、常にすぐに入手できるとは限りません。 私たちの結果は（特に 2D で）有望であるように見えますが、トレーニング全体にわたる不変性、ステッチアーティファクト、およびエッジとマトリックス/結晶の均一性の回復における制限によって適度に影響を受けています（図 7）。 このため、完全な地質学的妥当性を備えた画像のセグメント化は困難であるため、輸送特性の推定には依然として推奨できません。 これはおそらく、これらの岩石の複雑な微細構造と比較した場合、トレーニングが限られているため（トレーニング データが少ないため 3D でさらに悪化）、小さな（容易に分解できない）不均一な細孔とマトリックス粒子が含まれていることが原因です。 実際、本物の堆積デジタル岩石に同様のネットワークを使用して行われた先駆的な取り組みは、適切な結果をもたらしました 22,24。

超解像検証画像: 不対データでトレーニングされた 2D および 3D ネットワーク。 CycleGAN は、ペアになっていないデータ (つまり、対応しない LR および HR 画像を使用) で 2D と 3D の両方でトレーニングされました。 比較のために LR (入力) 画像も表示されます。 対応するトレーニングの詳細を表 1 に示します。計算コストが高いため、比較的限定された 25 エポック (2D および 3D で 455,625 および 5750 のトレーニング ステップ) のトレーニングが妥当な時間内に可能でした (表 1 も参照)。

デジタル岩石物理ワークフローは、岩石の微細構造と物理的特性を調査するための強力なツールです。 しかし、おそらく微細構造が難しいため、その幅広い用途にもかかわらず、微孔質火山岩を研究する取り組みはこれまでほとんど行われていません。 ここで我々は、ヨーロッパ最大の第四紀の噴火の主な生成物であるカンパニアン無鉄砲石凝灰岩に焦点を当て、これらの岩石の 3D 非破壊特性評価を最適化する方法を検討しました。

ピクセル サイズ (16 から 1.75 μm) と視野を徐々に小さくし、露光時間を長くして、コアのマルチスケール イメージングを実行しました。 私たちは、小さな解像度で広い視野を得るよりも、少量の凝灰岩を高い解像度 (≤ 4 μm/px) で検査することで、岩石物理的特性のより正確な推定が達成できることを発見しました。 主な制限は、代表的な体積を保証する必要があること、および高解像度スキャンでは過度に長いスキャン時間または硬 X 線が必要になる可能性があることです (少量のサンプルを使用する場合を除く)。 したがって、私たちは、マイクロポーラスの広い視野を人工的に画像化するために、ペアのLR-HRデータで訓練された多くの堅牢な2Dおよび3D、畳み込みニューラルネットワークおよび敵対的生成ネットワークを実装および比較し、深層学習ベースの超解像度アプローチの有効性を調査しました。高解像度の火山岩。 2D U-Net および pi2pix ネットワークは、ResNet とは対照的に、優れた画質向上 (グラウンド トゥルースとの比較: PSNR 28.6 ～ 28.8 dB、MSE 0.0013 ～ 0.0014、SSIM 0.80 ～ 0.82) と実験室測定とほぼ一致する岩石物理特性を保証しました。 -ベース (SR-ResNet、EDSR、WDSR-a、WDSR-b) および 3D ネットワーク。 最後に、サイクル一貫性のある敵対的ネットワークである 2D/3D CycleGAN も、不対の LR-HR トレーニング データを使用した超解像スキャンの実現可能性をテストするために使用されました。 高い計算コストによって制限されているものの、有望な結果が得られ、複雑な火山岩でこの困難なタスクを達成するための前向きな見通しが得られました。

私たちの知る限り、深層学習ベースの超解像度手法が非堆積岩画像でテストされたのはこれが初めてであり、これらのアプローチを実際の LR および HR 画像に適用した数少ない研究の 1 つです (つまり、合成的にダウンサンプリングされたものではなく、本当に取得および登録されています）。

私たちの結果をすべてのタイプの微多孔性火山岩に拡張することに注意を払う必要がありますが、この研究は、デジタル岩石物理学を通じてこれらの「型破りな」デジタル岩を体系的に調査する最初の取り組みを表し、同様の微多孔性構造を扱うためのフレームワークを提供します革新的なイメージングへの挑戦（例えば、保存すべき大きなサンプルや材料の高解像度イメージング、大型実験装置および/または高時間解像度を使用した 4D イメージング）。 さらに、カンパニアン無火輝石凝灰岩は、カンピ・フレグレイ カルデラで最も広範囲に広がっている地下岩石の 1 つであると考えられており 37,38、現在 2005 年以来不安定な状態にあります 28,29。 私たちの発見は、この地域の地熱掘削からのコアサンプルの3D調査と、現場および/または現場外の実験中の時間分解（4D）イメージングを最適化し、この大規模な地熱で進行中のダイナミクスをより適切に抑制する将来の研究に使用されます。活動的なカルデラ。

私たちは、ヨーロッパ最大の第四紀の噴火と考えられている、39 年前にカンピ・フレグレイ カルデラ (イタリア) で発生した同名の火山噴火の主な生成物であるカンパニアン無火炎輝石 (CI) 凝灰岩を調査しました 39。 この噴火は小規模な基底降下物を生成し、東から北東まで分散し、その上に主要な放射状下の層状火砕流密度流 (PDC) 堆積物が重なった。 溶接灰色イグニンブライト (WGI) は最も広く分布している単位であり、CI の厚さの大部分を構成しています26。 CI 凝灰岩は、体積約 453 ～ 606 km3 の高温 PDC の急速な堆積と石化に由来し、6000 km226 以上の面積をカバーしています（図 1a）。 この凝灰岩はカルデラを充填する堆積物 37,38 の中で最も広く分布しており、深さ約 4 km5 まで広がっています。 したがって、これは数多くの (主に火山学、地熱、土木および材料工学) 用途のために研究されました 3,4,5,26,29。

