Erforschung der Mikrostruktur und der petrophysikalischen Eigenschaften mikroporöser Vulkangesteine ​​mithilfe von 3D-Multiskalen und Super

Sep 25, 2023

Wissenschaftliche Berichte Band 13, Artikelnummer: 6651 (2023) Diesen Artikel zitieren

720 Zugriffe

1 Altmetrisch

Details zu den Metriken

Die digitale Gesteinsphysik bietet leistungsstarke Perspektiven, um Erdmaterialien dreidimensional und zerstörungsfrei zu untersuchen. Auf mikroporöses Vulkangestein wurde es aufgrund der anspruchsvollen Mikrostrukturen jedoch kaum angewendet, obwohl es für zahlreiche vulkanische, geothermische und technische Anwendungen untersucht wird. Ihre schnelle Entstehung führt tatsächlich zu komplexen Texturen, bei denen die Poren in feinen, heterogenen und lithisierten Matrizen verteilt sind. Wir schlagen einen Rahmen vor, um ihre Untersuchung zu optimieren und innovative 3D/4D-Bildgebungsherausforderungen zu bewältigen. Eine 3D-Multiskalenstudie eines Tuffsteins wurde mittels Röntgenmikrotomographie und bildbasierten Simulationen durchgeführt und ergab, dass genaue Charakterisierungen der Mikrostruktur und der petrophysikalischen Eigenschaften hochauflösende Scans (≤ 4 μm/px) erfordern. Die hochauflösende Bildgebung großer Proben erfordert jedoch unter Umständen lange Zeiträume und harte Röntgenstrahlen, die kleine Gesteinsvolumina abdecken. Um diese Einschränkungen zu bewältigen, haben wir 2D/3D-Faltungs-Neuronale Netzwerke und generative kontradiktorische Netzwerk-basierte Superauflösungsansätze implementiert. Sie können die Qualität von Scans mit niedriger Auflösung verbessern, indem sie Mapping-Funktionen von Bildern mit niedriger Auflösung auf Bilder mit hoher Auflösung erlernen. Dies ist einer der ersten Versuche, eine auf Deep Learning basierende Superauflösung auf unkonventionelle, nicht sedimentäre digitale Gesteine ​​und echte Scans anzuwenden. Unsere Ergebnisse legen nahe, dass diese Ansätze und vor allem 2D-U-Net- und pix2pix-Netzwerke, die auf gepaarten Daten trainiert werden, die hochauflösende Abbildung großer mikroporöser (vulkanischer) Gesteine ​​erheblich erleichtern können.

Durch die schnelle Ablagerung und Lithifizierung vulkanischer Produkte während großer explosiver Eruptionen entstehen erhebliche Mengen mikroporöser Gesteine, typischerweise in Form von Tuffen (dh konsolidierten Pyroklasten). Sie sind daher in der Regel in vulkanischen Gebieten sowohl als Oberflächengestein als auch als Untergrundgestein weit verbreitet, wo sich Grundwasserleiter entwickeln und geothermische Reservoire angelegt werden können, was sich auf die Vulkandynamik und die damit verbundenen Signale auswirkt, die von Überwachungsnetzwerken erfasst werden. Die Untersuchung ihrer Mikrostruktur und petrophysikalischen Eigenschaften ist daher für vulkanologische, geothermische Energie-, Öl- und Gas-, hydrogeologische und andere technische Anwendungen (z. B. Baustoffe, Lagerung nuklearer Abfälle, CO2-Adsorption/-Abscheidung) wertvoll1,2,3,4,5 ,6,7,8. Die schnelle Entstehung dieser Gesteine ​​führt jedoch zu komplexen Mikrostrukturen, in denen Poren in einer sehr feinen, heterogenen und lithifizierten Matrix verteilt sind, was ihre Erkundung schwierig macht. Insbesondere werden Tuffsteine ​​als das verfestigte Äquivalent vulkanischer (Fallout- oder Fließ-)Asche definiert, d. h. Fragmente unterschiedlicher Größe (< 2 mm), Beschaffenheit (vulkanisches Glas, Kristalle und erodiertes Untergrund-/Oberflächengestein) und Form9. Die häufigsten Tuffe entstehen typischerweise durch die Einlagerung heißer (bis zu > 600 °C), schneller (bis zu > 300 m/s) und voluminöser (bis zu > 1000 km3, die bis zu > 20.000 km2 abdecken) pyroklastischer Dichteströme. bestehend aus einer Mischung aus Gas und vulkanischen Partikeln. Eine nach der Ablagerung erfolgende Veränderung von vulkanischem Glas kann die Bildung neuer Mineralien (z. B. Zeolithe, Tone) fördern, wodurch deren Strukturen weiter lithifiziert und komplizierter werden10.

