Topological Data Analysis combined with Machine Learning for Predicting Permeability of Porous Media

기술 요약: 다공성 매체의 투과율 예측을 위한 위상 데이터 분석과 기계 학습의 결합

문제 제기
다공성 매체의 투과율 예측은 지하수 여과부터 석유 회수에 이르기까지 다양한 분야에서 중요한 과제입니다. 전통적인 방법은 실험실 실험에 의존하거나 수치 시뮬레이션을 통해 편미분 방정식 (PDE) 을 푸는 방식 (예: 스토크스 방정식 사용) 입니다. 이러한 PDE 기반 시뮬레이션은 정확하지만, 특히 크기가 크거나 구조적으로 복잡한 샘플의 경우 미세한 메쉬와 상당한 처리 시간이 필요하여 계산 집약적입니다. 저자들은 다공성 매체의 디지털화 표현이 증가함에 따라 이 문제가 직접 시뮬레이션의 계산 비용을 우회하면서도 예측 정확도를 유지하기 위해 데이터 기반 접근법, 특히 기계 학습 (ML) 에 적합하다고 주장합니다.

방법론
본 연구는 합성 다공성 구조에서 유도된 기하학적, 위상적, 네트워크 기반 기술자를 사용하여 투과율을 예측하는 ML 모델을 훈련하기 위한 워크플로우를 수립합니다.

1. 데이터 생성:

   • 저자들은 Porous Microstructure Analysis (PuMA) 소프트웨어를 사용하여 1,000 개의 합성 3 차원 다공성 구조를 생성했습니다.
   • 이러한 구조는 $50 \times 50 \times 50$ 보크셀 영역 내에서 무작위로 분포된 고체 구 (지름 5~15 보크셀) 로 구성되어 있으며, 0.5 의 공극률을 목표로 합니다.
   • 기준값 (Ground Truth): 각 구조의 투과율은 PuMA 의 내장 기능을 사용하여 스토크스 방정식을 풀고 투과율 텐서의 대각 성분을 평균화함으로써 직접 계산되었습니다.

2. 특징 추출:
   저자들은 ML 모델의 입력 변수로 활용하기 위해 세 가지 범주의 특징을 추출했습니다.

   • 구조적 특징: 구의 지름, 공극 공간 확산도, 비표면적, 곡률률 등 공극 공간 기하학의 측정 가능한 특성입니다. 이러한 값들은 PuMA 의 내장 함수를 사용하여 계산되었습니다.
   • 위상적 특징: 위상 데이터 분석 (TDA), 구체적으로 지속적 호몰로지 (PH) 를 사용하여 유도되었습니다. 두 가지 방법이 사용되었습니다:
     • 알파 복합체 (Alpha Complex) 접근법: 공극 픽셀을 부분 표본 추출하여 점 구름을 생성했습니다. $\alpha$-복합체가 구성되고, 연결된 구성 요소 (차원 0) 와 루프 (차원 1) 의 탄생과 죽음을 추적하기 위해 지속도 다이어그램 (PD) 이 생성되었습니다.
     • 유클리드 거리 변환 (EDT) 접근법: 각 공극 픽셀에서 가장 가까운 고체 경계까지의 부호 있는 유클리드 거리가 계산되었습니다. 이러한 값에 초수준 여과 (Superlevel filtration) 를 적용하여 PD 를 생성했습니다.
     • 스칼라 변환: PD 들은 총 지속도 (Total Persistence, TP) 라는 스칼라 특징으로 집계되었습니다. 이는 모든 위상 특징의 수명 (죽음에서 탄생을 뺀 값) 을 합산한 것입니다.
   • 네트워크 특징: SNOW2 알고리즘 (PoreSpy 에 구현됨) 을 사용하여 다공성 구조가 공극 네트워크로 단순화되었습니다. 이 알고리즘은 공극 중심 (노드) 과 연결된 목 (엣지) 을 식별합니다. 기술자에는 네트워크 연결성 (닫힌 삼중체, 길이 2 의 경로, 엣지 수) 과 네트워크 거리 지표 (엣지 길이, 이웃 거리, 근접 중심성) 가 포함되었습니다.