我々は、カゼルタ市近くの建築材料用の露天採石場から収集したWGI凝灰岩ブロック（図1a）を研究しました。このブロックは、下位の石質と結晶（主に長石と輝石）を含む灰質のマトリックスに埋め込まれた黒色スコリアから構成されています。 これは、非常に微細な石化した不均質なマトリックス中に細孔が分布している複雑な微細構造を示しています (図 1b)。 我々は、実験室試験と経験式を使用して、その水理特性の一部、つまり透水係数、固有浸透率、および全気孔率を推定しました。 特に、透水係数の測定は、ナポリ大学フェデリコ 2 世地球・環境・資源科学部の地質・地盤工学研究所で 2 つの岩石サンプルを試験することによって得られました。 CI 凝灰岩の不規則なブロックは、コアリングマシン (MATEST、イタリア、A140-01 モデル)、電動鋸 (Husqvarna、イタリア、TS 230 F モデル)、および研磨機 (Buehler、ドイツ、AutoMet Grinder-Polishers モデル) を使用して成形されました。 ) 直径 54 mm、高さ 103 mm の 2 つの研磨された円筒形試験片を取得します。 円筒形の岩石標本は規格 (ASTM D4525-90) に従って準備されました。 透水伝導率の測定は、標本を蒸留水に 4 日間浸漬した後、飽和した岩石サンプルに対して実行されました。 2 つの岩石標本について、透水係数の 12 回および 18 回の水圧試験が実行されました。 油圧伝導率試験は、Hoek セルを備えた三軸装置 (MATEST、イタリア、A137 モデル) により ASTM 規格 (ASTM D2434-68、ASTM D5084-16a) に従って実施されました。 Allocca et al.1 では、透水係数の測定に使用される実験器具と手順の詳細が報告されています。 透水係数 K (m/s) は、定常状態の流れ条件でダーシーの法則を使用して推定され、その後、次の方程式によって固有透水率 ki (mD) に変換されます。

ここで、q は水の体積流量 (m3/s)、A は円筒形試験片の断面積 (m2)、i は動水勾配 (無次元)、μw および ρw は水の粘度 (N × s) /m2) と周囲条件での密度 (kg/m3)、g (m/s2) は重力定数です。 最後に、全空隙率 φ (無次元) は、実験室で事前に決定された乾燥嵩密度 ρ (kg/m3) と緻密な岩石相当密度 (ρDRE = 2.607 ± 31 kg/m326) を使用して、以下の実験式 40 によって経験的に推定されました。

同じ凝灰岩ブロックから採取した直径約 20 mm、高さ 40 mm の円筒形コアに対して X 線マイクロトモグラフィーによる調査を実施しました（図 1c）。 私たちは、ピクセル サイズと視野を徐々に減らし、露光時間を増やしながら、複数のスケールでサンプルを検査しました。 3 つの 3D 画像 (約 10003 ピクセル) を取得しました: ピクセル サイズが約 16 μm の低解像度 (LR) スキャン、ピクセル サイズが 4 μm の高解像度 (HR) スキャン、および超高解像度 (VHR) 1.75μmのピクセルサイズでスキャンします（図1c）。 スキャンは、ZEISS Xradia Versa 410 マイクロ CT を備えた国立地球観測学研究所 - Osservatorio Vesuviano のマイクロ CT 研究室で取得されました。 X 線イメージングは​​吸収モードで実行され、360° の全角度スキャンにわたって 2D 放射線写真 (投影) を取得し、XRM Reconstructor ソフトウェアを使用してフィルター逆投影アルゴリズムで再構成されました。 LR スキャンは 80 kV および 7 W でスキャンされ、光学倍率 0.4 倍を使用し、投影あたり 3 秒のスキャン時間で 4001 個の投影を収集しました。 HR スキャンは 100 kV および 9 W でスキャンし、光学倍率 4 倍を使用し、投影あたり 3.2 秒のスキャン時間で 4001 個の投影を収集しました。 VHR スキャンは、10 倍の光学倍率を使用し、1 投影あたり 14 秒のスキャン時間で 3201 個の投影を収集し、100 kV および 9 W でスキャンされました。 HR および VHR スキャンでは、ビームハードニングを最小限に抑えるために低エネルギー (LE6) フィルターが使用されました。

畳み込みニューラル ネットワークと敵対的生成ネットワークに基づく超解像度手法は、多くのアプリケーションで低解像度画像の品質を向上させるのに特に効率的であることが証明されています。 ここでは、困難な微細構造を持つ凝灰岩の画像に対するこれらのアプローチの有効性をテストしました。 実際の LR および HR スキャン (「マルチスケール X 線イメージング」セクションを参照)、倍率 4 倍、適切に前処理された、いくつかの 2D-3D、CNN、GAN ベースのネットワークを使用しました。

私たちは、数多くの科学およびコンピューター ビジョンの分野および課題において非常に効果的かつ迅速な結果を示した 7 つの異なるネットワークをトレーニングしました (U-Net、SR-ResNet、EDSR、WDSR-a、WDSR-b、pix2pix、CycleGAN、図 8)。 私たちは主に、LR (入力データ) と HR (グラウンド トゥルース データ) 画像の対応するペアを使用し、適切なパラメトリック研究の後、凝灰岩の微細構造をより効率的に解明するネットワークに徐々に焦点を当てました。 2D CNN (U-Net および ResNet ベースの CNN: SR-ResNet、EDSR、WDSR) が最初に採用されました。 結果として得られた最良のモデル (U-Net) は、2D と 3D の両方で、また GAN (pix2pix) のジェネレーターとして使用されました。 最後に、2D と 3D の両方で、ペアになっていない (対応していない) トレーニング画像 (LR から HR データなど) 間のマッピングを学習するために特別に開発されたサイクル一貫性のある敵対的ネットワーク (CycleGAN) をテストしました。