Jüngste technologische Fortschritte ermöglichen die zerstörungsfreie 3D-Charakterisierung von Gesteinstexturen und -eigenschaften im Rahmen der digitalen Gesteinsphysik. Gesteinsproben werden mittels Röntgenmikrotomographie (Mikro-CT) gescannt, um digitale 3D-Gesteine ​​zu erhalten, die dann segmentiert werden (d. h. verschiedene Phasen werden identifiziert und gekennzeichnet) und zur Quantifizierung mikrostruktureller Parameter und zur Schätzung physikalischer Eigenschaften durch verschiedene Arten numerischer Simulationen11 verwendet ,12,13,14,15. Dadurch können physikalische Prozesse auf unterschiedlichen räumlichen (vom Proben-/Kernmaßstab bis zum Porenmaßstab) und zeitlichen Maßstab (z. B. 4D-Bildgebung bei In-situ- oder Ex-situ-Experimenten) besser untersucht, mehrere Simulationen unter unterschiedlichen Bedingungen durchgeführt und konserviert werden die Proben für zukünftige Analysen (besonders nützlich für Bohrkerne). Allerdings erfordert die Mikro-CT wie jede Bildgebungstechnologie einen Kompromiss zwischen Auflösungen (oder Pixelgröße), die den Porenraum richtig auflösen können, und Sichtfeldern (FoV; d. h. Probenvolumen, das abgebildet werden kann), die die Repräsentativität gewährleisten können . Darüber hinaus erfordert das Scannen eines kleineren FoV mit hoher Auflösung aus einer größeren Probe (z. B. Gesteinskerne) zwar keine relevanten Artefakte, erfordert jedoch möglicherweise übermäßig lange Scanzeiten oder harte Röntgenstrahlen15. Mehrere Arbeiten zeigten die schädlichen Auswirkungen, die niedrige Auflösungen auf die quantitative Charakterisierung digitaler Gesteine ​​haben können, insbesondere wenn feine Texturen vorhanden sind (z. B. Karbonat-Mikroporosität16,17,18,19).

In den letzten Jahren breiten sich Deep-Learning-basierte Super-Resolution-Ansätze im Bereich der Computer Vision rasant aus, wobei sich Super-Resolution-Methoden auf Basis von Convolutional Neural Networks (CNNs) und Generative Adversarial Networks (GANs) als besonders effizient erweisen. Diese Ansätze ermöglichen es, die Qualität eines Bildes mit niedriger Auflösung zu verbessern, indem Mapping-Funktionen von Bildern mit niedriger Auflösung (LR) zu Bildern mit hoher Auflösung (HR) erlernt werden20. Das Testen der Wirksamkeit dieser Methoden an digitalen Gesteinen mit unterschiedlichen Merkmalen kann daher von entscheidender Bedeutung sein, um die Arbeitsabläufe in der digitalen Gesteinsphysik zu verbessern, z. B. um ein großes Probenvolumen mit hoher Auflösung zu erzielen oder schnelle Scans mit geringer Qualität zu verbessern (z. B. für zu konservierende Proben und 4D-Bildgebung). mit großem Versuchsapparat und/oder hoher zeitlicher Auflösung). In dieser Richtung wurden einige bahnbrechende Anstrengungen unternommen, die zu sehr vielversprechenden Ergebnissen führten, obwohl in den meisten Fällen LR-Bilder synthetisch von HR-Scans heruntergesampelt wurden und nur herkömmliche digitale Sedimentgesteine ​​verwendet wurden18,20,21,22,23,24,25 (z Details siehe20,25).

