Exploración de la microestructura y las propiedades petrofísicas de rocas volcánicas microporosas a través de 3D multiescala y super

Sep 25, 2023

Scientific Reports volumen 13, Número de artículo: 6651 (2023) Citar este artículo

720 Accesos

1 Altmetric

Detalles de métricas

La física digital de rocas ofrece poderosas perspectivas para investigar los materiales de la Tierra en 3D y de forma no destructiva. Sin embargo, se ha aplicado deficientemente a rocas volcánicas microporosas debido a sus microestructuras desafiantes, aunque se estudian para numerosas aplicaciones vulcanológicas, geotérmicas y de ingeniería. Su rápido origen, de hecho, conduce a texturas complejas, donde los poros se dispersan en matrices finas, heterogéneas y litificadas. Proponemos un marco para optimizar su investigación y enfrentar desafíos innovadores de imágenes 3D/4D. Se realizó un estudio multiescala en 3D de una toba mediante microtomografía de rayos X y simulaciones basadas en imágenes, y se descubrió que las caracterizaciones precisas de la microestructura y las propiedades petrofísicas requieren escaneos de alta resolución (≤ 4 μm/px). Sin embargo, la obtención de imágenes de alta resolución de muestras grandes puede necesitar mucho tiempo y rayos X duros, cubriendo pequeños volúmenes de roca. Para hacer frente a estas limitaciones, implementamos redes neuronales convolucionales 2D/3D y enfoques de superresolución basados ​​en redes antagónicas generativas. Pueden mejorar la calidad de los escaneos de baja resolución, aprendiendo funciones de mapeo desde imágenes de baja resolución hasta imágenes de alta resolución. Este es uno de los primeros esfuerzos para aplicar la súper resolución basada en el aprendizaje profundo a rocas digitales no sedimentarias no convencionales y escaneos reales. Nuestros hallazgos sugieren que estos enfoques, y principalmente las redes 2D U-Net y pix2pix entrenadas en datos emparejados, pueden facilitar en gran medida la obtención de imágenes de alta resolución de rocas microporosas (volcánicas) grandes.

La rápida deposición y litificación de productos volcánicos durante grandes erupciones explosivas originan volúmenes significativos de rocas microporosas, típicamente en forma de tobas (es decir, piroclastos consolidados). Por lo tanto, suelen estar muy extendidos en áreas volcánicas tanto como rocas superficiales como subterráneas, donde se desarrollan acuíferos y se pueden emplazar depósitos geotérmicos, lo que afecta la dinámica del volcán y las señales relacionadas detectadas por las redes de monitoreo. Por lo tanto, el estudio de su microestructura y propiedades petrofísicas es valioso para aplicaciones de ingeniería vulcanológica, de energía geotérmica, de petróleo y gas, hidrogeológica y de otro tipo (p. ej., materiales de construcción, almacenamiento de desechos nucleares, adsorción/captura de CO2)1,2,3,4,5 ,6,7,8. El rápido origen de estas rocas, sin embargo, da lugar a microestructuras complejas, donde los poros se encuentran dispersos en una matriz muy fina, heterogénea y litificada, lo que dificulta su exploración. En particular, las tobas se definen como el equivalente consolidado de la ceniza volcánica (lluvia o flujo), es decir, fragmentos de diferente tamaño (< 2 mm), naturaleza (vidrio volcánico, cristales y rocas erosionadas del subsuelo/superficie) y forma9. Las tobas más comunes surgen típicamente del emplazamiento de corrientes de densidad piroclástica calientes (hasta > 600 °C), rápidas (hasta > 300 m/s) y voluminosas (hasta > 1000 km3, cubriendo hasta > 20.000 km2), compuesto por una mezcla de gas y partículas volcánicas. La alteración posdepositacional del vidrio volcánico puede promover la formación de nuevos minerales (p. ej., zeolitas, arcillas), litificando y complicando aún más sus estructuras10.

Los recientes avances tecnológicos permiten caracterizar la textura y las propiedades de las rocas en 3D y de forma no destructiva en el marco de la física digital de rocas. Las muestras de roca se escanean mediante microtomografía de rayos X (micro-CT) para obtener rocas digitales en 3D, que luego se segmentan (es decir, se identifican y etiquetan diferentes fases) y se utilizan para cuantificar parámetros microestructurales y estimar propiedades físicas a través de varios tipos de simulaciones numéricas11 ,12,13,14,15. Esto permite investigar mejor los procesos físicos a diferentes escalas espaciales (desde muestra/escala de núcleo hasta escala de poro) y temporales (es decir, imágenes 4D durante experimentos in situ o ex situ), realizar múltiples simulaciones en diferentes condiciones y preservar las muestras para futuros análisis (particularmente útil para la perforación de núcleos). Sin embargo, como cualquier tecnología de imagen, micro-CT requiere un equilibrio entre resoluciones (o tamaño de píxel) capaz de resolver correctamente el espacio de poros y campos de visión (FoV; es decir, volumen de muestra que se puede visualizar) capaz de garantizar la representatividad . Además, escanear un FoV más pequeño a alta resolución de una muestra más grande (p. ej., núcleos de roca), aunque no involucra artefactos relevantes, puede requerir tiempos de escaneo excesivamente largos o rayos X duros15. Varios trabajos demostraron los efectos nocivos que pueden tener las bajas resoluciones en la caracterización cuantitativa de rocas digitales, especialmente cuando están presentes texturas finas (p. ej., microporosidad carbonatada16,17,18,19).

En los últimos años, los enfoques de superresolución basados ​​en el aprendizaje profundo se están expandiendo rápidamente en el campo de la visión por computadora, y los métodos de superresolución basados ​​en redes neuronales convolucionales (CNN) y redes antagónicas generativas (GAN) están demostrando ser particularmente eficientes. Estos enfoques permiten mejorar la calidad de una imagen de baja resolución, aprendiendo funciones de mapeo desde imágenes de baja resolución (LR) hasta imágenes de alta resolución (HR)20. Por lo tanto, probar la efectividad de estos métodos en rocas digitales con diferentes características puede ser fundamental para mejorar los flujos de trabajo de física de rocas digitales, como para lograr un gran volumen de muestras con alta resolución o mejorar los escaneos rápidos de baja calidad (por ejemplo, para conservar muestras y obtener imágenes 4D). con grandes aparatos experimentales y/o alta resolución temporal). Se han realizado algunos esfuerzos pioneros en esta dirección, que han dado lugar a resultados muy prometedores, aunque en la mayoría de los casos las imágenes LR se submuestrearon sintéticamente a partir de escaneos HR y solo se emplearon rocas digitales sedimentarias convencionales18,20,21,22,23,24,25 (por detalles ver 20,25).

En este estudio, exploramos métodos para optimizar la caracterización 3D no destructiva de la microestructura y las propiedades de flujo de las rocas de toba microporosa, que son rocas digitales "no convencionales" (es decir, en gran parte inexploradas en el marco de la física de rocas digitales). De hecho, hasta ahora se han investigado poco con micro-CT a pesar de su amplia gama de aplicaciones, posiblemente debido a sus desafiantes microestructuras. Proponemos una imagen multiescala de un núcleo de toba con tamaños de píxel progresivamente decrecientes (de 16 a 1,75 μm) y campos de visión, y un tiempo de exposición creciente, para encontrar una compensación razonable entre resolución y FoV. A continuación, se aplicaron varios enfoques de superresolución basados ​​en CNN y GAN en 2D y 3D a imágenes HR y LR reales para mejorar aún más su imagen (evitando la reducción de resolución sintética para tener en cuenta los artefactos y los problemas que surgen durante la obtención de imágenes reales y el registro de imágenes). En particular, se implementaron redes que han mostrado resultados sólidos en varios campos científicos y de visión por computadora para superresolver de manera efectiva y rápida estas rocas digitales complejas. Las imágenes 3D obtenidas luego se evaluaron calculando los parámetros de transporte. Investigamos la toba Campanian Ignimbrite (CI), el producto dominante de la mayor erupción volcánica del Cuaternario en Europa, durante la cual se emitieron alrededor de 457–660 km3 de material piroclástico26 (Fig. 1). La erupción se produjo en la caldera de Campi Flegrei (Nápoles, Italia), una de las zonas volcánicas activas más peligrosas de Europa27,28,29, donde las tobas superficiales están muy extendidas y los depósitos que llenan la caldera están dominados por tobas subterráneas5.

Ubicación, distribución, aspecto e imágenes 3D de la toba Ignimbrita del Campaniano. (a) Área cubierta por corrientes de densidad piroclástica de ignimbritas del Campaniano en tierra (dibujado en amarillo siguiendo las restricciones de Silleni et al.26 en el mapa de Google Earth Pro 7.3.6: https://www.google.com/earth/about/ versiones/). (b) Sección transversal de un núcleo (diámetro: 54 mm, altura: 103 mm) de la toba Campanian Ignimbrite empleada para la medición de laboratorio. ( c ) Imágenes de rayos X multiescala 3D. Izquierda: Núcleo de toba (diámetro ~ 20 mm, altura ~ 40 mm) adquirido por microtomografía de rayos X. Derecha: escaneos 3D obtenidos progresivamente reduciendo el tamaño de los píxeles y los campos de visión, y aumentando el tiempo de exposición: baja resolución (LR; 16 μm/px), alta resolución (HR; 4 μm/px) y muy alta resolución (VHR; 1,75 μm/px). px) exploraciones (planos XZ). (d) Imagen de baja resolución (LR) (entrada) y su correspondiente contraparte de alta resolución (HR) (realidad en el terreno) utilizada para entrenar y validar modelos de superresolución emparejados.

