Cross-Scale Micro-CT Super-Resolution for Digital Rock Reconstruction in Heterogeneous Conglomerate Reservoirs

기술 요약: 불균질한 역암 저류층의 디지털 암석 재구성을 위한 교차 스케일 Micro-CT 초해상도 기법

문제 정의
불균질한 저류층, 특히 역암(conglomerate)의 정확한 특성 분석은 디지털 암석 물리(DRP), 탄화수소 생산 및 지하 에너지 저장(예: CCUS, UHS)에 있어 매우 중요하다. 그러나 마이크로 컴퓨터 단층 촬영(micro-CT) 이미징에는 근본적인 트레이드오프가 존재한다. 즉, 넓은 시야(FOV) 스캔은 거시적인 자갈 골격(gravel framework)을 포착하지만 미터 단위의 미세 기공 상세 정보를 놓치며, 고해상도 스캔은 기공을 분해할 수는 있으나 지질학적 불균질성을 특징짓는 데 필요한 대표 체적(REV)을 포착하는 데 실패한다. 기존의 딥러닝 기반 초해상도(SR) 방법들은 이를 해결하는 데 어려움을 겪고 있다. 합성곱 신경망(CNN)은 수용 영역(receptive field)이 부족하여 거시적 구조를 모델링할 때 왜곡을 일으키고, 생성적 적대 신경망(GAN)은 지질학적으로 일관되지 않은 아티팩트를 생성하는 경우가 많으며, 비전 트랜스포머(ViT)는 장거리 모델링은 가능하나 이차 복잡도($O(N^2)$)로 인해 대규모 3D 코어 데이터 처리에 비효율적이고 저탄소 컴퓨팅 요구 사항과 부합하지 않는다.

방법론: Hy-MambaIR
저자들은 강하게 불균질한 디지털 암석의 초해상도 재구성을 위해 설계된 하이브리드 Mamba-Transformer 네트워크인 Hy-MambaIR을 제안한다. 이 프레임워크는 충실도와 확장성의 균형을 맞추기 위해 "Local-to-Global" 직렬 구조와 슬라이스별 재구성 방식(2D 슬라이스를 3D 볼륨으로 조립)을 채택한다.

주요 아키텍처 구성 요소는 다음과 같다:

1. 계층적 어텐티브 상태 공간 블록 (H-ASSB): 두 단계로 특징을 처리하는 핵심 빌딩 유닛이다.
   • 로컬 모델링 유닛 (Local Modeling Unit): 윈도우 기반 다중 헤드 셀프 어텐션(Window-MHSA) 메커니즘과 **동적 탄젠트 활성화 정규화(Dynamic Tanh Normalization, DyT)**를 결합하여 사용한다. DyT 레이어는 기공 회복에 필수적인 고주파 세부 사항을 증폭시키는 비선형 전처리 메커니즘 역할을 한다.
   • 글로벌 모델링 유닛 (Global Modeling Unit): **계층적 어텐티브 상태 공간 모듈(H-SSM)**을 구현한다. 이 모듈은 상태 공간 모델(Mamba)의 선형 복잡도를 활용하여 장거리 의존성을 효율적으로 구축한다. 또한 특징 재정렬을 위한 시맨틱 가이드 이웃(Semantic-Guided Neighborhood, SGN) 알고리즘과 글로벌 컨텍스트 모델링을 위한 어텐티브 상태 공간 방정식(ASE)을 포함한다.
2. 공간-채널 어텐션 블록 (SCAB): Mamba 브랜치 내에 통합되어 2차 정밀화를 수행한다. 이 모듈은 채널 어텐션 블록(CAB), 파라미터가 없는 공간 어텐션 모듈(SimAM), 그리고 공간 적응형 특징 변조(SAFM)를 결합하여 특징을 정제하고 CT 이미징 노이즈를 억제하며 기공 경계를 강화한다.
3. 학습 전략: 픽셀 수준의 정확도와 물리적 충실도를 우선시하기 위해 Charbonnier 손실 함수를 사용하여 학습한다. "글로벌 우선, 그 다음 로컬" 식의 아키텍처 순서를 채택하여, 글로벌 구조 모델링이 로컬 세부 정밀화보다 먼저 수행되도록 한다.