In dieser Studie untersuchen wir Methoden zur Optimierung der zerstörungsfreien 3D-Charakterisierung der Mikrostruktur und der Fließeigenschaften von mikroporösen Tuffgesteinen, bei denen es sich um „unkonventionelle“ digitale Gesteine ​​handelt (dh im Rahmen der digitalen Gesteinsphysik weitgehend unerforscht). Tatsächlich wurden sie trotz ihres breiten Anwendungsspektrums bisher nur unzureichend mit Mikro-CT untersucht, was möglicherweise auf ihre anspruchsvollen Mikrostrukturen zurückzuführen ist. Wir schlagen eine Multiskalenbildgebung eines Tuffsteinkerns mit zunehmend abnehmenden Pixelgrößen (von 16 bis 1,75 μm) und Sichtfeldern sowie zunehmender Belichtungszeit vor, um einen angemessenen Kompromiss zwischen Auflösung und FoV zu finden. Anschließend wurden mehrere 2D- und 3D-, CNNs- und GANs-basierte Superauflösungsansätze auf echte HR- und LR-Bilder angewendet, um deren Bildgebung weiter zu verbessern (wobei synthetisches Downsampling vermieden wurde, um Artefakte und Probleme zu berücksichtigen, die bei der echten Bildgebung und Bildregistrierung auftreten). Insbesondere wurden Netzwerke implementiert, die robuste Ergebnisse in mehreren wissenschaftlichen und Computer-Vision-Bereichen gezeigt haben, um diese komplexen digitalen Gesteine ​​effektiv und schnell superauflösend aufzulösen. Die erhaltenen 3D-Bilder wurden dann zur Berechnung der Transportparameter ausgewertet. Wir untersuchten den kampanischen Ignimbrit-Tuff (CI), das dominierende Produkt des größten quartären Vulkanausbruchs in Europa, bei dem etwa 457–660 km3 pyroklastisches Material ausgestoßen wurden26 (Abb. 1). Der Ausbruch ereignete sich in der Caldera Campi Flegrei (Neapel, Italien), einem der gefährlichsten aktiven Vulkangebiete Europas27,28,29, wo Oberflächen-Tuffsteine ​​weit verbreitet sind und Caldera-füllende Ablagerungen von unterirdischen Tuffen dominiert werden5.

Lage, Verbreitung, Aussehen und 3D-Bildgebung des kampanischen Ignimbrit-Tuffs. (a) Von kampanischen Ignimbrit-Pyroklastik-Dichteströmen an Land bedecktes Gebiet (in Gelb dargestellt gemäß den Einschränkungen von Silleni et al.26 auf der Karte von Google Earth Pro 7.3.6: https://www.google.com/earth/about/ Versionen/). (b) Querschnitt eines Kerns (Durchmesser: 54 mm, Höhe: 103 mm) aus kampanischem Ignimbrit-Tuff, der für Labormessungen verwendet wurde. (c) 3D-Multiskalen-Röntgenbildgebung. Links: Tuffsteinkern (Durchmesser ~ 20 mm, Höhe ~ 40 mm), aufgenommen durch Röntgenmikrotomographie. Rechts: 3D-Scans mit zunehmend abnehmender Pixelgröße und Sichtfeld sowie zunehmender Belichtungszeit: niedrige Auflösung (LR; 16 μm/px), hohe Auflösung (HR; 4 μm/px) und sehr hohe Auflösung (VHR; 1,75 μm/px) px) Scans (XZ-Ebenen). (d) Bild mit niedriger Auflösung (LR) (Eingabe) und sein entsprechendes Gegenstück mit hoher Auflösung (HR) (Ground Truth), die zum Trainieren und Validieren gepaarter Superauflösungsmodelle verwendet werden.

