초록 탄산염 암석의 기공 구조를 정확하게 특성화하는 것은 지하 저장소에서의 유체 흐름 및 저장 용량 평가에 중요하며, 이는 지구 물리 탐사 및 저장소 공학에서 핵심적인 문제입니다. 본 연구는 깊은 학습 기반 분할, 벡터 기하 분석 및 클러스터링 기법을 통합한 하이브리드 디지털 암석 물리학 워크플로우를 제안하여 22 및 42μm의 해상도로 X선 미세 전산화 단층 촬영을 통해 기공 규모의 특징을 조사합니다. 합성곱 신경망(CNN)은 복잡한 기공 기하학의 분할을 향상시켜 기존의 임계값 설정 방법의 한계를 해결합니다. 대표적인 초등 볼륨을 추정하기 위해 이차원 기공도(φ) 분포를 리만 방법을 사용하여 삼차원 공간으로 통합했습니다. 기공 연결성(κ)은 지역 접선 및 수직선의 벡터 기반 분석에서 유도된 조정 수(ν)를 통해 정량화되어 목구멍과 기공 네트워크를 정확하게 식별할 수 있습니다. CNN 모델은 두 개의 탄산염 샘플(IL033 및 IL636)에서 훈련되어 각각 0.9850 및 0.9914의 훈련 정확도와 0.9854 및 0.9918의 검증 정확도를 달성했습니다. CNN 및 클래식 분할 접근법에서의 총 기공도(φ) 추정치는 실험 데이터와 비교되었으며, 깊은 학습 접근법이 특히 고해상도에서 분리된 또는 연결이 좋지 않은 기공을 포착하는 데 뛰어난 성능을 보였습니다. 이 통합 방법론은 미세 구조의 이질성을 정량화하고 그 기공 연결성 및 기하학에 미치는 영향을 평가하기 위한 강력한 프레임워크를 제공하여 보다 현실적인 지구 물리학 모델링 및 저장소 시뮬레이션에 기여합니다.
Gonçalves et al. (Thu,)는 이 질문을 연구했습니다.