Los estudios digitales de rocas son una herramienta poderosa para explorar cuantitativamente la microestructura y las propiedades físicas de las rocas en 3D y de forma no destructiva. Las investigaciones se han centrado principalmente en rocas sedimentarias (especialmente areniscas y carbonatos) hasta el momento11,12,13,14 pero se están expandiendo rápidamente a otros tipos de rocas, incluidas las volcánicas3,29,30,31,32,33. Aunque ahora se dispone de varios trabajos para lavas y piroclastos volcánicos no consolidados con texturas relativamente simples, se han hecho muy pocos esfuerzos para examinar rocas volcánicas microporosas consolidadas6,7. Particularmente, hasta donde sabemos, sus propiedades nunca fueron exploradas sistemática y cuantitativamente en el marco de la física digital de rocas a pesar de su amplia gama de aplicaciones, posiblemente debido a sus desafiantes microestructuras.

Las rocas de toba microporosa pueden mostrar relaciones complejas entre las propiedades de flujo, que no pueden estimarse simplemente obteniendo ecuaciones clásicas empíricas o semiempíricas (p. ej., Kozeny-Carman) (Fig. 2a). Por lo tanto, puede ser crucial examinar las muestras de interés con investigaciones específicas.

Propiedades petrofísicas de las tobas de Campi Flegrei y la toba Ignimbrita del Campaniano investigada. (a) Datos bibliográficos sobre las tobas de la caldera de Campi Flegrei (CFc) utilizando enfoques de laboratorio convencionales57,58,59,60. Los datos sobre la toba Campanian Ignimbrite (CI) se muestran en gris. La toba CI se puede clasificar como un material altamente poroso y moderadamente permeable, cuyas propiedades hidráulicas dependen en gran medida de la composición, el alto contenido de piedra pómez y el grado de soldadura del depósito ignimbrítico. Las otras tobas se originaron principalmente durante las erupciones de la Toba Amarilla Napolitana, Gauro, La Pietra, Nisida y Baia. (b) Porosidad (arriba) y permeabilidad (abajo) estimadas a través de análisis digitales de física de rocas de imágenes LR, HR y VHR (central 6403 px) así como imágenes súper resueltas (todas 25603 px: 6403 px × factor de escala de 4 , para porosidad total; central 9003 px para permeabilidad intrínseca, el volumen máximo explotable para nuestro sistema computacional, ver también Fig. 6), obtenido aplicando los modelos mejor entrenados (2D U-Net y pix2pix) a la imagen LR. También se muestra el efecto de las variaciones del umbral (es decir, la sensibilidad del umbral), estimando la porosidad total a medida que el valor del umbral diverge de un valor óptimo (es decir, el valor de Otsu; 0 en el eje x y el símbolo del círculo). Los datos de laboratorio se proporcionan para la comparación.

Con el fin de optimizar su caracterización, realizamos una imagen multiescala de la toba ignimbrita del Campaniano, el producto dominante de la erupción volcánica cuaternaria más grande de Europa, ampliamente distribuida en la caldera de Campi Flegrei e investigada para varias aplicaciones científicas e industriales3,4,5, 26,29 (Fig. 1a,b). Se adquirieron tres escaneos 3D (de unos 10003 px) por micro-CT mejorando progresivamente la resolución: escaneos LR (baja resolución), HR (alta resolución) y VHR (muy alta resolución) con un tamaño de píxel de 16, 4 y 1,75 μm , respectivamente (Fig. 1c, d). La principal limitación de esta tecnología, como para cualquier técnica de imagen, es que los escaneos con resoluciones más altas de una muestra solo se pueden obtener a expensas de campos de visión más pequeños y tiempos de escaneo más largos. En consecuencia, se requiere un compromiso entre resoluciones capaces de resolver adecuadamente el espacio poroso, campos de visión capaces de garantizar la representatividad de la muestra y tiempos de escaneo aceptables para lograr una buena calidad de imagen. Uno de los enfoques más confiables para evaluar la eficiencia de diferentes escaneos es comparar sus propiedades petrofísicas con datos de laboratorio equivalentes medidos siguiendo estándares internacionales12,17,20.

Obtuvimos una porosidad total de 0.74, 0.49 y 0.48 (porosidad percolada = 99%) y una permeabilidad intrínseca de 518,021, 1649, 443 mD para nuestros escaneos LR, HR y VHR, definiendo un flujo de trabajo de análisis de imagen simple que comprende segmentación con algoritmo Otsu y simulaciones de permeabilidad con métodos reticulares de Boltzmann sobre volúmenes centrales de 6403 px (Fig. 2b). Por otro lado, por medidas de laboratorio se obtuvo una porosidad total promedio de 0.51 y una permeabilidad intrínseca de 476 mD. Nuestros datos muestran que el escaneo LR, aunque cubre gran parte del ancho del núcleo, tiene un tamaño de píxel demasiado alto para segmentar adecuadamente los poros, lo que lleva a una sobreestimación general de la porosidad y la permeabilidad (Fig. 2b). En detalle, los poros pequeños y los granos de matriz no se discriminan correctamente debido a la baja resolución, lo que da como resultado porciones de la roca digital segmentada con sobrepredicción (debido a la fracción de poro prevaleciente y/o matriz muy fina) o subpredicción (debido a la fracción sólida prevaleciente y /o poros muy pequeños) espacio poroso (Figs. 3, 4). Es consistente con varios estudios de rocas digitales en rocas sedimentarias16,17,18,19. Por el contrario, el escaneo HR tiene un tamaño de píxel capaz de resolver adecuadamente los espacios porosos (Figs. 3, 4) y un campo de visión capaz de garantizar la representatividad, mostrando propiedades petrofísicas casi consistentes con los datos de laboratorio (Fig. 2b). Finalmente, la exploración VHR permite alcanzar valores aún más cercanos a los datos de laboratorio a pesar de su pequeño campo de visión (Fig. 2b). Resaltamos que es solo una comparación cualitativa entre mediciones digitales y de laboratorio. Nuestros resultados digitales se obtuvieron, de hecho, adoptando un flujo de trabajo muy directo para minimizar la influencia de diferentes enfoques de filtrado, segmentación y simulación. Además, los datos de laboratorio se midieron en diferentes tapones, y con diversos tamaños, de los utilizados para el análisis de micro-CT, aunque perforados desde el mismo bloque de toba. Sin embargo, puede ser útil discutir rápidamente el umbral de sensibilidad34 para la segmentación de los escaneos adquiridos. De hecho, la segmentación de imágenes es un paso crucial para la física digital de rocas, pero se ve muy afectada por los valores de umbral seleccionados por el usuario/algoritmo. Exploramos cómo cambia la porosidad con variaciones de umbral del valor de Otsu. El umbral de Otsu, de hecho, demostró ser uno de los mejores enfoques posibles para capturar las características texturales de nuestras rocas sin verificaciones geológicas adicionales (para obtener detalles sobre los flujos de trabajo impulsados ​​por la geología para la segmentación de rocas, consulte Balcewicz et al.35). Nuestros datos muestran que los escaneos HR y VHR proporcionan valores de porosidad poco afectados por los parámetros seleccionados por el usuario/algoritmo, mientras que el escaneo LR es muy sensible a las variaciones del umbral (Fig. 2b).

Imágenes de validación súper resueltas: redes 2D entrenadas en datos emparejados. Rebanadas de validación para CNN 2D (U-Net, SR-ResNet, EDSR, WDSR-a, WDSR-b) y GAN (pix2pix) empleadas para imágenes de súper resolución. Las imágenes LR (entrada) y HR (realidad en tierra) también se muestran para comparar. Los detalles de capacitación correspondientes y las métricas de calidad de imagen se informan en la Tabla 1.

Imágenes de validación súper resueltas: redes 2D vs. 3D entrenadas en datos emparejados. Los mejores modelos 2D resultantes, pix2pix y U-Net, se entrenaron tanto en 2D como en 3D. Las imágenes LR (entrada) y HR (realidad en tierra) también se muestran para comparar. Los detalles de capacitación correspondientes y las métricas de calidad de imagen se informan en la Tabla 1. Para LR, HR y datos de validación de redes 2D, que superaron los modelos 3D correspondientes, también se proporcionan imágenes segmentadas (binarias).

En resumen, el estudio multiescala de nuestro núcleo de toba muestra que la investigación de pequeñas porciones de rocas de toba con alta resolución puede permitir estimaciones más precisas de sus propiedades petrofísicas. Sin embargo, se debe prestar mucha atención al riesgo de no representatividad cuando se exploran volúmenes de roca muy pequeños debido a la alta heterogeneidad que suele caracterizar a las rocas volcánicas3,36. Además, los escaneos de alta resolución pueden requerir tiempos de escaneo excesivamente largos o rayos X duros, especialmente cuando solo se dispone de muestras de rocas grandes15. Para hacer frente a estas limitaciones, examinamos la eficacia de los enfoques de superresolución basados ​​en el aprendizaje profundo en este tipo de rocas digitales.

