A convolutional neural network surrogate for hierarchical homogenization: fast elastic moduli prediction of digital rocks

Technische Samenvatting: Een Convolutioneel Neuraal Netwerk Surrogaat voor Hiërarchische Homogenisatie

Probleemstelling
Digital Rock Physics (DRP) beoogt effectieve gesteente-eigenschappen, zoals elastische moduli, rechtstreeks te schatten vanuit 3D micro-CT-beelden. Hoewel Direct Numerical Simulations (DNS) op hoge-resolutie scans nauwkeurige resultaten bieden, zijn ze computationeel te kostbaar voor grote gesteentendomeinen, wat een knelpunt vormt voor praktische toepassingen in reservoirkarakterisering en CO2-sequestratie. Hiërarchische Homogenisatie (HHM) werd voorgesteld om dit te verzachten door elasticiteit op kleinere subkubussen op te lossen en op te schalen naar een globale oplossing. Echter, de initiële stap van HHM vereist nog steeds kostbare DNS op een groot aantal subkubussen. Bovendien hebben eerdere pogingen om deze stap te vervangen door Convolutionele Neurale Netwerken (CNN's) specifieke modelleringskeuzes gemaakt—zoals het behandelen van subkubussen als isotroop en het voorspellen van Hashin–Shtrikman (HS) genormaliseerde factoren in plaats van moduli direct—zonder een systematische evaluatie van de impact daarvan op nauwkeurigheid en efficiëntie.

Methodologie
De auteurs stellen een workflow voor die een lichtgewicht 3D Convolutioneel Neuraal Netwerk (CNN) combineert met HHM om effectieve elastische moduli voor grote digitale gesteenten te voorspellen. De methodologie omvat:

1. Data Partitionering: Grote gesteentevolumes (bijv. $900 \times 900 \times 900$ voxels) worden verdeeld in niet-overlappende subkubussen ($75 \times 75 \times 75$ voxels).
2. CNN Architectuur: Een gedeelde, lichtgewicht 3D CNN-backbone (drie Conv3D + MaxPool blokken gevolgd door volledig verbonden lagen) extraheert multiscale kenmerken uit de gevoxeliseerde micro-CT-inputs.
3. Trainingsdoelen: De studie vergelijkt systematisch drie verschillende trainingsdoelen voor de CNN:
   • Model 1: Voorspelt de volledige $6 \times 6$ anisotrope stijfheidstensor ($C$), waardoor anisotrope subkubusgedrag mogelijk is.
   • Model 2: Voorspelt direct isotrope bulkmodulus ($K$) en afschermmodulus ($G$), afgeleid van de stijfheidstensor via Voigt-gemiddelden.
   • Model 3: Voorspelt HS-genormaliseerde factoren ($f_K, f_G$) die binnen de Hashin–Shtrikman-grenzen zijn beperkt, die vervolgens worden teruggekaatst naar $K$ en $G$.
4. Opschaling: De door de CNN voorspelde eigenschappen voor elke subkubus worden samengesteld tot een grofmazig elastisch volume, waarna een enkele globale elasticiteitsoplossing wordt uitgevoerd om de effectieve moduli van het volledige gesteente te verkrijgen.
5. Evaluatie: Het framework wordt getest op vijf zandsteen types (B1, B2, CG, FB1, FB2). Prestaties worden geëvalueerd door de CNN-voorspellingen te vergelijken met DNS-referenties op zowel het niveau van de subkubus als op het niveau van het grote volume (opgeschaald). De studie onderzoekt ook de noodzaak van transfer learning door modellen vanaf nul te trainen op elk gesteentetype.

Belangrijkste Resultaten

• Nauwkeurigheid: Alle drie de modellen bereiken een hoge overeenstemming met DNS-resultaten ($R^2 > 0 than 0.99$ in veel gevallen). Voor macroscopisch isotrope gesteenten levert training met isotrope doelen (Model 2 en Model 3) een iets betere nauwkeurigheid op in de uiteindelijke gehomogeniseerde moduli vergeleken met het voorspellen van de volledige stijfheidstensor (Model 1).
• Efficiëntie: Model 3 (HS-genormaliseerde factoren) vertoont de snelste trainingsconvergentie vanwege het begrensde outputbereik $[0, 1]$, wat de numerieke conditionering verbetert. Echter, Model 2 (directe $K, G$) is ook zeer efficiënt en biedt in sommige gevallen een marginaal hogere nauwkeurigheid.
• Foutpropagatie: De fout die wordt geïntroduceerd door de CNN-surrogaat op het niveau van de subkubus is aanzienlijk kleiner dan de inherente fout van het HHM-opschalingsproces zelf. Bijgevolg komt de CNN–HHM-pipeline overeen met de nauwkeurigheid van ruwe HHM, terwijl de computationele kosten drastisch worden verminderd.
• Transfer Learning: Het vanaf nul trainen van modellen voor elk gesteentetype is voldoende snel, waardoor transfer learning overbodig is voor de geteste datasets.
• Prestaties versus Benchmarks: De voorgestelde lichtgewicht modellen presteren beter dan een opnieuw getrainde versie van een eerdere zware architectuur (Benchmark 1) in zowel snelheid als nauwkeurigheid, waarbij zij consequent $R^2$-waarden hoger dan 0,95 bereiken over diverse gesteentetypes en steekproefgroottes ($300^3$ en $600^3$).

Betekenis en Claims
Het artikel beweert een robuuste en efficiënte surrogaat-workflow te bieden die de computationele beperkingen van DRP voor grootschalige voorspelling van elastische eigenschappen overwint. De auteurs stellen dat:

• Model 3 de beste algehele snelheid-nauwkeurigheid-afweging biedt en fysieke consistentie garandeert via HS-grenzen, wat het een handige standaardkeuze maakt.
• Model 2 een iets nauwkeuriger alternatief is wanneer directe modulus-outputs de voorkeur hebben.
• Model 1 alleen geschikt is als er een specifieke behoefte is om anisotroop gedrag op het niveau van de subkubus te resolveren, hoewel de isotrope aanname een verwaarloosbare fout bleek te introduceren voor de geteste macroscopisch isotrope gesteenten.
• De workflow de evaluatie van grote gesteenten versnelt met een factor $10^5$ tot $10^6$ vergeleken met directe full-rock DNS, wat praktische toepassing mogelijk maakt in scenario's die een hoge-doorvoersnelheid voor de analyse van digitale gesteentemonsters vereisen.

De studie concludeert dat het injecteren van fysieke kennis (via HS-normalisatie) of het vereenvoudigen van het doel (via de isotrope aanname) in lichtgewicht CNN's effectief de computationele kosten en voorspellende getrouwheid balanceert zonder de noodzaak van complexe transfer learning-strategieën.