超解像度ネットワーク。 超解像度イメージングには、畳み込みニューラル ネットワーク (CNN: U-Net、SR-ResNet、EDSR、WDSR-a、WDSR-b) および敵対的生成ネットワーク (GAN: pix2pix、CycleGAN) が採用されています。 同じ色のブロックは同じタイプのレイヤーを表します。 それらが数回繰り返される場合、ブロックの上に報告されます (例: 2x)。 (2D または 3D) 畳み込み層の場合、フィルターの数が下部に表示され、カーネル サイズ (1 と異なる場合は括弧内のストライドとともに) が上部に表示されます。 下の薄灰色の矢印はスキップ接続 (U-Net、pix2pix、CycleGAN の連結、SR-ResNet、EDSR、WDSR-a、WDSR-b の加算) を示し、上の濃い灰色の矢印は ResNet ベースのネットワークの残留ブロックを示します。 (SR-ResNet、EDSR、WDSR-a、WDSR-b) および CycleGAN。

ディープ畳み込みニューラル ネットワーク (CNN) は、ビルディング ブロックとして畳み込み層を持つニューラル ネットワークのクラスです。 これらは、入力 (形状: 入力数、入力高さ、入力幅、入力チャネル、2D のテンソル、最初は入力画像のバッチ) を一連の畳み込みフィルター (形状: フィルター数、カーネル高さ、カーネル) で畳み込みます。幅、2D) 出力として特徴マップを提供します。 したがって、畳み込みフィルターの数と形状は、結果として得られるトレーニング可能なパラメーターの合計に決定的な影響を与えます。 CNN は通常、畳み込み層をアクティベーション層、バッチ正規化層、ダウンサンプリング層およびアップサンプリング層と組み合わせ、オプティマイザによって特定の損失関数を最小化して、回帰 (例: 超解像度) または分類 (例: セマンティック セグメンテーション) タスクを解決します20,41。 超解像度タスクの場合、CNN は LR から HR へのスキャン マッピングを学習します。 この研究では、まず、U-Net ベースのネットワークと ResNet ベースのネットワークの 2 つのグループに区別できる、さまざまな種類の CNN アーキテクチャを採用しました。 両方の有効性は、浅い層と深い層からの出力を加算するスキップ接続の使用によって強化され、浅い特徴を保存し、トレーニングを最適化することができます (勾配の消失と劣化の問題を回避します)。 U-Net アーキテクチャは、もともとセマンティック セグメンテーションのために開発され、数多くのタスクに使用されてきました42。 同じ形状の入力画像と出力画像を処理するため、超解像度のために LR スキャンの予備的なアップサンプリング (HR サイズへ) が必要です。 U-Net は、ダウンサンプリング ステップ (つまり、畳み込みと最大プーリング層) を通じてコン​​テキストをキャプチャする縮小パスと、アップサンプリング (アップ畳み込み) による正確な位置特定のための対称拡張パス (したがって U 字型、図 8) を使用します。縮小パスからの対応する特徴マップとの連結 (スキップ接続)。 一方、SR-ResNet は、ResNet バックボーン 43 上に直接構築された超解像度ネットワークです (図 8)。 ResNet は元々、スキップ接続を備えた残差ブロックを使用して画像認識タスクを解決し、非常に深いネットワークをトレーニングするために開発されました 44。 EDSR は SR-ResNet アーキテクチャを最適化し、主にバッチ正規化の削除とアクティベーション層の変更 (PReLU、パラメトリック整流線形ユニットから ReLU へ) を行い、パフォーマンスを向上させます45 (図 8)。 最後に、WDSR は EDSR アーキテクチャから始まり、同じパラメータと計算量を使用してアクティベーション関数の前に広範な機能の使用をテストし、(バッチ正規化または正規化なしではなく) 重み正規化を導入します。 その幅に基づいて、2 つの異なるタイプが提案されています。WDSR-a は幅の 2x ～ 4x チャネル用で、WDSR-b はさらに幅の広い 6x ～ 9x チャネル用です46 (図 8)。 これらの ResNet ベースの CNN は LR 画像に直接作用し、データはピクセル シャッフル (サブピクセル コンボリューション) を通じてネットワーク内でアップサンプリングされます。 デジタル ロックに関するさらなる情報は、Wang et al.47 によって提供されています。