Digitale Gesteinsstudien sind ein leistungsstarkes Werkzeug zur quantitativen Untersuchung der Gesteinsmikrostruktur und der physikalischen Eigenschaften in 3D und zerstörungsfrei. Bisher konzentrierten sich die Untersuchungen hauptsächlich auf Sedimentgesteine ​​(insbesondere Sandstein und Karbonat)11,12,13,14, aber sie weiten sich rasch auf andere Gesteinsarten aus, darunter auch vulkanische Gesteine3,29,30,31,32,33. Obwohl mittlerweile mehrere Arbeiten zu nicht konsolidierten vulkanischen Pyroklasten und Laven mit relativ einfachen Texturen vorliegen, wurden nur sehr wenige Anstrengungen unternommen, um konsolidierte mikroporöse Vulkangesteine ​​zu untersuchen6,7. Insbesondere wurden ihre Eigenschaften nach unserem Kenntnisstand trotz ihres breiten Anwendungsspektrums nie systematisch und quantitativ im Rahmen der digitalen Gesteinsphysik untersucht, möglicherweise aufgrund ihrer anspruchsvollen Mikrostrukturen.

Mikroporöses Tuffgestein kann komplexe Beziehungen zwischen Fließeigenschaften aufweisen, die nicht einfach mithilfe klassischer empirischer oder halbempirischer Gleichungen (z. B. Kozeny-Carman) abgeschätzt werden können (Abb. 2a). Die Untersuchung der interessierenden Proben mit spezifischen Untersuchungen kann daher von entscheidender Bedeutung sein.

Petrophysikalische Eigenschaften der Campi-Flegrei-Tuffe und untersuchter kampanischer Ignimbrit-Tuff. (a) Literaturdaten zu Campi Flegrei Caldera (CFc)-Tuffsteinen unter Verwendung konventioneller Laboransätze57,58,59,60. Daten zum kampanischen Ignimbrit-Tuff (CI) sind grau dargestellt. CI-Tuff kann als hochporöses und mäßig durchlässiges Material klassifiziert werden, dessen hydraulische Eigenschaften stark von der Zusammensetzung, dem hohen Bimssteingehalt und dem Verschweißungsgrad der ignimbritischen Ablagerung abhängen. Die anderen Tuffe entstanden hauptsächlich bei den Ausbrüchen des Neapolitanischen Gelben Tuffs, Gauro, La Pietra, Nisida und Baia. (b) Porosität (oben) und Permeabilität (unten), geschätzt durch digitale Gesteinsphysikanalysen von LR-, HR- und VHR-Bildern (zentral 6403 px) sowie von superaufgelösten Bildern (alle 25603 px: 6403 px × Skalierungsfaktor 4). , für Gesamtporosität; zentrale 9003 px für intrinsische Permeabilität, das maximal für unser Rechensystem nutzbare Volumen, siehe auch Abb. 6), erhalten durch Anwendung der am besten trainierten Modelle (2D U-Net und pix2pix) auf das LR-Bild. Die Auswirkung von Schwellenwertschwankungen (d. h. Schwellenempfindlichkeit) wird ebenfalls gezeigt, indem die Gesamtporosität geschätzt wird, wenn der Schwellenwert von einem optimalen Wert (d. h. Otsu-Wert; 0 auf der x-Achse und Kreissymbol) abweicht. Zum Vergleich werden Labordaten bereitgestellt.

Um ihre Charakterisierung zu optimieren, haben wir eine Multiskalenbildgebung des kampanischen Ignimbrit-Tuffs durchgeführt, dem dominanten Produkt des größten quartären Vulkanausbruchs in Europa, der in der Caldera Campi Flegrei weit verbreitet ist und für verschiedene wissenschaftliche und industrielle Anwendungen untersucht wurde3,4,5, 26,29 (Abb. 1a,b). Mittels Mikro-CT wurden drei 3D-Scans (von ca. 10003 Pixel) aufgenommen, wobei die Auflösung schrittweise verbessert wurde: LR-Scans (niedrige Auflösung), HR-Scans (hohe Auflösung) und VHR-Scans (sehr hohe Auflösung) mit einer Pixelgröße von 16, 4 und 1,75 μm , bzw. (Abb. 1c,d). Die Haupteinschränkung dieser Technologie besteht, wie bei jeder Bildgebungstechnik, darin, dass Scans mit höheren Auflösungen einer Probe nur auf Kosten kleinerer Sichtfelder und längerer Scanzeiten erzielt werden können. Folglich ist ein Kompromiss zwischen Auflösungen, die den Porenraum richtig auflösen können, Sichtfeldern, die die Repräsentativität der Probe gewährleisten können, und akzeptablen Scanzeiten zur Erzielung einer guten Bildqualität erforderlich. Einer der zuverlässigsten Ansätze zur Bewertung der Effizienz verschiedener Scans besteht darin, ihre petrophysikalischen Eigenschaften mit entsprechenden Labordaten zu vergleichen, die nach internationalen Standards gemessen wurden12,17,20.

