TU Darmstadt / ULB / TUprints

Phase Segmentation and Analysis of Tomographic Rock Images Using Machine Learning Techniques

Chauhan, Swaroop (2019)
Phase Segmentation and Analysis of Tomographic Rock Images Using Machine Learning Techniques.
Technische Universität
Ph.D. Thesis, Primary publication

[img]
Preview
Automated Segmentation of X-ray Tomographic Imaging using Machine Learning Techniques - Text (PDF)
Dissertation_Chauhan_10052019.pdf - Published Version
Copyright Information: CC BY-SA 4.0 International - Creative Commons, Attribution ShareAlike.

Download (15MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Phase Segmentation and Analysis of Tomographic Rock Images Using Machine Learning Techniques
Language: English
Referees: Sass, Dr.rer.nat Ingo ; Kersten, Dr.-Ing Michael ; Schill, Dr Eva ; Schüth, Dr Christoph
Date: 2019
Place of Publication: Darmstadt
Date of oral examination: 2019
Abstract:

The topic of this thesis is the characterization of different phases and estimation of the geometrical parameters from the digital rock images, which are generated using high resolution X-ray computer tomography (XCT) experiments. High resolution X-ray computer tomography (XCT) is a well-established, long-standing experimental approach used in the rock physics community to study transport of the energy―momentum relationship inside porous- matrix domain. The accuracy and the appropriateness of the continuum based or topology based model prediction relies extensively on the resolution and phase segmentation of the XCT images. The current technology, used in nano tomography and micro tomography is able to generate high resolution image compared to the last decade, but new adaptive and flexible algorithm are urgently needed for accurate image analysis.

Within the framework of this thesis different categories (supervised, unsupervised and ensemble classifiers) of machine learning (ML) techniques in combination with different image filtering techniques were investigated and tested for accurate XCT image segmentation and analysis. This lead to the investigation of seven different ML algorithm K-means, Fuzzy C-means (FCM), Self-Organized Map (SOM), Feed Forward Artificial Neural Networks (FFANN), Least Square Support Vector Machine (LSSVM), Bragging type ensemble classification tree (Bragging) and Boost (Boosting) type ensemble classification tree. Their respective clustering and classification performance and accuracy was compared and cross-validated. Thereafter, a robust workflow was developed to predict geometrical parameters such as porosity, volume fraction of different phases (pore, matrix, mineral) and pore size distribution.

Further, a (standalone) grapical user interface (GUI) “CobWeb” was developed. The current version of CobWeb is capable to read and process (reconstructed) XCT files in tiff and raw format. Tools to zoom in, zoom out, cropping, color and scale, assist in the visualization and interpretation of XCT 2D and 3D stack data. Noise filters such as non-local means, anisotropic diffusion, median and contrast adjustments are implemented to increase signal to noise ratio. The user can chose from five segmentation algorithms, namely K-means, Fuzzy C-means (unsupervised), Support Vector Machine (supervised), Bragging and Boosting (enable classifiers) for accurate segmentation and cross-validation. Material properties like relative porosities, pore size distribution, volume fraction (pore, matrix, mineral phases) can be quantified and visualized. The data can be exported into different file formats such as Microsoft® Excel (xlsx), MATLAB® (mat), ParaView (vkt) and DSI studio (fib). The current version is supported for Micosoft® Windows and runs stable on Windows® 7 to Windows® 10.

As ML techniques offer us high quality and accuracy w.r.t XCT segmentation. The future research should focus on comparing numerical simulation based on analytical modelling and molecular level approaches, such as pore network modelling and Lattice-Gas or Boltzmann methods respectively. CobWeb, has further scope of integrate different modules of point cloud data from LIDAR measurements, ultrasound data and acoustic emission data. Volume rendering plugin would be an important step forward good visualization.