CNN とは対照的に、敵対的生成ネットワーク (GAN) は 2 つのネットワークで構成されます。生成モデルは偽の画像を生成することを学習し、識別モデルは画像を本物 (トレーニング画像) または偽物 (生成画像) として分類することを学習します。 これらは、敵対的なプロセスで同時に訓練されます。その間、ジェネレーターは、ディスクリミネーターをだますために、徐々により現実的な画像を作成しようとし、ディスクリミネーターは、偽の画像をより正確に識別しようとします。 ディスクリミネータは直接更新され、ジェネレータはディスクリミネータを介して更新されます48。 GAN は通常、ランダム ノイズ ベクトルから出力データ (この場合は画像) へのマッピングを学習しますが、入力 LR 画像などの追加情報を条件とすることもできます。 この場合、それらは条件付き GAN (c-GANs49) と呼ばれます。 したがって、効率的な CNN ネットワークをジェネレーターとして使用し、適切な画像分類ネットワークを識別子として使用すると、c-GAN は画像間のマッピングに効率的になります。 ここでは、U-Net アーキテクチャに基づくジェネレーターを備えた c-GAN、pix2pix50 を採用しました (ロックに最適な CNN が明らかになりました)。 これは、多くの画像間変換タスク 50 に対する汎用ソリューションとして開発され、最近ではデジタル岩石のマルチモーダル イメージングにも採用されています 51,52。 PatchGAN と呼ばれる識別ネットワークは、主にローカル画像 (70 × 70 ピクセル) のサブパッチ内の高周波構造のモデル化に限定された多層 CNN 分類器であり、それに基づいて画像を本物か偽かを分類します (図 8)。 実際、CNN (通常、平均絶対誤差または平均二乗誤差損失に基づく) は、高周波構造をぼかしたり滑らかにしたりすることができ 43,50 、その結果、セグメンテーションに利点が生じたり (したがってノイズ除去として機能する)、または重要な小規模テクスチャ情報が失われる可能性があります。調査された微細構造と画像に応じて20。 pix2pix 損失は、c-GAN 損失と、生成された画像と期待される画像の間の L1 (平均絶対誤差) 損失を組み合わせたもので、グラウンド トゥルースに似た画像の生成を促進します。

最後に、CycleGAN53 は、ペアの画像がない場合の 2 つのドメイン (X と Y) 間のマッピング関数を学習するために特別に開発された敵対的ネットワークです。 この制約不足の問題に対処するために、修正された ResNet バックボーンに基づく 2 つのジェネレーター (G: X → Y および F: Y → X) と、関連する 2 つの敵対的識別子 (Dy および Dx)、2 つの 70 × 70 PatchGAN、インスタンス正規化を採用しています（図8）。 敵対的損失に加えて、これらのマッピングを正規化するために 2 つのサイクル一貫性損失が導入され、次のようになります: x → G(x) → F(G(x)) ≈ x および y → F(y) → G(F(x) ) ≈ y (図 8)。 アイデンティティ マッピングの損失は、ターゲット ドメインからの画像が入力として提供されるときに、ジェネレータを正規化してアイデンティティ マッピングに近づけるためにも使用されます。 CycleGAN は、画像間の変換のための一般的なソリューションとして構築され 53、最近では超解像デジタル岩石 22 に適用されています。

LR スキャン (入力データ) と HR スキャン (グラウンド トゥルース データ) に超解像手法を適用しました。これにより、より持続可能なスケーリング係数 (4 倍対 10 倍) で輸送特性 (「マルチスケール イメージング」セクションを参照) が適切にキャプチャされます。 VHR スキャンよりもスキャン時間 (投影ごとに 3.2 秒対 14 秒)。 特に、適時に登録され作付けされたLRおよびHR作物を使用しました。 3D レジストレーションは、Thermo Scientific PerGeos ソフトウェア (Avizo ソフトウェアに基づく、Thermo Fisher Scientific、米国マサチューセッツ州ウォルサム - www.thermofisher.com/pergeos) を使用して調整され、2 つのスキャン間の正規化された相互情報量が最大化され 54、結果としてわずかな平行移動が生じました。最終ピクセル サイズ 16 μm の LR スキャンの回転とスケーリング。 640 × 640 × 972 ピクセル (つまり、ネットワークと互換性のある円筒形に再構成されたデジタル岩石の中で最大の書き記し可能な平行六面体) のクロップが HR スキャンから抽出され、対応する 160 × 160 × 243 ピクセルの体積が LR スキャンから抽出されました (図 1d)、トレーニングと検証のペア データを取得します。 U-Net と pix2pix の場合、LR クロップは 3 次補間を使用して HR サイズにアップサンプリングされました。 最良のモデルをテストするために、LR スキャンから 6403 ピクセルのより大きな部分が抽出されました。

LR クロップと HR クロップは、パラメトリック テスト後のネットワークのトレーニングを最適化するために前処理されました。 2D ネットワークの場合、スライスの 25% が検証のためにランダムに選択されました。 画像は、2D U-Net および pix2pix の場合は 1282 ピクセル、ResNet ベースのネットワークの場合は 402 ピクセルと 1602 ピクセル（それぞれ LR および対応する HR 画像）のパッチに再分割されました（凝灰岩の微細構造を捕捉するのに適切なサイズが明らかになりました）。 2D の最良のモデルである U-Net と pix2pix も 3D でトレーニングされ、それぞれ 803 ピクセルと 1283 ピクセルのサブボリューム (計算能力の制約もあります) を 25% オーバーラップしてデータを増強しました。 サブボリュームの 20% が検証に使用され、最後の 80/128 スライスはモデルの一般的な結果を評価するために予約されました。