Wir haben eine Gesamtporosität von 0,74, 0,49 und 0,48 (Perkolationsporosität = 99 %) und eine intrinsische Permeabilität von 518.021, 1649, 443 mD für unsere LR-, HR- und VHR-Scans erhalten und einen einfachen Bildanalyse-Workflow definiert, der eine Segmentierung mit dem Otsu-Algorithmus umfasst Permeabilitätssimulationen mit Gitter-Boltzmann-Methoden auf zentralen Volumina von 6403 px (Abb. 2b). Andererseits wurde durch Labormessungen eine durchschnittliche Gesamtporosität von 0,51 und eine intrinsische Permeabilität von 476 mD erhalten. Unsere Daten zeigen, dass der LR-Scan zwar einen Großteil der Kernbreite abdeckt, jedoch eine zu große Pixelgröße aufweist, um die Poren angemessen zu segmentieren, was insgesamt zu einer Überschätzung der Porosität und Permeabilität führt (Abb. 2b). Im Detail werden kleine Poren und Matrixkörner aufgrund der geringen Auflösung nicht richtig unterschieden, was dazu führt, dass Teile des segmentierten digitalen Gesteins übervorhergesagt (aufgrund des vorherrschenden Porenanteils und/oder der sehr feinen Matrix) oder untervorhergesagt (aufgrund des vorherrschenden Feststoffanteils) sind (oder sehr kleine Poren) Porenraum (Abb. 3, 4). Es steht im Einklang mit mehreren digitalen Gesteinsstudien zu Sedimentgesteinen16,17,18,19. Umgekehrt verfügt der HR-Scan über eine Pixelgröße, die Porenräume richtig auflösen kann (Abb. 3, 4) und ein Sichtfeld, das die Repräsentativität gewährleistet und petrophysikalische Eigenschaften zeigt, die nahezu mit Labordaten übereinstimmen (Abb. 2b). Schließlich ermöglicht der VHR-Scan trotz seines kleinen Sichtfelds, Werte zu erreichen, die den Labordaten noch näher kommen (Abb. 2b). Wir weisen darauf hin, dass es sich lediglich um einen qualitativen Vergleich zwischen digitalen und Labormessungen handelt. Unsere digitalen Ergebnisse wurden tatsächlich mit einem sehr direkten Arbeitsablauf erzielt, um den Einfluss verschiedener Filter-, Segmentierungs- und Simulationsansätze zu minimieren. Darüber hinaus wurden Labordaten an anderen Bohrlöchern unterschiedlicher Größe gemessen als denen, die für die Mikro-CT-Analyse verwendet wurden, obwohl sie aus demselben Tuffsteinblock gebohrt wurden. Es kann jedoch hilfreich sein, kurz die Schwellenempfindlichkeit34 für die Segmentierung der erfassten Scans zu besprechen. Tatsächlich ist die Bildsegmentierung ein entscheidender Schritt für die digitale Gesteinsphysik, wird jedoch stark von den vom Benutzer/Algorithmus ausgewählten Schwellenwerten beeinflusst. Wir haben untersucht, wie sich die Porosität mit Schwellenabweichungen vom Otsu-Wert ändert. Tatsächlich erwies sich die Otsu-Schwellenwertbestimmung als einer der bestmöglichen Ansätze zur Erfassung von Strukturmerkmalen unserer Gesteine ​​ohne weitere geologische Überprüfungen (Einzelheiten zu geologischen Arbeitsabläufen für die Gesteinssegmentierung finden Sie bei Balcewicz et al.35). Unsere Daten zeigen, dass HR- und VHR-Scans Porositätswerte liefern, die kaum von vom Benutzer/Algorithmus ausgewählten Parametern beeinflusst werden, während LR-Scans sehr empfindlich auf Schwellenwertschwankungen reagieren (Abb. 2b).