Alternative Abstract:
Alternative AbstractLanguage

Thema dieser Forschungsarbeit ist die Charakterisierung verschiedener Phasen und die Abschätzung geometrischer Parameter aus digitalen Gesteinsbildern, die mittels hochauflösender röntgen-computertomographischer (XCT) Experimente erzeugt wurden. Hochauflösende Röntgen-Computertomographie (XCT) ist ein etablierter experimenteller Ansatz, der in der Gesteinsphysik verwendet wird, um den Transport der Energie-Impuls-Beziehung innerhalb der porösen und Matrix-Domäne zu untersuchen. Die Genauigkeit und Bestimmung Angemessenheit der auf kontinuumsbasierenden oder topologiebasierten Modellvorhersagen beruht weitgehend auf der Auflösung und Phasensegmentierung der XCT-Bilder. Der Stand der Technik, der in der Nanotomomographie und der Mikrotomographie verwendet wird, kann im Vergleich zum letzten Jahrzehnt ein hochauflösendes Bild erzeugen. Für eine genaue Bildanalyse ist jedoch ein neuer adaptiver und flexibler Algorithmus zwingend erforderlich.

Im Rahmen dieser Arbeit wurden verschiedene Kategorien (unsupervised, supervised und Ensembleklassifizierer) von maschinellen Lernmethoden (ML) in Kombination mit verschiedenen Bildfiltertechniken untersucht und auf eine genaue XCT-Bildsegmentierung und -analyse getestet. Dies führt zur Untersuchung von sieben verschiedenen ML-Algorithmen: K-means, Fuzzy C-means (FCM), Self-Organized Map (SOM), Feed Forward Artificial Neural Networks (FFANN), Least Square Support Vector Machine (LS-SVM), Braging-Typ Ensemble Classification Tree (Bragging) und Boost Strapping (Boosting) Typ Ensemble Classification Tree. Die jeweilige Clustering- und Klassifizierungsleistung und -genauigkeit wurden verglichen und kreuzvalidiert. Danach wurde ein widerstandfähig Arbeitsablauf entwickelt, um geometrische Parameter wie Porosität, Volumenanteil verschiedener Phasen (Poren-, Matrix-, Mineral-) und Porengrößenverteilung vorhersagen zu können.

Weiterhin wurde die Standalone-Software „CobWeb“ mit grafischer Benutzeroberfläche (grapfical user interface, GUI) entwickelt. Die aktuelle Version von CobWeb ist in der Lage XCT-Dateien in Tiff-und Roh-Format zu lesen und zu verarbeiten (rekonstruiert). Werkzeuge zum Vergrößern, Verkleinern, Beschneiden, Einfärben und Skalieren unterstützen während der Visualisierung und Interpretation von XCT 2D- und 3D-Stack-Daten. Rauschfilter wie nicht-lokale Mittelwerte, anisotrope Diffusions-, Median- und Kontrasteinstellungen werden implementiert, um das Signal-Rausch-Verhältnis zu erhöhen. Der Benutzer kann für eine genaue Segmentierung und Cross-Validierung aus fünf Segementationsalgorithmen wählen: (1) K-Mittel, (2) Fuzzy C-Mittel (unbeaufsichtigt), (3) Support-Vektor-Maschine (überwacht), (4) Bragging und (5) Boosting (aktivieren Klassifikatoren). Die Daten können in verschiedene Dateiformate wie Microsoft® Excel (xlsx), MATLAB® (mat), ParaView (vkt) und DSI Studio (Fib) exportiert werden. Die aktuelle Version wird von Micosoft® Windows unterstützt und läuft unter Windows® 7 und Windows® 10.

ML-Techniken bieten eine hohe Qualität und Genauigkeit bezüglich XCT Segmentierung. Die zukünftige Forschung sollte sich auf den Vergleich der numerischen Simulation auf Grundlage von analytischen Modellierungen und Ansätze auf molekularen Ebenen, wie Pore-Netzwerk-Modellierung und Lattice-Gas oder Boltzmann Methoden konzentrieren. CobWeb hat weitere Möglichkeiten, verschiedene Module von Punktwolken-Daten aus Lidar-Messungen, Ultraschall-Daten und akustischen Emissionsdaten zu integrieren. Volume Rendering Plugins wäre ein weiterer wichtiger Schritt in Richtung guter Visualisierung.

German
URN: urn:nbn:de:tuda-tuprints-87869
Classification DDC: 500 Science and mathematics > 500 Science
500 Science and mathematics > 550 Earth sciences and geology
Divisions: 11 Department of Materials and Earth Sciences > Earth Science > Geothermal Science and Technology
Date Deposited: 17 Jun 2019 12:00
Last Modified: 09 Jul 2020 02:38
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/8786
PPN: 449952738
Export:
Actions (login required)
View Item View Item