3. 기계 학습 모델:

   • TensorFlow를 사용하여 순방향 신경망이 구현되었습니다.
   • 아키텍처: 하나의 입력 층, 세 개의 밀집 은닉 층 (각각 128 개의 노드), 그리고 하나의 출력 층으로 구성되어 총 약 50,000 개의 매개변수를 가집니다.
   • 훈련: 데이터셋은 700 개의 훈련 샘플, 150 개의 검증 샘플, 150 개의 테스트 샘플로 분할되었습니다. 모델은 Adam 최적화器和 평균 제곱 오차 (MSE) 손실을 사용하여 1,000 에포크 동안 훈련되었습니다. 비선형성을 도입하기 위해 Rectified Linear Unit (ReLU) 활성화 함수가 사용되었습니다.
   • 목적: 추출된 특징 벡터를 기반으로 로그 투과율 ($\log_{10} k$) 을 예측하는 것입니다.

주요 결과
본 연구는 서로 다른 특징 세트에 대한 평균 절대 백분율 오차 (MAPE) 와 계산 시간을 사용하여 모델의 성능을 평가했습니다.

• 정확도:

  • 모든 기술자 (구조적, 위상적, 네트워크) 를 사용하면 MAPE 가 **4.70%**였습니다.
  • 구조적 특징만으로는 MAPE 가 **4.75%**였습니다.
  • 위상적 특징 (총 지속도) 은 (알파-복합체의 경우) 4.72%, (EDT 의 경우) **6.31%**의 MAPE 를 달성했습니다.
  • 네트워크 연결성 특징만으로는 MAPE 가 **6.78%**였으며, 네트워크 거리 특징은 **11.60%**의 MAPE 로 성능이 저조했습니다.
  • 결과는 위상적 및 구조적 특징이 거의 최적의 예측 능력을 제공하며, 네트워크 거리 지표는 거의 유용한 정보를 제공하지 않는다는 것을 나타냅니다.

• 계산 효율성:

  • 기준값 계산: PuMA 를 통해 1,000 개의 구조에 대한 투과율을 계산하는 데 92,480 초가 소요되었습니다.
  • ML 예측: 훈련이 완료된 후, 신경망은 모든 특징을 사용하여 1,000 개의 구조에 대한 투과율을 4.7 초 내에 예측했습니다.
  • 특징 추출: 구조적 특징 추출이 가장 오래 걸렸으며 (18,040 초), 네트워크 특징 추출이 가장 빨랐습니다 (820 초). 위상적 특징 추출 (EDT) 은 312 초로 특히 효율적이었습니다.

의의 및 주장
본 논문은 위상 데이터 분석 (TDA) 이 ML 과 결합될 때 투과율 예측을 위한 의미 있는 결과를 산출하는 유용한 특징 세트를 제공한다고 주장합니다. 구체적으로:

• TDA 검증: 본 연구는 지속적 호몰로지 측도가 전통적인 구조 기술자와 비교할 수 있는 성능을 제공하며 투과율의 유효한 예측 변수임을 입증합니다.
• 효율성과 정확도의 트레이드오프: 구조적 특징이 오차와 추출 시간의 가장 좋은 균형을 제공하는 반면, 위상적 특징 (특히 EDT 를 통한) 은 완전한 구조 분석이나 직접 시뮬레이션보다 계산 오버헤드가 현저히 낮으면서도 정확한 예측을 제공하는 "중간 지대"를 제공합니다.
• 교육적 유용성: 저자들은 이 작업이 잘 문서화된 소프트웨어를 사용하여 이러한 기법을 접근하기 쉬운 방식으로 제시하며, 재료 과학에서 ML 과 TDA 를 학생들에게 소개하는 교육자 및 연구자들을 위한 자원으로 활용되기를 목표로 한다고 강조합니다.
• 제한된 범위: 저자들은 현재 연구가 합성 데이터 ($50 \times 50 \times 50$ 영역) 로 제한되어 있으며, 네트워크 단순화 (SNOW2) 는 일부 정확도 손실을 수반한다고 지적합니다. 현재 결과는 유망하지만, 향후 연구는 통계적 동질성과 일반화성을 확인하기 위해 더 큰 영역과 실험 데이터셋을 탐구해야 한다고 제안합니다.

본 논문은 이러한 기술자로 훈련된 ML 모델이 전통적인 시뮬레이션 기반 방법의 매우 효율적인 대안을 제공하며, 계산 비용을 획기적으로 줄이면서도 신뢰할 수 있는 투과율 추정을 제공한다고 결론지었습니다.