2D および 3D CNN (U-Net および ResNet ベースのネットワーク) の場合、グレースケール値は 0 から 1 までスケールされ、ネットワークの最後にシグモイド活性化層が使用されました。 彼らは、平均二乗誤差損失 (平均絶対誤差損失よりも優れた結果が得られた) と、初期学習率 10–3 および指数関数的減衰 (減衰率 0.0625) の Adam オプティマイザーを使用して、100 エポックにわたってトレーニングされました。 詳細には、U-Net では、2D モデルと 3D モデルにそれぞれ 32 枚と 1 枚の画像のバッチが使用され、各エポックの前にトレーニング データをシャッフルしました。 BatchNormalization と Dropout の効果も、拡張なしで調査されました。 ResNet ベースのネットワークの場合、16 個の画像のシャッフルされたバッチを使用した 16 個の残差ブロックの結果と、WDSR-a と WDSR-b のそれぞれ 4 倍と 6 倍のフィルター拡張係数の結果が示されています。 ただし、これらのパラメータを変更しても、大幅な改善は得られませんでした。 pix2pix については、多くの異なる画像から画像への変換タスクに対する汎用ソリューションとして開発されたため、作成者によって提案された提案に従いました50。 グレースケール値は -1 から 1 までスケールされ、生成器の最後で Tanh 活性化層が使用されました。 モデルは、バッチ サイズ 1 を使用して画像をランダムに選択し、100 エポックに対してトレーニングされました。 CNN と GAN をトレーニングするエポックの数は、トレーニングおよび検証データセットのメトリクスを広範囲に安定させるために選択されました。 トレーニングは、NVIDIA GeForce RTX 3070 GPU 上で Tensorflow/Keras (Tensorflow 2.5.0、Python 3) を使用して実行されました。

次に、結果は、画質メトリクスとトランスポート プロパティ (「画像解析とフロー シミュレーション」セクションを参照)、および視覚的なチェックの観点から評価されました。 平均二乗誤差 (MSE)、ピーク信号対雑音比 (PSNR)、および構造類似性指数 (SSIM55) を推定して、画質 (HR 画像に関する) を評価しました。

最後に、ペアになっていないデータを使用して 2D および 3D CycleGAN をトレーニングしました。 HR データは、異なる FoV からの 2D 画像のスタックと、LR 画像の中央の 6403 ピクセルから個別に抽出され、三次補間でアップサンプリングされた 3D サブボリュームと結合されました。 これらのデータセットは、(2D および 3D) pix2pix と同様に前処理されました。 私たちは、画像から画像への変換タスクのための一般的なソリューションを開発した作者によって提案された提案に従って CycleGAN をトレーニングし 53、画像をランダムに選択しました。 計算コストが高いため、25 エポック (2D および 3D で 455,625 および 5750 のトレーニング ステップ) という比較的限られたトレーニングが妥当な時間で可能でしたが (表 1)、これにはよりパフォーマンスの高い GPU (NVIDIA GeForce RTX 3090 Ti) が使用されました。通信網。 ペアの画像が存在しないため、結果を評価するために従来の画質指標を使用することができませんでした。

得られたデジタル岩石はセグメント化され、輸送特性の推定に使用されました。 フィルタリング、セグメンテーション、およびシミュレーションのアプローチによるさらなる複雑化を伴うことなく、凝灰岩の微細構造のイメージングの効率を評価するために、非常にシンプルで伝統的なワークフローを定義しました。 したがって、Python の scikit-image ライブラリを使用して、バイナリ セグメンテーション (つまり、各ボクセルが細孔またはマトリックスとしてラベル付けされる) のグレースケールしきい値を自動的に推定する Otsu の方法 56 を使用して、最初に画像をセグメント化しました。 結果は視覚的にチェックされ、セグメンテーションに対するしきい値の影響 (つまり、しきい値感度 34) についても議論されています。 次に、セグメント化された画像を使用して、気孔率を推定し、浸透性シミュレーションを実行しました。 特に、単相流体の流れは、セグメント化された画像上で直接シミュレートされました。 このアプローチにより、ストークス方程式を解き、ダーシーの法則を使用して、透水性 (実験室測定と互換性のある) と速度場分布を推定することができます。 PerGeos ソフトウェアで利用可能な並列格子ボルツマン ソルバーを採用しました。

サポートデータとコードは、https://figshare.com/articles/online_resource/3dSRCT/20449188 から入手できます。

Allocca, V.、Colantuano, P.、Colella, A.、Piacentini, SM & Piscopo, V. 着火岩の水理特性: チミノ・ヴィコ火山 (イタリア) の 2 つの火砕流堆積物におけるマトリックスと破壊の浸透性。 ブル。 工学ゲオル。 環境。 81、221。https://doi.org/10.1007/s10064-022-02712-0 (2022)。

記事 Google Scholar

Bonamente, E.、Aquino, A.、Nicolini, A. & Cotana, F. 凝灰岩を使用した二酸化炭素除去の実験分析とプロセスモデリング。 持続可能性 8、1258。https://doi.org/10.3390/su8121258 (2016)。

記事 CAS Google Scholar

Heap, MJ & Violay, MES 火山岩の機械的挙動と破壊モード: レビュー。 ブル。 火山。 83、33。 https://doi.org/10.1007/s00445-021-01447-2 (2021)。

記事 ADS Google Scholar

Heiken, G. Tuffs - それらの特性、用途、水文学および資源。 アメリカ地質学会 (GSA) 特別論文、Vol. 408. https://doi.org/10.1130/SPE408 (2006)。

ロシ、M. & スブラナ、A. フレグランフィールド。 CNR 科学研究論文 114 (1987)。

Rowley, P.、Benson, PM、Bean, CJ 低凝集性の火山堆積物における変形によって制御される長周期地震活動。 ナット。 地理学。 14、942–948。 https://doi.org/10.1038/s41561-021-00844-8 (2021)。

記事 ADS CAS Google Scholar

Wang, J.、Jung, W.、Li, Y.、Ghassemi, A. ニューベリー凝灰岩の地質力学特性。 地熱学 63、74–96。 https://doi.org/10.1016/j.geothermics.2016.01.016 (2016)。

記事 ADS Google Scholar

Zou、C. 石油探査における火山貯留層 (エルゼビア、2013)。

Google スカラー

フィッシャー、RV & シュミンケ、H.-U. 火砕石 (Springer、1984)。

Google Scholar を予約する

Brown、RJ & Andrews、GDM 火砕流密度流の堆積物。 『火山百科事典』第 2 版 (Sigurdsson, H. 他編) 631–648 (Academic Press、2015)。