Los métodos de súper resolución basados ​​en el aprendizaje profundo pueden permitir mejorar la calidad de una imagen aprendiendo funciones de mapeo de imágenes de baja resolución a imágenes de alta resolución. Evaluar su eficacia en imágenes 3D de rocas puede mejorar de manera crítica los flujos de trabajo de física digital de rocas (p. ej., para lograr grandes campos de visión con alta resolución o mejorar escaneos 4D rápidos de baja calidad). Aunque se han realizado esfuerzos pioneros para aplicar estos métodos a rocas digitales, se centraron principalmente en rocas sedimentarias y emplearon imágenes LR reducidas sintéticamente a partir de imágenes HR20,25. Janssens et al.18 demostraron recientemente que las imágenes LR reducidas sintéticamente a menudo pueden retener complejidades de microestructura, en gran parte comprometidas en exploraciones LR reales por artefactos de imagen.

Probamos seis enfoques diferentes de superresolución basados ​​en redes neuronales convolucionales robustas (CNN) y redes antagónicas generativas (GAN) (U-Net; SR-ResNet; EDSR; WDSR-a; WDSR-b, pix2pix; consulte "Materiales y métodos " para obtener detalles sobre las redes y su entrenamiento) utilizando los volúmenes emparejados correspondientes de nuestro escaneo LR real (datos de entrada) y escaneo HR (datos reales del suelo) de toba volcánica microporosa (Fig. 1d), con el objetivo de encontrar métodos efectivos y rápidos para optimizar la investigación de estas rocas. De hecho, el escaneo HR demostró capturar adecuadamente las propiedades de transporte con un factor de escala (4× frente a 10×) y un tiempo de escaneo (3,2 frente a 14 s por proyección) más sostenibles que el escaneo VHR. Vale la pena señalar que el cultivo LR reducido sintéticamente (con interpolación cúbica) de nuestra imagen HR muestra valores de porosidad más cercanos (0,55) al cultivo HR (0,49) que los del cultivo LR real (0,74), de acuerdo con los hallazgos de Janssens et al. al.18.

Primero empleamos arquitecturas CNN 2D distinguibles en dos grupos: U-Net y redes basadas en ResNet (SR-ResNet, EDSR, WDSR-a, WDSR-b). La red U-Net conduce a una mejora significativa de la calidad de la imagen (Figs. 3, 4), corroborada por la excelente precisión de píxeles de los datos de validación. De hecho, las imágenes de validación súper resueltas, cuando se comparan con su realidad de campo (imágenes HR correspondientes), muestran PSNR (relación señal/ruido pico) de 28,6 dB, MSE (error cuadrático medio) de 0,0014 y SSIM (índice de similitud estructural) de 0,80 (Tabla 1). En consecuencia, la porosidad total calculada a partir de su segmentación (Fig. 4) es consistente con los datos de laboratorio y es débilmente sensible a las variaciones del umbral, en contraste con sus imágenes LR equivalentes (tanto el escaneo LR como el escaneo LR aumentado al tamaño HR con interpolación cúbica) que proporcionan una porosidad total sobreestimada (Fig. 2, Tabla 1). Por el contrario, todas las redes basadas en ResNet empleadas parecen inadecuadas para mejorar la calidad de las imágenes y simplificar su procesamiento. De hecho, la aplicación de estos modelos entrenados a las imágenes de validación da como resultado principalmente imágenes demasiado suavizadas/borrosas, incapaces de resolver los poros pequeños y la matriz fina (Fig. 3). Esto está respaldado por métricas de baja calidad de imagen: PSNR de 27,2 dB, MSE de 0,0019 y SSIM de 0,70–0,71 (Tabla 1). En consecuencia, su segmentación aún se ve obstaculizada por las mismas dificultades descritas anteriormente para las imágenes LR (consulte la sección "Imágenes multiescala") y conduce a valores de porosidad aún más divergentes de los datos de laboratorio que las imágenes de entrada LR originales equivalentes (Tabla 1). Estos hallazgos posiblemente se deban a las arquitecturas menos complejas que U-Net, atestiguadas por la menor cantidad de parámetros entrenables (un orden de magnitud menos que U-Net) y tiempos de entrenamiento más cortos para la misma cantidad de épocas (Tabla 1). Además, a diferencia de U-Net, las imágenes LR se muestrean directamente dentro de esta red. Por lo tanto, U-Net requiere un muestreo ascendente de imagen LR preliminar al tamaño HR que aumenta los datos, mientras que las redes basadas en ResNet necesitan descartar algunas imágenes HR (dependiendo del factor de escala) para trabajar con los pares correspondientes de entrada e imágenes reales ( Tabla 1).

La mejor CNN 2D resultante, U-Net, se probó luego como generador GAN implementando una red pix2pix; estos dos modelos se exploraron tanto en 2D como en 3D. La red 2D pix2pix entrenada proporciona mejoras sustanciales en la calidad de la imagen y la precisión de píxeles de los datos de validación, incluso ligeramente mejor que 2D U-Net, aunque se requieren tiempos de entrenamiento más largos para el mismo número de épocas: PSNR de 28,8 dB, MSE de 0,0013 y SSIM de 0,82 (Tabla 1, Figs. 3, 4). Su segmentación es eficiente (Fig. 4), dando como resultado valores de porosidad consistentes con los datos de laboratorio (Tabla 1). En particular, 2D pix2pix es capaz de detectar mejor las estructuras de alta frecuencia que 2D U-Net como se esperaba (consulte la sección "Materiales y métodos"). Permite segmentar características texturales a pequeña escala (como microfisuras en cristales), sin embargo, los ligeros efectos de desenfoque/suavizado de 2D U-Net (que actúa como eliminación de ruido) a veces también son útiles. Las redes 3D U-Net y pix2pix, en cambio, producen peores resultados, lo que genera malas imágenes (Fig. 4), métricas de calidad de imagen (PSNR de 26,9 a 27,3 dB, MSE de 0,0019 a 0,0020 y SSIM de 0,68 a 0,70; Tabla 1) y valores de porosidad (debido a la consiguiente dificultad para resolver y segmentar correctamente los poros pequeños y los granos de la matriz) para los datos de validación (Cuadro 1). Posiblemente se deba al menor número resultante de parches de entrenamiento que su contraparte 2D (Tabla 1).

Con el fin de probar la efectividad general de nuestros mejores modelos entrenados, 2D U-Net y pix2pix, los aplicamos a un gran volumen de imagen LR invisible (es decir, predominantemente externo al conjunto de datos de entrenamiento/validación) y estimamos sus propiedades de transporte utilizando el método descrito. Flujo de trabajo de análisis de imágenes. Aplicando los modelos en los 6403 px centrales de la imagen LR, obtuvimos una imagen 3D súper resuelta de 25603 px con una mejora sustancial de la calidad (Fig. 5), que permite obtener imágenes de un gran campo de visión con alta resolución. Las propiedades petrofísicas estimadas son casi consistentes con los datos de laboratorio y débilmente sensibles a las variaciones del umbral (Fig. 2b). En particular, mientras que la imagen LR original muestra una microestructura aparentemente altamente porosa, permeable y heterogénea, las imágenes súper resueltas tienen porosidad, permeabilidad y uniformidad estructural coherentes con los datos de laboratorio y las características macroscópicas (Figs. 2b, 6).

Núcleo de toba grande súper resuelto: mejores modelos. Imágenes súper resueltas (25603 px) obtenidas aplicando las redes mejor entrenadas, 2D pix2pix y U-Net entrenadas en datos emparejados, a una gran imagen LR invisible (central 6403 px; es decir, predominantemente externa al conjunto de datos de entrenamiento/validación). Las imágenes LR (entrada) también se muestran para comparar. Se presentan cortes de la parte superior, media e inferior de las imágenes 3D completas, junto con un zoom en su parte central para detectar mejor las microestructuras reconstruidas.

Características petrofísicas del gran núcleo de toba súper resuelto. Mediciones petrofísicas realizadas en las imágenes súper resueltas (25603 px) obtenidas aplicando las redes mejor entrenadas, 2D pix2pix y U-Net entrenadas en datos emparejados, a una imagen LR grande (central 6403 px; ver Fig. 5). (a) Valores de porosidad estimados utilizando el método de conteo de cajas para calcular el Volumen elemental representativo mínimo, REV (arriba), así como dividir las imágenes súper resueltas en subvolúmenes representativos adyacentes (es decir, mayores que el REV mínimo) para detectar posibles heterogeneidades (abajo). (b) Ejemplo de imagen 3D súper resuelta (2D U-Net) y segmentada empleada para simulaciones de permeabilidad intrínseca (central 9003 px, el volumen máximo explotable para nuestro sistema computacional).

