Deep Convolutional Encoder-Decoder Networks for Digital Rock Porosity Segmentation

Digital rock physics (DRP) er en moderne metode for å karakterisere de fysiske egenskapene til ulike typer stein. Ved å modellere korn-, flerfaset- og porevolum i forksjellige bergarter, kan en assistere institusjoner med å finne egnede lokasjoner for lagring av hydrokarboner. Utover dette kan nøyaktige modelleringer av strukturen i bergarter hjelpe olje- og gassindustrien med å velge potensielle lokasjoner for utbygging av oljefelt. DRP blir fanget opp ved å benytte micro-CT for å produsere 2D eller 3D bilder. I nyere tid har dype læringsmetoder blitt effektive på å oppnå gode resultater på oppgaver som tidligere kun kunne løses av mennesker. Semantisk bildesegmentering er en datasyns oppgave med mål om å assosiere hver pixel-verdi i et bilde med en klasse. I denne avhandlingen utforsker vi å anvende deep convolutional encoder-decoder-nettverk til å utføre automatisk semantisk bildesegmentering av gråtonebilder av bergarter. Dataen vi har jobbet med består av tre forskjellige bergarter, Bentheimer, Berea og Carbonate. Vi presenterer eksperimenter der vi kombinerer dataaugmenterings-teknikker for ytterligere å utvide tilgjengelig data. Resultatene fra de forskjellige arkitekturene blir sammenlignet med hverandre, og modellen som gir best resultat oppnår 88.6% intersection over union (IoU). Den beste arkitekturen utvides til å inkludere flere bilder som ligger ved siden av hverandre, for å gi nettverket mer informasjon. Vi undersøker også om et nettverk trent på en eller to bergarter kan generaliseres og oppnå gode resultater på en bergart som ikke var inkludert i treningsprosessen. Digital rock physics (DRP) is a modern approach for characterizing physical rock properties. By modeling grain, multi-phase and pore space in different rock types, institutions can be assisted in locating suitable locations for hydrocarbon storage. Furthermore, producing accurate models of rock structures can economically assist the oil and gas industry in selecting potential reservoir extraction sites. DRP is captured using non-destructive imaging technology, micro computed tomography (micro-CT), producing 2D or 3D images. Deep learning has in recent years become very successful at accurately and efficiently performing tasks that previously could only be accomplished by humans. Semantic image segmentation is a computer vision task with the goal of assigning class labels to each pixel in an image. This thesis explores the application of multiple deep convolutional encoder-decoder networks to perform semantic image segmentation of gray-scale rock images. The provided datasets consist of three different types of sandstone, Bentheimer, Berea and Carbonate. We present experiments of combining data augmentation techniques to further increase the richness of the dataset. Results of the different architectures are compared to each other, and the best performing model achieves an intersection over union (IoU) score of 88.6% (with a categorical accuracy of nearly 98%). The best performing network is further extended to include multiple adjacent images as channel inputs to provide additional information. We investigate if a network trained on one or two rock types can generalize and perform accurate predictions on one not included in training.