Google Scholar の章

アンドラ、H. et al. デジタル岩石物理ベンチマーク パート I: イメージングとセグメンテーション。 計算します。 地理学。 50、25～32。 https://doi.org/10.1016/j.cageo.2012.09.005 (2013)。

記事 ADS Google Scholar

アンドラ、H. et al. デジタル岩石物理ベンチマーク パート II: 有効特性の計算。 計算します。 地理学。 50、33–43。 https://doi.org/10.1016/j.cageo.2012.09.008 (2013)。

記事 ADS Google Scholar

ブラント、MJ 他毛穴スケールのイメージングとモデリング。 上級水資源。 51、197–216。 https://doi.org/10.1016/j.advwatres.2012.03.003 (2013)。

記事 ADS Google Scholar

Bultreys, T.、De Boever, W. & Cnudde, V. 地質材料における細孔スケールでのイメージングと画像ベースの流体輸送モデリング: 現在の最先端技術への実践的な入門書。 地球科学黙示録155、93－128。 https://doi.org/10.1016/j.earscirev.2016.02.001 (2016)。

記事 ADS Google Scholar

ウィザーズ、PJ et al. X線コンピュータ断層撮影。 ナット。 Rev. Methods Primers 1、18. https://doi.org/10.1038/s43586-021-00015-4 (2021)。

記事 CAS Google Scholar

Alyafei, N.、Raeini, AQ、Paluszny, A. & Blunt, MJ 予測される岩石物理学的特性に対する画像解像度の影響に関する感度研究。 トランスペアレント多孔質媒体 110、157–169。 https://doi.org/10.1007/s11242-015-0563-0 (2015)。

記事 CAS Google Scholar

Arns, CH et al. X 線マイクロトモグラフィーを使用した炭酸塩の細孔スケールの特性評価。 社会ペット。 工学 J. 10, 475–484。 https://doi.org/10.2118/90368-PA (2005)。

記事 Google Scholar

Janssens, N.、Huysmans, M. & Rudy, S. 敵対的生成ニューラル ネットワークを使用したコンピューター断層撮影 3D 超解像度: 不飽和および二相流体の流れへの影響。 資料 13、1397。https://doi.org/10.3390/ma13061397 (2020)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Shah、SM、Gray、F.、Crawshaw、JP、Boek、ES 多孔質媒体内の流れのマイクロコンピューター断層撮影細孔スケール研究: ボクセル解像度の影響。 上級水資源。 95、276–287。 https://doi.org/10.1016/j.advwatres.2015.07.012 (2016)。

記事 ADS Google Scholar

Wang、YD、Blunt、MJ、Armstrong、RT、Mostaghimi、P. 毛穴スケールのイメージングとモデリングにおける深層学習。 地球科学 Rev. 215、103555。https://doi.org/10.1016/j.earscirev.2021.103555 (2021)。

記事 Google Scholar

アフジャ、VR 他 Siamese-SR: デジタル岩石画像の解像度を向上させ、岩石物理学的特性の推定を向上させるためのシャム超解像度モデル。 IEEEトランス。 画像処理。 31、3479–3493。 https://doi.org/10.1109/TIP.2022.3172211 (2022)。

論文 ADS PubMed Google Scholar

チェン、H.ら。 サイクル一貫した敵対的生成ネットワークを使用した、現実世界の岩石マイクロコンピュータ断層撮影画像の超解像度。 物理学。 Rev. E 101、023305。https://doi.org/10.1103/PhysRevE.101.023305 (2020)。

論文 ADS CAS PubMed Google Scholar

Karimpouli, S. & Kadyrov, R. ベレアサンドストーン画像の解像度を高めるためのマルチステップ超解像度ダブル U-ネット (SRDUN)。 J.ペット。 科学。 工学 216、110833。https://doi.org/10.1016/j.petrol.2022.110833 (2022)。

記事 CAS Google Scholar

Niu, Y.、Jackson, SJ、Alqahtani, N.、Mostaghimi, P. & Armstrong, RT 物理的に正確な超解像度の炭酸塩岩画像のための一対および不対の深層学習手法。 トランスペアレント多孔質媒体 144、825–847。 https://doi.org/10.1007/s11242-022-01842-z (2022)。

記事 Google Scholar

ラバニ、A.ら。 画像ベースの技術に焦点を当てた、多孔質メディア研究におけるデータ サイエンスの傾向と問題点を概説します。 水資源。 解像度 57、e2020WR029472。 https://doi.org/10.1029/2020WR029472 (2021)。

記事 ADS Google Scholar

Silleni, A.、Giordano, G.、Isaia, R. & Ort, MH イタリア、カンパニアン無火炎輝噴火の規模 39.8 ka: 方法、不確実性、および誤差。 フロント。 地球科学 8, 444。 https://doi.org/10.3389/feart.2020.543399 (2020)。

記事 ADS Google Scholar

Buono、G. et al. 進化したアルカリ性マグマにおける脱ガスのダイナミクス: 岩石学的、実験的、理論的洞察。 地球科学 Rev. 211、103402。https://doi.org/10.1016/j.earscirev.2020.103402 (2020)。

記事 CAS Google Scholar

Buono、G. et al. 岩石学的および地球化学的証拠からカンピ・フレグレイ・カルデラ（イタリア）下の最近のマグマの動態に関する新たな洞察。 Ｊ．Ｇｅｏｐｈｙｓ． 解像度ソリッドアース127、e2021JB023773。 https://doi.org/10.1029/2021JB023773 (2022)。