Finalmente, también exploramos CycleGAN, una red antagónica consistente con el ciclo desarrollada específicamente para aprender el mapeo entre imágenes de entrenamiento no emparejadas (no correspondientes) (por ejemplo, de datos de LR a HR), entrenadas tanto en 2D como en 3D para esta desafiante tarea (ver sección "Materiales y métodos" para detalles sobre red y entrenamiento). Aquí mostramos los datos obtenidos con los entrenamientos relativamente limitados alcanzables en tiempos razonables por nuestras GPU dedicadas (25 épocas: 455,625 y 5750 pasos de entrenamiento en 2D y 3D; Tabla 1), para explorar la viabilidad de super-resolución de nuestro escaneo de baja resolución en ausencia de datos emparejados de LR-HR, no siempre disponibles. Nuestros resultados parecen prometedores (especialmente en 2D), aunque moderadamente afectados por la inconstancia a lo largo del entrenamiento, los artefactos de costura y las limitaciones en la recuperación de los bordes y la uniformidad de la matriz/cristal (Fig. 7). Esto los hace aún no recomendables para estimar propiedades de transporte debido a las dificultades para segmentar imágenes con plena validez geológica. Esto posiblemente se deba a entrenamientos limitados (agravados en 3D por la menor cantidad de datos de entrenamiento) en comparación con la microestructura compleja de estas rocas, que contienen poros y granos de matriz pequeños (no fáciles de resolver) y heterogéneos. De hecho, los esfuerzos pioneros realizados utilizando redes similares en rocas digitales sedimentarias reales condujeron a resultados adecuados22,24.

Imágenes de validación súper resueltas: redes 2D y 3D entrenadas en datos no emparejados. CycleGAN se entrenó tanto en 2D como en 3D con datos no apareados (es decir, usando imágenes LR y HR no correspondientes). Las imágenes LR (entrada) también se muestran para comparar. Los detalles de entrenamiento correspondientes se informan en la Tabla 1. Un entrenamiento relativamente limitado de 25 épocas (455,625 y 5750 pasos de entrenamiento en 2D y 3D) fue posible en tiempos razonables debido a los altos costos computacionales (ver también Tabla 1).

Los flujos de trabajo de física digital de rocas son herramientas poderosas para explorar la microestructura y las propiedades físicas de las rocas. Sin embargo, hasta ahora se han realizado muy pocos esfuerzos para investigar rocas volcánicas microporosas a pesar de su amplia gama de aplicaciones, posiblemente debido a sus microestructuras desafiantes. Aquí exploramos métodos para optimizar la caracterización no destructiva en 3D de estas rocas, centrándonos en la toba ignimbrita del Campaniano, el producto dominante de la erupción cuaternaria más grande de Europa.

Se realizó una imagen multiescala de un núcleo con tamaños de píxeles progresivamente decrecientes (de 16 a 1,75 μm) y campos de visión, y aumento del tiempo de exposición. Descubrimos que se pueden lograr estimaciones más precisas de las propiedades petrofísicas examinando pequeños volúmenes de tobas con alta resolución (≤ 4 μm/px), en lugar de grandes campos de visión con resoluciones más pequeñas. Las principales limitaciones son que deben garantizarse volúmenes representativos y que los escaneos de alta resolución pueden requerir tiempos de escaneo excesivamente largos o radiografías duras (a menos que se utilicen muestras pequeñas). Por lo tanto, exploramos la efectividad de los enfoques de superresolución basados ​​en el aprendizaje profundo, implementando y comparando muchas redes neuronales convolucionales sólidas en 2D y 3D y redes antagónicas generativas entrenadas en datos LR-HR emparejados, para obtener imágenes artificiales de grandes campos de visión de nuestro microporoso. roca volcánica con alta resolución. Las redes 2D U-Net y pi2pix garantizaron excelentes mejoras en la calidad de la imagen (en comparación con la realidad en tierra: PSNR de 28,6 a 28,8 dB, MSE de 0,0013 a 0,0014 y SSIM de 0,80 a 0,82) y propiedades petrofísicas casi consistentes con las mediciones de laboratorio, en contraste con ResNet basadas en (SR-ResNet, EDSR, WDSR-a, WDSR-b) y redes 3D. Finalmente, también se empleó 2D/3D CycleGAN, una red antagónica consistente con el ciclo, para probar la viabilidad de superresolver nuestro escaneo utilizando datos de entrenamiento LR-HR no emparejados. Condujo a resultados prometedores, aunque limitados por los altos costos computacionales, ofreciendo una perspectiva positiva para lograr esta exigente tarea en rocas volcánicas complejas.

Hasta donde sabemos, es la primera vez que se prueban métodos de superresolución basados ​​en aprendizaje profundo en imágenes de rocas no sedimentarias y uno de los pocos estudios que aplica estos enfoques a imágenes LR y HR reales (es decir, no remuestreadas sintéticamente sino verdaderamente adquirida y registrada).

Aunque se debe prestar atención para extender nuestros resultados a todos los tipos de rocas volcánicas microporosas, este estudio representa el primer esfuerzo para explorar sistemáticamente estas rocas digitales "no convencionales" a través de la física digital de rocas, y también ofrece un marco para tratar con estructuras microporosas similares. y desafíos de imagen innovadores (p. ej., imágenes de alta resolución de muestras grandes o materiales a conservar, imágenes 4D con grandes aparatos experimentales y/o alta resolución temporal). Además, se cree que la toba de Campanian Ignimbrite es una de las rocas subterráneas más extendidas en la caldera de Campi Flegrei37,38, actualmente en estado de agitación desde 200528,29. Nuestros hallazgos se emplearán en estudios futuros para optimizar la investigación 3D de muestras de núcleos de perforaciones geotérmicas en esta área y la generación de imágenes con resolución temporal (4D) durante experimentos in situ y/o ex situ para restringir mejor la dinámica en curso en este gran caldera activa.

Investigamos la toba Campanian Ignimbrite (CI), el principal producto de la erupción volcánica homónima ocurrida en la caldera de Campi Flegrei (Italia) hace 39 ka39, considerada la mayor erupción del Cuaternario en Europa. Esta erupción produjo una caída basal menor, dispersada hacia el E-NE, cubierta por un depósito de corriente de densidad piroclástica estratificada (PDC) subradial dominante. La Ignimbrita Gris Soldada (WGI) es la unidad más ampliamente distribuida y constituye la mayor parte del espesor del CI26. La toba CI se originó a partir de la rápida deposición y litificación de PDC calientes con un volumen de alrededor de 453–606 km3, cubriendo un área de más de 6000 km226 (Fig. 1a). Esta toba es la más extendida entre los depósitos de relleno de calderas37,38 que se extienden hasta una profundidad de ~ 4 km5. Por lo tanto, fue investigado para numerosas aplicaciones (principalmente ingeniería vulcanológica, geotérmica, civil y de materiales)3,4,5,26,29.

Estudiamos un bloque de toba WGI recolectado de una cantera abierta para materiales de construcción cerca de la ciudad de Caserta (Fig. 1a), que consiste en escorias negras incrustadas en una matriz cenicienta con líticos y cristales subordinados (principalmente feldespatos y piroxeno). Muestra una microestructura compleja en la que los poros se distribuyen en una matriz muy fina, litificada y heterogénea (Fig. 1b). Estimamos algunas de sus propiedades hidráulicas, es decir, conductividad hidráulica, permeabilidad intrínseca y porosidad total, mediante pruebas de laboratorio y fórmulas empíricas. En particular, las medidas de conductividad hidráulica se obtuvieron mediante el ensayo de 2 muestras de roca en el Laboratorio de Ingeniería Geológica y Geotécnica del Departamento de Ciencias de la Tierra, Medio Ambiente y Recursos de la Universidad de Nápoles Federico II. Se modeló un bloque irregular de toba CI utilizando una máquina descorazonadora (MATEST, Italia, modelo A140-01), una sierra eléctrica (Husqvarna, Italia, modelo TS 230 F) y una pulidora (Buehler, Alemania, modelo AutoMet Grinder-Polishers ) para obtener dos probetas cilíndricas pulidas de 54 mm de diámetro y 103 mm de altura. Las muestras de rocas cilíndricas se prepararon de acuerdo con la norma (ASTM D4525–90). Las mediciones de conductividad hidráulica se realizaron en muestras de roca saturada, luego de sumergir los especímenes en agua destilada durante 4 días. Para dos especímenes de roca, se realizaron 12 y 18 pruebas hidráulicas de conductividad hidráulica. Las pruebas de conductividad hidráulica se realizaron de acuerdo con las normas ASTM (ASTM D2434-68, ASTM D5084-16a) mediante un aparato triaxial con celda Hoek (MATEST, Italia, modelo A137). En Allocca et al.1 se informan más detalles de los instrumentos de laboratorio y los procedimientos utilizados para medir la conductividad hidráulica. La conductividad hidráulica, K (m/s), se estimó utilizando la ley de Darcy en condiciones de flujo en estado estacionario y, posteriormente, se convirtió en permeabilidad intrínseca, ki (mD), mediante las siguientes ecuaciones:

donde q es el caudal volumétrico de agua (m3/s), A es el área de la sección transversal de la muestra cilíndrica (m2), i es el gradiente hidráulico (adimensional), μw y ρw son la viscosidad del agua (N × s /m2) y densidad (kg/m3) en condiciones ambientales respectivamente, y g (m/s2) es la constante gravitacional. Finalmente, la porosidad total, φ (adimensional) se estimó empíricamente utilizando la densidad aparente seca, ρ (kg/m3) previamente determinada en laboratorio, y la densidad equivalente de roca densa (ρDRE = 2.607 ± 31 kg/m326) siguiendo la fórmula empírica40:

Las investigaciones de microtomografía de rayos X se realizaron en un núcleo cilíndrico con un diámetro de aproximadamente 20 mm y una altura de 40 mm del mismo bloque de toba (Fig. 1c). Examinamos la muestra en múltiples escalas, disminuyendo progresivamente el tamaño de los píxeles y los campos de visión, y aumentando el tiempo de exposición. Adquirimos tres imágenes 3D (de aproximadamente 10003 px): un escaneo de baja resolución (LR) con un tamaño de píxel de aproximadamente 16 μm, un escaneo de alta resolución (HR) con un tamaño de píxel de 4 μm y una resolución muy alta (VHR) escanear con un tamaño de píxel de 1,75 μm (Fig. 1c). Los escaneos se adquirieron en el laboratorio de micro-CT del Istituto Nazionale di Geofisica e Vulcanologia—Osservatorio Vesuviano, equipado con un micro-CT ZEISS Xradia Versa 410. Las imágenes de rayos X se realizaron en modo de absorción adquiriendo radiografías 2D (proyecciones) sobre un escaneo angular total de 360 ​​°, reconstruido con un algoritmo de retroproyección filtrado usando el software XRM Reconstructor. La exploración LR se exploró a 80 kV y 7 W, utilizando un aumento óptico de 0,4x y recopilando 4001 proyecciones con un tiempo de exploración de 3 s por proyección. El escaneo HR se escaneó a 100 kV y 9 W, utilizando un aumento óptico de 4x y recopilando 4001 proyecciones con un tiempo de escaneo de 3,2 s por proyección. La exploración VHR se exploró a 100 kV y 9 W, utilizando un aumento óptico de 10x y recopilando 3201 proyecciones con un tiempo de exploración de 14 s por proyección. Para las exploraciones HR y VHR, se utilizó un filtro de baja energía (LE6) para minimizar el endurecimiento del haz.

Los métodos de súper resolución basados ​​en redes neuronales convolucionales y redes antagónicas generativas están demostrando ser particularmente eficientes para mejorar la calidad de las imágenes de baja resolución en numerosas aplicaciones. Aquí, probamos la efectividad de estos enfoques en imágenes de roca toba con microestructuras desafiantes. Utilizamos escaneos LR y HR reales (ver sección "Imágenes de rayos X multiescala"), con un factor de escala de 4x, oportunamente preprocesados, y varias redes basadas en 2D-3D, CNN y GAN.

Entrenamos siete redes diferentes que han mostrado resultados muy efectivos y rápidos en numerosos campos y desafíos científicos y de visión artificial (U-Net, SR-ResNet, EDSR, WDSR-a, WDSR-b, pix2pix, CycleGAN; Fig. 8). Utilizamos principalmente pares correspondientes de imágenes LR (datos de entrada) y HR (datos de verdad del terreno), enfocándonos progresivamente en las redes descifradas más eficientes para la microestructura de nuestra toba después de los estudios paramétricos pertinentes. Inicialmente se emplearon CNN 2D (CNN basadas en U-Net y ResNet: SR-ResNet, EDSR, WDSR). A continuación, se utilizó el mejor modelo resultante (U-Net) tanto en 2D como en 3D, y como generador de una GAN (pix2pix). Finalmente, probamos una red antagónica consistente con el ciclo (CycleGAN) desarrollada específicamente para aprender el mapeo entre imágenes de entrenamiento no emparejadas (no correspondientes) (por ejemplo, de datos LR a HR) tanto en 2D como en 3D.

Redes de superresolución. Redes neuronales convolucionales (CNN: U-Net, SR-ResNet, EDSR, WDSR-a, WDSR-b) y redes antagónicas generativas (GAN: pix2pix, CycleGAN) empleadas para imágenes de súper resolución. Los bloques del mismo color representan el mismo tipo de capa(s); si se repiten varias veces, se informa sobre los bloques (por ejemplo, 2×). Para capas convolucionales (2D o 3D), el número de filtros se proporciona en la parte inferior y el tamaño del kernel (junto con los pasos, entre paréntesis, cuando es diferente de 1) en la parte superior. Las flechas inferiores de color gris claro muestran conexiones de omisión (concatenación para U-Net, pix2pix, CycleGAN, adición para SR-ResNet, EDSR, WDSR-a, WDSR-b), mientras que las flechas superiores de color gris oscuro indican bloques residuales para redes basadas en ResNet (SR-ResNet, EDSR, WDSR-a, WDSR-b) y CycleGAN.

Las redes neuronales convolucionales profundas, CNN, son una clase de redes neuronales que tienen capas convolucionales como bloques de construcción. Convolucionan una entrada (un tensor con forma: número de entradas, altura de entrada, ancho de entrada, canales de entrada, en 2D; inicialmente lotes de imágenes de entrada) con un conjunto de filtros convolucionales (con forma: número de filtros, altura del núcleo, ancho, en 2D) dando un mapa de características como salida; por lo tanto, el número y la forma de los filtros convolucionales tienen un impacto crucial en el total de parámetros entrenables resultantes. Las CNN suelen combinar capas convolucionales con capas de activación, normalización por lotes, submuestreo y submuestreo, y minimizan las funciones de pérdida específicas mediante un optimizador para resolver tareas de regresión (p. ej., superresolución) o clasificación (p. ej., segmentación semántica)20,41. Para tareas de súper resolución, las CNN aprenden el mapeo de escaneo de LR a HR. En este estudio, primero adoptamos diferentes tipos de arquitecturas CNN, distinguibles en dos grupos: redes basadas en U-Net y ResNet. La eficacia de ambos se ve reforzada por el uso de conexiones de salto que, sumando salidas de capas someras y profundas, permiten preservar las características superficiales y optimizar el entrenamiento (evitando problemas de degradación y gradiente de fuga). La arquitectura U-Net, desarrollada originalmente para la segmentación semántica, se ha utilizado para numerosas tareas42. Funciona con imágenes de entrada y salida con la misma forma, por lo que se requiere un muestreo preliminar de los escaneos LR (a tamaño HR) para obtener una superresolución. U-Net utiliza una ruta de contracción para capturar el contexto a través de pasos de reducción de muestreo (es decir, convolución más capas de agrupación máxima) y una ruta de expansión simétrica (por lo tanto, forma de U; Fig. 8) para una localización precisa a través de muestreo ascendente (convolución ascendente) y concatenación con los mapas de características correspondientes de la ruta de contratación (saltar conexión). Por otro lado, SR-ResNet es una red de súper resolución, construida directamente sobre la red troncal ResNet43 (Fig. 8). ResNet se desarrolló originalmente para resolver tareas de reconocimiento de imágenes utilizando bloques residuales con conexiones de salto para entrenar redes muy profundas44. EDSR optimiza la arquitectura SR-ResNet, eliminando principalmente la normalización por lotes y cambiando las capas de activación (de PReLU, Unidad lineal rectificada paramétrica, a ReLU) para aumentar el rendimiento45 (Fig. 8). Finalmente, WDSR, a partir de la arquitectura EDSR, prueba el uso de funciones más amplias antes de la función de activación con los mismos parámetros y presupuestos computacionales, e introduce la normalización del peso (en lugar de la normalización por lotes o sin normalización). En función de su ancho, se proponen dos tipos diferentes: WDSR-a para canales anchos de 2×–4×, WDSR-b para canales aún más anchos de 6×–9×46 (Fig. 8). Estas CNN basadas en ResNet funcionan directamente en imágenes LR y los datos se muestrean dentro de la red a través de la reproducción aleatoria de píxeles (convolución de subpíxeles). Wang et al.47 proporcionan más información sobre rocas digitales.

A diferencia de las CNN, las redes antagónicas generativas, GAN, se componen de dos redes: un modelo generador aprende a generar imágenes falsas, un modelo discriminador aprende a clasificar las imágenes como reales (imágenes de entrenamiento) o falsas (imágenes generadas). Al mismo tiempo, se les entrena en un proceso de confrontación, durante el cual el generador intenta crear imágenes progresivamente más realistas para engañar al discriminador, que a su vez trata de identificar mejor las imágenes falsas. El discriminador se actualiza directamente, el generador se actualiza a través del discriminador48. Las GAN generalmente aprenden un mapeo de vectores de ruido aleatorio a datos de salida (en este caso, imágenes), pero pueden condicionarse a información adicional, como imágenes LR de entrada; en ese caso se denominan GAN condicionales (c-GANs49). Por lo tanto, al usar una red CNN eficiente como generador y una red de clasificación de imágenes apropiada como discriminador, las c-GAN pueden ser eficientes para los mapeos de imagen a imagen. Aquí, empleamos pix2pix50, un c-GAN con un generador basado en una arquitectura U-Net (reveló la mejor CNN para nuestro rock). Fue desarrollado para ser una solución de uso general para muchas tareas de traducción de imagen a imagen50 y se ha empleado recientemente también para la obtención de imágenes multimodales de rocas digitales51,52. La red discriminadora, llamada PatchGAN, es un clasificador CNN multicapa principalmente restringido a modelar estructuras de alta frecuencia en subparches de imágenes locales (70 × 70 px), en las que clasifica una imagen como real o falsa (Fig. 8). De hecho, las CNN (comúnmente basadas en el error absoluto medio o la pérdida de error cuadrático medio) pueden difuminar/suavizar estructuras de alta frecuencia43,50, lo que resulta en ventajas para la segmentación (actuando así como eliminación de ruido) o en la pérdida de información textural importante a pequeña escala. dependiendo de las microestructuras e imágenes investigadas20. La pérdida de pix2pix combina una pérdida de c-GAN con una pérdida de L1 (error absoluto medio) entre las imágenes generadas y las esperadas, lo que fomenta la generación de imágenes similares a la realidad del terreno.