주요 기여

1. 새로운 아키텍처: 불균질한 역암 저류층의 FOV-해상도 트레이드오프를 완화하기 위해 설계된 작업 지향적 하이브리드 프레임워크인 Hy-MambaIR을 도입하였다.
2. 아키텍처 혁신: 윈도우 기반 로컬 트랜스포머 유닛, 어텐티브 상태 공간 글로벌 모델링 브랜치, 그리고 SCAB 기반의 특징 정제 기능을 통합하여 미세 기공과 거시적 자갈 구조의 회복을 조율하는 직렬 구조를 개발하였다.
3. 효율성 향상: 기존 트랜스포머 모델(HAT)보다 6.6배 빠른 수렴 속도를 달면서도 높은 재구성 품질을 유지하는 우수한 계산 효율성을 입증하였다.
4. 물리적 근거 기반 평가: 이미지 품질 지표(PSNR/SSIM)를 넘어 세그멘테이션 일관성, 기공 네트워크 토폴로지, 단상 유동 특성을 포함하는 종합적인 평가 프레임워크를 구축하여 재구성 충실도를 검증하였다.

결과
모델은 중국 융가 베이슨(Junggar Basin) 마후 사그(Mahu sag)의 팬-델타 역암에서 추출한 쌍을 이룬 다중 해상도 micro-CT 이미지를 통해 평가되었다.

• 이미지 재구성 품질: Hy-MambaIR은 33.36 dB의 피크 신호 대 잡음비(PSNR)를 달성하였으며, 이는 최신 트랜스포머 모델인 HAT보다 1.31 dB, CNN 모델인 RCAN보다 1.26 dB 높은 수치이다. 또한 가장 높은 구조적 유사도 지수(SSIM) 0.7941과 가장 낮은 LPIPS(Learned Perceptual Image Patch Similarity) 0.1974를 기록하였다.
• 수렴 효율성: 모델은 600회 반복 학습 만에 PSNR 30 dB에 도달하였으며, 이는 HAT(4,000회 반복)과 비교했을 때 6.6배 감소한 수치이다.
• 물리적 정확도 (세그멘테이션 및 토폴로지):
  • 세그멘테이션: IoU 0.901 및 Dice 계수 0.948을 달축하였으며, 이는 HAT(IoU 0.723) 및 Bicubic 보간법(IoU 0.707)을 크게 상회하는 성능이다.
  • 토폴로지: 재구성된 이미지는 기공-목(pore-throat) 분포와 연결성을 보존하였으며, 오일러 특성 밀도($\chi_v$)가 실제 값(ground truth)과 밀접하게 일치하였다.
  • 유동 시뮬레이션: $855^3$ 벡셀의 대표 체적(REV)에 대해, 3방향 절대 투과율의 평균 상대 오차(MRE)는 **18.56%**였다.
• 일반화 능력: 다른 암종인 자갈 샌드스톤(pebbly sandstone)에 대한 지도 학습 미세 조정을 통해, 모델은 투과율 MRE를 **3.59%**까지 낮추어 암종 간 전이 가능성을 입증하였다.

의의
본 논문은 Hy-MambaIR이 물리 정보 기반 디지털 암석 재구성을 위한 계산 경로를 구축한다고 주장한다. 계산 효율성과 거시적 구조적 일관성 및 미시적 물리적 충실도를 성공적으로 조화시킴으로써, 이 방법은 강력하게 불균질한 저류층을 특성화하는 데 있어 핵심적인 병목 현상을 해결한다. 결과는 제안된 프레임워크가 전통적인 이미징 및 기존 SR 방법들이 필요한 교차 스케일 특징을 포착하지 못하는 복잡한 지질 에너지 시스템에서 고충실도 저류층 특성 분석 및 유동 분석을 가능하게 함을 시사한다. 저자들은 현재 구현이 2D-to-3D 슬라이스 전략을 사용하고 있지만, 프레임워크가 연속성 관련 구조적 특성을 효과적으로 보존하여 다운스트림 암석 물리 작업에 신뢰할 수 있는 데이터 기초를 제공한다고 언급하였다. 향업 과제로 물리적 일관성을 더욱 향상시키기 위해 3D Mamba 아키텍처 및 물리 정보 신경망(PINNs)을 탐구할 것을 제안하였다.