記事 ADS CAS Google Scholar

Pappalardo, L. & Buono, G. 組織学的および地球化学的調査からのマグマの貯留と上昇のプロセスとタイムスケールに関する洞察: 危険度の高いナポリの火山 (イタリア) のケーススタディ。 『Crustal Magmatic System Evolution』 (Masotta, M. et al. 編) 213–235 (American Geophysical Union、2021)。

Google Scholar の章

ベイカー、DR 他。 火成岩の三次元研究への X 線マイクロトモグラフィーの応用についての紹介。 リトス 148、262–276。 https://doi.org/10.1016/j.lithos.2012.06.008 (2012)。

記事 ADS CAS Google Scholar

Buono , G. 、Pappalardo , L. & Petrosino , P. ソンマ・ヴェスヴィオ火山最大の噴火中のマグマの貯留と上昇: ポミチ・ディ・ベース (22 ka) プリニアン現象。 ボル。 地球物理学。 理論。 応用 61、23–40。 https://doi.org/10.4430/bgta0294 (2020)。

記事 Google Scholar

リードル、A.ら。 西暦 1538 年のモンテ ヌオーヴォ噴火 (イタリア、カンピ フレグレイ) の火砕流生成物の 3D イメージングによるテクスチャ特性評価。 リトス 340–341、316–331。 https://doi.org/10.1016/j.lithos.2019.05.010 (2019)。

記事 ADS CAS Google Scholar

シェップ、LLら。 高空隙率の火山岩に関するデジタル岩石物理学と実験室での考察。 科学。 議員10、1-16。 https://doi.org/10.1038/s41598-020-62741-1 (2020)。

記事 CAS Google Scholar

Leu, L.、Berg, S.、Enzmann, F.、Armstrong, R. & Kersten, M. ベレア砂岩中の混相流の高速 X 線マイクロトモグラフィー: 画像処理に関する感度研究。 トランスペアレント多孔質媒体 105、451–469。 https://doi.org/10.1007/s11242-014-0378-4 (2014)。

記事 CAS Google Scholar

Balcewicz、M. et al. デジタル岩石物理学: 異方性ルール砂岩のセグメンテーションのための地質主導型ワークフロー。 フロント。 地球科学 9、673753。 https://doi.org/10.3389/feart.2021.673753 (2021)。

記事 Google Scholar

Lavalée, Y. & Kendrick, JE 脆性および延性領域における火山岩とマグマの物理的および機械的特性の概説。 火山災害、リスク、災害の予測と計画 (Papale, P. 編) 153–238 (Elsevier、2021)。

Google Scholar の章

Chiodini, G.、Pappalardo, L.、Aiuppa, A. & Caliro, S. 長命カルデラの地質学的 CO2 脱ガスの歴史。 地質学 43、767–770。 https://doi.org/10.1130/G36905.1 (2015)。

記事 ADS CAS Google Scholar

Piochi, M.、Cantucci, B.、Montegrossi, G. & Currenti, G. イタリアのカンピ・フレグレイ地熱系のサン・ヴィート地域における熱水変質：鉱物レビューと地球化学モデリング。 鉱物 11、810。https://doi.org/10.3390/min11080810 (2021)。

記事 ADS Google Scholar

Gebauer, S.、Schmitt, A.、Pappalardo, L.、Stockli, D. & Lovera, O. ブレッチャ博物館 (イタリア、カンピ・フレグレイ カルデラ) の深成砕片の結晶化と噴火年代、およびカンパニアン火炎輝石との関係。 投稿。 ミネラル。 ガソリン。 167、1-18。 https://doi.org/10.1007/s00410-013-0953-7 (2014)。

記事 CAS Google Scholar

Houghton, BF & Wilson, CJN 火砕流堆積物の気孔指数。 ブル。 火山。 51、451–462。 https://doi.org/10.1007/BF01078811 (1989)。

記事 ADS Google Scholar

Goodfellow, I.、Bengio, Y.、Courville, A. Deep Learning (MIT Press、2016)。

数学 Google Scholar

Ronneberger, O.、Fischer, P. & Brox, T. U-Net: 生物医学画像セグメンテーションのための畳み込みネットワーク。 医用画像コンピューティングとコンピュータ支援介入—MICCAI 2015 (Navab, N. et al.編) 234–241 (Springer, 2015)。

Google スカラー

レディグ、C.ら。 敵対的生成ネットワークを使用した写真のようにリアルな単一画像の超解像度。 https://doi.org/10.48550/arXiv.1609.04802 (2017)。

He、K.、Zhang、X.、Ren、S.、Sun、J. 画像認識のための深層残差学習。 https://doi.org/10.48550/arXiv.1512.03385 (2015)。

Lim, B.、Son, S.、Kim, H.、Nah, S. & Lee, KM 単一画像の超解像度のための強化された深層残差ネットワーク。 https://doi.org/10.48550/arXiv.1707.02921 (2017)。

Yu、J.ら。 効率的かつ正確な画像の超解像度を実現する幅広いアクティベーション。 https://doi.org/10.48550/arXiv.1808.08718 (2018)。

Wang, YD、Armstrong, RT、Mostaghimi, P. 超解像度畳み込みニューラル ネットワークによるデジタル岩石画像の解像度の向上。 J.ペット。 科学。 工学 182、106261。https://doi.org/10.1016/j.petrol.2019.106261 (2019)。

記事 CAS Google Scholar

グッドフェロー、IJ 他敵対的生成ネットワーク。 https://doi.org/10.48550/arXiv.1406.2661 (2014)。

Mirza, M. & Osindero, S. 条件付き敵対的生成ネット。 https://doi.org/10.48550/arXiv.1411.1784 (2014)。