Finalmente, CycleGAN53 es una red contradictoria desarrollada específicamente para aprender funciones de mapeo entre dos dominios (X e Y) en ausencia de imágenes emparejadas. Para abordar este problema de restricciones insuficientes, utiliza dos generadores (G: X → Y y F: Y → X), basados ​​en una red troncal ResNet modificada, y dos discriminadores antagónicos asociados (Dy y Dx), dos PatchGAN de 70 × 70, adoptando la normalización de instancias (Fig. 8). Además de las pérdidas adversarias, se introducen dos pérdidas de coherencia de ciclo para regularizar estas asignaciones de modo que: x → G(x) → F(G(x)) ≈ x y y → F(y) → G(F(x) ) ≈ y (Fig. 8). Las pérdidas de mapeo de identidad también se emplean para regularizar el generador para que esté cerca de un mapeo de identidad cuando las imágenes del dominio de destino se proporcionan como entradas. CycleGAN se creó para ser una solución general para la traducción de imagen a imagen53 y se ha aplicado recientemente a rocas digitales de superresolución22.

Aplicamos métodos de superresolución a nuestro escaneo LR (datos de entrada) y escaneo HR (datos de verdad en el suelo), que capturan adecuadamente las propiedades de transporte (consulte la sección "Imágenes multiescala") con un factor de escala más sostenible (4× frente a 10×) y tiempo de exploración (3,2 frente a 14 s por proyección) que la exploración VHR. En particular, se utilizaron cultivos LR y HR oportunamente registrados y recortados. El registro 3D se perfeccionó con el software Thermo Scientific PerGeos (basado en el software Avizo; Thermo Fisher Scientific, Waltham, MA, EE. UU. - www.thermofisher.com/pergeos) maximizando la información mutua normalizada entre los dos escaneos54, lo que resultó en una ligera traducción, rotación y escalado de escaneo LR con un tamaño de píxel final de 16 μm. Se extrajo un recorte de 640 × 640 × 972 px (es decir, el paralelepípedo inscribible más grande en nuestra roca digital cilíndrica reconstruida compatible con nuestras redes) del escaneo HR, y un volumen correspondiente de 160 × 160 × 243 px del escaneo LR ( Fig. 1d), para obtener datos apareados de entrenamiento y validación. Para U-Net y pix2pix, el recorte LR se muestreó al tamaño HR con interpolación cúbica. Se extrajo un recorte mayor de 6403 px del escaneo LR para probar los mejores modelos.

Los cultivos LR y HR fueron preprocesados ​​para optimizar el entrenamiento de las redes después de las pruebas paramétricas. Para las redes 2D, el 25 % de los cortes se seleccionaron aleatoriamente para la validación; las imágenes se subdividieron en parches de 1282 px para 2D U-Net y pix2pix, y de 402 y 1602 px (para imágenes LR y HR correspondientes, respectivamente) para redes basadas en ResNet (revelaron tamaños adecuados para capturar microestructuras toba). Los mejores modelos 2D, U-Net y pix2pix, también se entrenaron en 3D preparando subvolúmenes de 803 y 1283 px respectivamente (también limitados por nuestra disponibilidad computacional) con una superposición del 25 % para aumentar los datos; El 20% de los subvolúmenes se utilizó para la validación y los últimos 80/128 cortes se reservaron para evaluar el resultado general de los modelos.

Para las CNN 2D y 3D (redes basadas en U-Net y ResNet), los valores de escala de grises se escalaron de 0 a 1 y se utilizó una capa de activación sigmoidea al final de las redes. Fueron entrenados durante 100 épocas utilizando la pérdida de error cuadrática media (que proporcionó mejores resultados que la pérdida de error absoluta media) y el optimizador de Adam con una tasa de aprendizaje inicial de 10–3 y una caída exponencial (tasa de caída de 0,0625). En detalle, para U-Net, se utilizaron lotes de 32 y 1 imágenes para modelos 2D y 3D respectivamente, mezclando los datos de entrenamiento antes de cada época; el efecto de BatchNormalization y Dropout también se investigó sin mejoras. Para redes basadas en ResNet, se muestran los resultados de 16 bloques residuales usando lotes mezclados de 16 imágenes y para factores de expansión de filtro de 4x y 6x para WDSR-a y WDSR-b respectivamente; sin embargo, al cambiar estos parámetros no se lograron mejoras significativas. Para pix2pix, seguimos las sugerencias propuestas por sus autores, ya que se desarrolló como una solución de propósito general para muchas tareas diferentes de traducción de imagen a imagen50. Los valores en escala de grises se escalaron de -1 a 1 y se usó una capa de activación de tanh al final del generador. El modelo fue entrenado para 100 épocas utilizando un tamaño de lote de 1, seleccionando aleatoriamente las imágenes. La cantidad de épocas para entrenar CNN y GAN se seleccionó para estabilizar ampliamente las métricas para conjuntos de datos de entrenamiento y validación. Los entrenamientos se realizaron usando Tensorflow/Keras (Tensorflow 2.5.0, Python 3) en una GPU NVIDIA GeForce RTX 3070.

Luego, los resultados se evaluaron en términos de métricas de calidad de imagen y propiedades de transporte (consulte la sección "Análisis de imágenes y simulaciones de flujo"), así como controles visuales. La calidad de la imagen (con respecto a las imágenes de HR) se evaluó estimando el error cuadrático medio (MSE), la relación pico de señal a ruido (PSNR) y el índice de similitud de estructura (SSIM55).

Finalmente, también usamos datos no emparejados para entrenar CycleGAN 2D y 3D. Los datos de HR se combinaron con una pila de imágenes 2D de diferentes FoV y un subvolumen 3D, extraídos de forma independiente de los 6403 px centrales de la imagen LR y muestreados con interpolación cúbica. Estos conjuntos de datos se preprocesaron de manera similar a (2D y 3D) pix2pix. Entrenamos a CycleGAN siguiendo las sugerencias propuestas por sus autores, quienes desarrollaron una solución general para tareas de traducción de imagen a imagen53 y seleccionando aleatoriamente las imágenes. Un entrenamiento relativamente limitado de 25 épocas (455,625 y 5750 pasos de entrenamiento en 2D y 3D) fue posible en tiempos razonables (Tabla 1) debido a los altos costos computacionales, aunque para esto se empleó una GPU de mejor rendimiento (NVIDIA GeForce RTX 3090 Ti). red. La ausencia de imágenes pareadas no permitió el uso de métricas de calidad de imagen tradicionales para evaluar los resultados.

Las rocas digitales obtenidas fueron segmentadas y utilizadas para estimar las propiedades de transporte. Definimos un flujo de trabajo muy simple y tradicional para evaluar la eficiencia de nuestras imágenes de microestructuras de toba sin más complicaciones debido a los enfoques de filtrado, segmentación y simulación. Por lo tanto, primero segmentamos las imágenes utilizando el método de Otsu56, que estima automáticamente un umbral de escala de grises para una segmentación binaria (es decir, cada vóxel se etiqueta como poro o matriz), con la biblioteca de imágenes scikit en Python. Los resultados se verificaron visualmente y también se analiza el efecto del valor umbral en la segmentación (es decir, la sensibilidad umbral34). Luego usamos las imágenes segmentadas para estimar la porosidad y realizar simulaciones de permeabilidad. En particular, el flujo de fluido monofásico se simuló directamente en las imágenes segmentadas. Este enfoque permite estimar la permeabilidad (compatible con nuestras medidas de laboratorio) y la distribución del campo de velocidad, resolviendo las ecuaciones de Stokes y usando la ley de Darcy. Empleamos un solucionador Boltzmann de celosía paralela disponible en el software PerGeos.

Los datos y códigos de apoyo están disponibles en: https://figshare.com/articles/online_resource/3dSRCT/20449188.

Allocca, V., Colantuono, P., Colella, A., Piacentini, SM & Piscopo, V. Propiedades hidráulicas de las ignimbritas: permeabilidades de matriz y fractura en dos depósitos de flujo piroclástico de los volcanes Cimino-Vico (Italia). Toro. Ing. Geol. Reinar. 81, 221. https://doi.org/10.1007/s10064-022-02712-0 (2022).

Artículo Google Académico

Bonamente, E., Aquino, A., Nicolini, A. & Cotana, F. Análisis experimental y modelado de procesos de remoción de dióxido de carbono usando toba. Sostenibilidad 8, 1258. https://doi.org/10.3390/su8121258 (2016).

Artículo CAS Google Académico

Heap, MJ & Violay, MES El comportamiento mecánico y los modos de falla de las rocas volcánicas: una revisión. Toro. volcán. 83, 33. https://doi.org/10.1007/s00445-021-01447-2 (2021).

Artículo ANUNCIOS Google Académico

Heiken, G. Tobas: sus propiedades, usos, hidrología y recursos. Documento especial de la Sociedad Geológica de América (GSA), vol. 408. https://doi.org/10.1130/SPE408 (2006).

Rosi, M. & Sbrana, A. Los Campos Flégreos. Documentos CNR de Investigación Científica 114 (1987).

Rowley, P., Benson, PM & Bean, CJ Sismicidad de período largo controlada por deformación en sedimentos volcánicos de baja cohesión. Nat. Geosci. 14, 942–948. https://doi.org/10.1038/s41561-021-00844-8 (2021).

Artículo ADS CAS Google Académico

Wang, J., Jung, W., Li, Y. & Ghassemi, A. Caracterización geomecánica de la toba Newberry. Geotermia 63, 74–96. https://doi.org/10.1016/j.geothermics.2016.01.016 (2016).

Artículo ANUNCIOS Google Académico

Zou, C. Reservorios volcánicos en la exploración de petróleo (Elsevier, 2013).

Google Académico

Fisher, RV y Schmincke, H.-U. Rocas piroclásticas (Springer, 1984).

Libro Google Académico

Brown, RJ & Andrews, GDM Depósitos de corrientes de densidad piroclástica. En The Encyclopedia of Volcanoes 2nd edn (eds Sigurdsson, H. et al.) 631–648 (Academic Press, 2015).

Capítulo Google Académico

Andra, H. et al. Puntos de referencia de la física digital de rocas, parte I: Imágenes y segmentación. computar Geosci. 50, 25–32. https://doi.org/10.1016/j.cageo.2012.09.005 (2013).

Artículo ANUNCIOS Google Académico

Andra, H. et al. Puntos de referencia de física digital de rocas, parte II: Cálculo de propiedades efectivas. computar Geosci. 50, 33–43. https://doi.org/10.1016/j.cageo.2012.09.008 (2013).

Artículo ANUNCIOS Google Académico

Blunt, MJ et al. Imágenes y modelado a escala de poros. Adv. Recurso de agua. 51, 197–216. https://doi.org/10.1016/j.advwatres.2012.03.003 (2013).

Artículo ANUNCIOS Google Académico

Bultreys, T., De Boever, W. & Cnudde, V. Imágenes y modelado de transporte de fluidos basado en imágenes a escala de poro en materiales geológicos: una introducción práctica al estado actual del arte. Ciencias de la Tierra Rev. 155, 93–128. https://doi.org/10.1016/j.earscirev.2016.02.001 (2016).

Artículo ANUNCIOS Google Académico

Withers, PJ et al. Tomografía computarizada de rayos X. Nat. Rev. Methods Primers 1, 18. https://doi.org/10.1038/s43586-021-00015-4 (2021).

Artículo CAS Google Académico

Alyafei, N., Raeini, AQ, Paluszny, A. & Blunt, MJ Un estudio de sensibilidad del efecto de la resolución de la imagen en las propiedades petrofísicas predichas. transporte Medios porosos 110, 157–169. https://doi.org/10.1007/s11242-015-0563-0 (2015).

Artículo CAS Google Académico

Arns, CH et al. Caracterización a escala de poros de carbonatos mediante microtomografía de rayos X. Soc. Mascota. Ing. J. 10, 475–484. https://doi.org/10.2118/90368-PA (2005).

Artículo Google Académico

Janssens, N., Huysmans, M. y Rudy, S. Superresolución 3D de tomografía computarizada con redes neuronales antagónicas generativas: implicaciones en el flujo de fluidos no saturados y bifásicos. Materiales 13, 1397. https://doi.org/10.3390/ma13061397 (2020).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Shah, SM, Gray, F., Crawshaw, JP y Boek, ES Estudio a escala de poros con microtomografía computarizada del flujo en medios porosos: efecto de la resolución de vóxeles. Adv. Recurso de agua. 95, 276–287. https://doi.org/10.1016/j.advwatres.2015.07.012 (2016).

Artículo ANUNCIOS Google Académico

Wang, YD, Blunt, MJ, Armstrong, RT y Mostaghimi, P. Aprendizaje profundo en imágenes y modelado a escala de poros. Ciencias de la Tierra Rev. 215, 103555. https://doi.org/10.1016/j.earscirev.2021.103555 (2021).

Artículo Google Académico

Ahuja, VR et al. Siamese-SR: un modelo siamés de súper resolución para aumentar la resolución de imágenes digitales de rocas para mejorar la estimación de propiedades petrofísicas. Trans. IEEE. Proceso de imagen. 31, 3479–3493. https://doi.org/10.1109/TIP.2022.3172211 (2022).

Artículo ADS PubMed Google Scholar

Chen, H. et al. Súper resolución de imágenes de tomografía microcomputarizada de rocas del mundo real utilizando redes adversativas generativas consistentes con el ciclo. física Rev. E 101, 023305. https://doi.org/10.1103/PhysRevE.101.023305 (2020).

Artículo ADS CAS PubMed Google Scholar

Karimpouli, S. & Kadyrov, R. Multistep super-resolution double-U-net (SRDUN) para mejorar la resolución de las imágenes de Bereasandstone. J. Mascota. ciencia Ing. 216, 110833. https://doi.org/10.1016/j.petrol.2022.110833 (2022).

Artículo CAS Google Académico

Niu, Y., Jackson, SJ, Alqahtani, N., Mostaghimi, P. & Armstrong, RT Métodos de aprendizaje profundo emparejados y no emparejados para obtener imágenes de rocas carbonatadas de súper resolución físicamente precisas. transporte Medios porosos 144, 825–847. https://doi.org/10.1007/s11242-022-01842-z (2022).

Artículo Google Académico

Rabbani, A. et al. Revisión de las tendencias y problemas de la ciencia de datos en la investigación de medios porosos con un enfoque en técnicas basadas en imágenes. Recurso de agua. Res. 57, e2020WR029472. https://doi.org/10.1029/2020WR029472 (2021).

Artículo ANUNCIOS Google Académico

Silleni, A., Giordano, G., Isaia, R. & Ort, MH Magnitud de la erupción de ignimbrita campaniana de 39,8 ka, Italia: método, incertidumbres y errores. Frente. Ciencias de la Tierra 8, 444. https://doi.org/10.3389/feart.2020.543399 (2020).

Artículo ANUNCIOS Google Académico

Buono, G. et al. Dinámica de desgasificación en magmas alcalinos evolucionados: conocimientos petrológicos, experimentales y teóricos. Ciencias de la Tierra Rev. 211, 103402. https://doi.org/10.1016/j.earscirev.2020.103402 (2020).

Artículo CAS Google Académico

Buono, G. et al. Nuevos conocimientos sobre la dinámica reciente del magma bajo la caldera de Campi Flegrei (Italia) a partir de evidencia petrológica y geoquímica. J. Geophys. Res. Tierra sólida 127, e2021JB023773. https://doi.org/10.1029/2021JB023773 (2022).

Artículo ADS CAS Google Académico

Pappalardo, L. & Buono, G. Información sobre los procesos y escalas de tiempo del almacenamiento y ascenso del magma a partir de investigaciones texturales y geoquímicas: estudios de caso de volcanes napolitanos de alto riesgo (Italia). En Crustal Magmatic System Evolution (eds Masotta, M. et al.) 213–235 (American Geophysical Union, 2021).

Capítulo Google Académico

Baker, DR et al. Introducción a la aplicación de la microtomografía de rayos X al estudio tridimensional de rocas ígneas. Lithos 148, 262–276. https://doi.org/10.1016/j.lithos.2012.06.008 (2012).

Artículo ADS CAS Google Académico

Buono, G., Pappalardo, L. & Petrosino, P. Almacenamiento y ascenso de magma durante la mayor erupción del volcán Somma-Vesubio: Pomici di Base (22 ka) Evento pliniano. Cápsula. Geofísico. teor. aplicación 61 , 23–40 . https://doi.org/10.4430/bgta0294 (2020).

Artículo Google Académico

Liedl, A. et al. Una caracterización textural de imágenes en 3D de productos piroclásticos de la erupción de Monte Nuovo de 1538 d.C. (Campi Flegrei, Italia). Lithos 340–341, 316–331. https://doi.org/10.1016/j.lithos.2019.05.010 (2019).

Artículo ADS CAS Google Académico

Schepp, LL et al. Física digital de rocas y consideraciones de laboratorio en una roca volcánica de alta porosidad. ciencia Rep. 10, 1–16. https://doi.org/10.1038/s41598-020-62741-1 (2020).

Artículo CAS Google Académico

Leu, L., Berg, S., Enzmann, F., Armstrong, R. & Kersten, M. Microtomografía rápida de rayos X de flujo multifásico en arenisca Berea: un estudio de sensibilidad sobre el procesamiento de imágenes. transporte Medios porosos 105, 451–469. https://doi.org/10.1007/s11242-014-0378-4 (2014).