Isola、P.、Zhu、J.-Y.、Zhou、T.、Efros、AA 条件付き敵対的ネットワークによる画像から画像への変換。 https://doi.org/10.48550/arXiv.1611.07004 (2016)。

Anderson, TI、Vega, B. & Kovscek, AR 頁岩の顕微鏡画像を強化するためのマルチモーダル イメージングと機械学習。 計算します。 地理学。 145、104593。https://doi.org/10.1016/j.cageo.2020.104593 (2020)。

記事 Google Scholar

Anderson, TI、Vega, B.、McKinzie, J.、Aryana, SA & Kovscek, AR 生成ネットワークを使用した複雑なナノ多孔質ボリュームの 2D から 3D への画像変換。 科学。 議員 11、20768。https://doi.org/10.1038/s41598-021-00080-5 (2021)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Zhu, J.-Y.、Park, T.、Isola, P. & Efros, AA サイクル一貫性のある敵対的ネットワークを使用した対になっていない画像から画像への変換。 https://doi.org/10.48550/arXiv.1703.10593 (2017)。

Studholme, C.、Hill, DLG & Hawkes, DJ 3D 医用画像位置合わせのオーバーラップ不変エントロピー測定。 パターン認識。 32、71–86。 https://doi.org/10.1016/S0031-3203(98)00091-0 (1999)。

記事 ADS Google Scholar

Wang, Z.、Bovik, AC、Sheikh, HR & Simoncelli, EP 画質評価: エラーの可視性から構造の類似性まで。 IEEEトランス。 画像処理。 13、600–612。 https://doi.org/10.1109/TIP.2003.819861 (2004)。

論文 ADS PubMed Google Scholar

Otsu, N. グレーレベルのヒストグラムからの閾値選択方法。 IEEEトランス。 システム。 サイバーン男。 20、62–66。 https://doi.org/10.1109/TSMC.1979.4310076 (1979)。

記事 Google Scholar

Giberti, G.、Yven, B.、Zamora, M. & Vanorio, T. カンピ・フレグレイ火山地域 (イタリア) の岩石の物理的特性に関する実験室測定データのデータベース。 カンピ・フレグレイ (イタリア南部) カルデラ内部の地球物理学的探査: データ、方法および結果 (Zollo, A. et al. 編) 179–192 (Doppiavoce、2006)。

Google スカラー

Heap, MJ、Baud, P.、Meredith, PG、Vinciguerra, S. & Reuschlé, T. イタリア、カンピ・フレグレイの凝灰岩の透水性と弾性率: 地盤変形モデリングへの影響。 ソリッド・アース 5、25–44。 https://doi.org/10.5194/se-5-25-2014 (2014)。

記事 ADS Google Scholar

モンタナロ、C. et al. 蒸気による噴火の爆発性に関する実験的研究: ソルファタラ火山 (カンピ フレグレイ) のケーススタディ。 Ｊ．Ｇｅｏｐｈｙｓ． 解像度ソリッドアース 121、7996–8014。 https://doi.org/10.1002/2016JB013273 (2016)。

論文 ADS PubMed PubMed Central Google Scholar

Vanorio, T.、Prasad, M.、Nur, A. & Patella, D. 火山岩の超音波速度測定: マイクロテクスチャーとの相関。 地球物理学。 Ｊ．Ｉｎｔ． 149、22–36。 https://doi.org/10.1046/j.0956-540x.2001.01580.x (2002)。

記事 ADS Google Scholar

リファレンスをダウンロードする

この研究は、INGV の資金提供による INGV Progetto Dipartimentale LOVE-CF (地表の観測値と火山地下配管システムのリンク: カンピ・フレグレイ カルデラ (イタリア) での噴火予測のための学際的アプローチ) および Horizo​​n の資金提供を受けて実施されました。 2020 年プロジェクト EXCITE (地球物質の構造および化学イメージング技術のための電子顕微鏡および X 線顕微鏡コミュニティ)。 著者らは、透水係数の測定に協力してくれた E. Di Clemente 博士と P. Colantuano 博士、そして私たちの原稿に対して貴重なコメントと提案をくれた 2 人の匿名の査読者に感謝します。

国立地球物理学火山研究所、ヴェスヴィオ天文台、ナポリ、イタリア

ジャンマルコ・ブオーノ、ステファノ・カリロ、ジョバンニ・マセドニオ、ルチア・パパラルド

ナポリ大学フェデリコ 2 世、地球環境資源科学部、ナポリ、イタリア

ヴィンセント・アロカ

Thermo Fisher Scientific、ボルドー、フランス

フェデリコ・ガンバ

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

GB と LP: 作品の構想とデザイン。 デジタルデータの取得と分析。 執筆—原案。 SCとGM：作品のデザイン。 執筆—レビューと編集。 VA: 検査データの取得。 執筆—レビューと編集。 FG: デジタルデータの分析。 執筆—レビューと編集。

ジャンマルコ・ブオーノ氏への手紙。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Buono, G.、Caliro, S.、Macedendio, G. et al. 3D マルチスケールおよび超解像度イメージングを通じて、微孔質火山岩の微細構造と岩石物理学的特性を調査します。 Sci Rep 13、6651 (2023)。 https://doi.org/10.1038/s41598-023-33687-x

引用をダウンロード

受信日: 2022 年 8 月 8 日

受理日: 2023 年 4 月 17 日

公開日: 2023 年 4 月 24 日

DOI: https://doi.org/10.1038/s41598-023-33687-x

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。