Artículo CAS Google Académico

Balcewicz, M. et al. Física digital de rocas: un flujo de trabajo geológico para la segmentación de areniscas anisotrópicas del Ruhr. Frente. Ciencias de la Tierra 9, 673753. https://doi.org/10.3389/feart.2021.673753 (2021).

Artículo Google Académico

Lavallée, Y. & Kendrick, JE Una revisión de las propiedades físicas y mecánicas de las rocas y magmas volcánicos en los regímenes frágil y dúctil. En Pronóstico y planificación de peligros, riesgos y desastres volcánicos (ed. Papale, P.) 153–238 (Elsevier, 2021).

Capítulo Google Académico

Chiodini, G., Pappalardo, L., Aiuppa, A. & Caliro, S. La historia geológica de desgasificación de CO2 de una caldera de larga duración. Geología 43, 767–770. https://doi.org/10.1130/G36905.1 (2015).

Artículo ADS CAS Google Académico

Piochi, M., Cantucci, B., Montegrossi, G. & Currenti, G. Alteración hidrotermal en el área de San Vito del sistema geotérmico Campi Flegrei en Italia: revisión de minerales y modelado geoquímico. Minerales 11, 810. https://doi.org/10.3390/min11080810 (2021).

Artículo ANUNCIOS Google Académico

Gebauer, S., Schmitt, A., Pappalardo, L., Stockli, D. & Lovera, O. Edades de cristalización y erupción de los clastos plutónicos de Breccia Museo (caldera de Campi Flegrei, Italia) y su relación con la ignimbrita del Campaniano. contribución Mineral. Gasolina. 167, 1–18. https://doi.org/10.1007/s00410-013-0953-7 (2014).

Artículo CAS Google Académico

Houghton, BF & Wilson, CJN Un índice de vesicularidad para depósitos piroclásticos. Toro. volcán. 51, 451–462. https://doi.org/10.1007/BF01078811 (1989).

Artículo ANUNCIOS Google Académico

Goodfellow, I., Bengio, Y. y Courville, A. Aprendizaje profundo (MIT Press, 2016).

Matemáticas Google Académico

Ronneberger, O., Fischer, P. & Brox, T. U-Net: Redes convolucionales para la segmentación de imágenes biomédicas. En Computación de imágenes médicas e intervención asistida por computadora—MICCAI 2015 (eds Navab, N. et al.) 234–241 (Springer, 2015).

Google Académico

Ledig, C. et al. Súper resolución fotorrealista de una sola imagen usando una red adversaria generativa. https://doi.org/10.48550/arXiv.1609.04802 (2017).

He, K., Zhang, X., Ren, S. & Sun, J. Deep Residual Learning for Image Recognition. https://doi.org/10.48550/arXiv.1512.03385 (2015).

Lim, B., Son, S., Kim, H., Nah, S. & Lee, KM Redes residuales profundas mejoradas para superresolución de imagen única. https://doi.org/10.48550/arXiv.1707.02921 (2017).

Yu, J. et al. Activación amplia para una superresolución de imagen eficiente y precisa. https://doi.org/10.48550/arXiv.1808.08718 (2018).

Wang, YD, Armstrong, RT y Mostaghimi, P. Mejora de la resolución de imágenes digitales de rocas con redes neuronales convolucionales de súper resolución. J. Mascota. ciencia Ing. 182, 106261. https://doi.org/10.1016/j.petrol.2019.106261 (2019).

Artículo CAS Google Académico

Goodfellow, IJ et al. Redes adversarias generativas. https://doi.org/10.48550/arXiv.1406.2661 (2014).

Mirza, M. & Osindero, S. Redes Adversariales Generativas Condicionales. https://doi.org/10.48550/arXiv.1411.1784 (2014).

Isola, P., Zhu, J.-Y., Zhou, T. y Efros, AA Traducción de imagen a imagen con redes adversarias condicionales. https://doi.org/10.48550/arXiv.1611.07004 (2016).

Anderson, TI, Vega, B. & Kovscek, AR Imágenes multimodales y aprendizaje automático para mejorar las imágenes microscópicas de esquisto. computar Geosci. 145, 104593. https://doi.org/10.1016/j.cageo.2020.104593 (2020).

Artículo Google Académico

Anderson, TI, Vega, B., McKinzie, J., Aryana, SA y Kovscek, AR Traducción de imágenes 2D a 3D de volúmenes nanoporosos complejos utilizando redes generativas. ciencia Rep. 11, 20768. https://doi.org/10.1038/s41598-021-00080-5 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Zhu, J.-Y., Park, T., Isola, P. & Efros, AA Traducción de imagen a imagen no emparejada usando redes antagónicas consistentes con el ciclo. https://doi.org/10.48550/arXiv.1703.10593 (2017).

Studholme, C., Hill, DLG y Hawkes, DJ Una medida de entropía invariante superpuesta de la alineación de imágenes médicas en 3D. Reconocimiento de patrones. 32, 71–86. https://doi.org/10.1016/S0031-3203(98)00091-0 (1999).

Artículo ANUNCIOS Google Académico

Wang, Z., Bovik, AC, Sheikh, HR y Simoncelli, EP Evaluación de la calidad de la imagen: de la visibilidad del error a la similitud estructural. Trans. IEEE. Proceso de imagen. 13, 600–612. https://doi.org/10.1109/TIP.2003.819861 (2004).

Artículo ADS PubMed Google Scholar

Otsu, N. Un método de selección de umbral a partir de histogramas de nivel de gris. Trans. IEEE. sist. Hombre cibernético. 20, 62–66. https://doi.org/10.1109/TSMC.1979.4310076 (1979).

Artículo Google Académico

Giberti, G., Yven, B., Zamora, M. & Vanorio, T. Base de datos de datos medidos en laboratorio sobre las propiedades físicas de las rocas del área volcánica de Campi Flegrei (Italia). En Exploración geofísica de los interiores de Caldera de Campi Flegrei (sur de Italia): datos, métodos y resultados (eds. Zollo, A. et al.) 179–192 (Doppiavoce, 2006).

Google Académico

Heap, MJ, Baud, P., Meredith, PG, Vinciguerra, S. & Reuschlé, T. La permeabilidad y los módulos elásticos de la toba de Campi Flegrei, Italia: Implicaciones para el modelado de la deformación del suelo. Tierra sólida 5, 25–44. https://doi.org/10.5194/se-5-25-2014 (2014).

Artículo ANUNCIOS Google Académico

Montanaro, C. et al. Investigaciones experimentales sobre la explosividad de las erupciones impulsadas por vapor: un estudio de caso del volcán Solfatara (Campi Flegrei). J. Geophys. Res. Tierra sólida 121, 7996–8014. https://doi.org/10.1002/2016JB013273 (2016).

Artículo ADS PubMed PubMed Central Google Scholar

Vanorio, T., Prasad, M., Nur, A. & Patella, D. Mediciones de velocidad ultrasónica en rocas volcánicas: Correlación con microtextura. Geofísico. J. Int. 149, 22–36. https://doi.org/10.1046/j.0956-540x.2001.01580.x (2002).

Artículo ANUNCIOS Google Académico

Descargar referencias

Esta investigación se realizó en el ámbito del INGV Progetto Dipartimentale LOVE-CF (Linking surface Observables to sub-Volcanic plumbing-system: a multidisciplinar approach for Eruption forecasting at Campi Flegrei caldera (Italia)) financiado por el INGV, y del Horizon 2020 proyecto EXCITE (Comunidad de microscopía electrónica y de rayos X para técnicas de imagen estructural y química para materiales terrestres). Los autores agradecen al Dr. E. Di Clemente y P. Colantuono por su ayuda durante las mediciones de conductividad hidráulica, ya los dos revisores anónimos por sus valiosos comentarios y sugerencias sobre nuestro manuscrito.

Instituto Nacional de Geofísica y Vulcanología, Observatorio del Vesubio, Nápoles, Italia

Gianmarco Buono, Stefano Caliro, Giovanni Macedonio y Lucia Pappalardo

Departamento de Ciencias de la Tierra, Medio Ambiente y Recursos, Universidad de Nápoles Federico II, Nápoles, Italia

Vicente Alloca

Thermo Fisher Scientific, Burdeos, Francia

Federico Gamba

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

GB y LP: concepción y diseño de la obra; adquisición y análisis de datos digitales; escritura—borrador original. SC y GM: diseño de la obra; redacción—revisión y edición. VA: adquisición de datos de laboratorio; redacción—revisión y edición. FG: análisis de datos digitales; redacción—revisión y edición.

Correspondencia a Gianmarco Buono.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Buono, G., Caliro, S., Macedonio, G. et al. Exploración de la microestructura y las propiedades petrofísicas de rocas volcánicas microporosas a través de imágenes 3D multiescala y de superresolución. Informe científico 13, 6651 (2023). https://doi.org/10.1038/s41598-023-33687-x

Descargar cita

Recibido: 08 Agosto 2022

Aceptado: 17 de abril de 2023

Publicado: 24 abril 2023

DOI: https://doi.org/10.1038/s41598-023-33687-x

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.