Hochaufgelöste Validierungsbilder: 2D-Netzwerke, die auf gepaarten Daten trainiert wurden. Validierungsschnitte für 2D-CNNs (U-Net, SR-ResNet, EDSR, WDSR-a, WDSR-b) und GANs (pix2pix), die für hochauflösende Bildgebung verwendet werden. Zum Vergleich werden auch LR-Bilder (Eingabe) und HR-Bilder (Ground Truth) angezeigt. Die entsprechenden Trainingsdetails und Bildqualitätsmetriken sind in Tabelle 1 aufgeführt.

Hochaufgelöste Validierungsbilder: 2D- vs. 3D-Netzwerke, die auf gepaarten Daten trainiert wurden. Die resultierenden besten 2D-Modelle, pix2pix und U-Net, wurden sowohl in 2D als auch in 3D trainiert. Zum Vergleich werden auch LR-Bilder (Eingabe) und HR-Bilder (Ground Truth) angezeigt. Entsprechende Trainingsdetails und Bildqualitätsmetriken sind in Tabelle 1 aufgeführt. Für LR-, HR- und Validierungsdaten aus 2D-Netzwerken, die die entsprechenden 3D-Modelle übertrafen, werden auch segmentierte (binäre) Bilder bereitgestellt.

Zusammenfassend zeigt die Multiskalenstudie unseres Tuffkerns, dass die Untersuchung kleiner Teile von Tuffgesteinen mit hoher Auflösung genauere Schätzungen ihrer petrophysikalischen Eigenschaften ermöglichen kann. Bei der Erkundung sehr kleiner Gesteinsmengen muss jedoch aufgrund der hohen Heterogenität, die normalerweise für Vulkangesteine ​​charakteristisch ist, große Aufmerksamkeit auf das Risiko der Nichtrepräsentativität gelegt werden3,36. Darüber hinaus erfordern Scans mit hoher Auflösung möglicherweise übermäßig lange Scanzeiten oder harte Röntgenstrahlen, insbesondere wenn nur große Gesteinsproben verfügbar sind15. Um mit diesen Einschränkungen umzugehen, haben wir die Wirksamkeit von Deep-Learning-basierten Super-Resolution-Ansätzen bei dieser Art von digitalen Gesteinen untersucht.

Auf Deep Learning basierende Super-Resolution-Methoden können es ermöglichen, die Qualität eines Bildes durch Lernen von Mapping-Funktionen von Bildern mit niedriger Auflösung auf Bilder mit hoher Auflösung zu verbessern. Die Bewertung ihrer Wirksamkeit anhand von 3D-Bildern von Gesteinen kann die Arbeitsabläufe in der digitalen Gesteinsphysik entscheidend verbessern (z. B. um große Sichtfelder mit hoher Auflösung zu erzielen oder schnelle 4D-Scans mit geringer Qualität zu verbessern). Obwohl bahnbrechende Bemühungen unternommen wurden, diese Methoden auf digitale Gesteine ​​anzuwenden, konzentrierten sie sich hauptsächlich auf Sedimentgesteine ​​und verwendeten LR-Bilder, die synthetisch aus HR-Bildern heruntergesampelt wurden20,25. Janssens et al.18 haben kürzlich gezeigt, dass synthetisch heruntergesampelte LR-Bilder oft in der Lage sind, die Komplexität der Mikrostruktur beizubehalten, die in echten LR-Scans durch Bildartefakte weitgehend beeinträchtigt wird.

Wir haben sechs verschiedene robuste Super-Resolution-Ansätze auf der Basis von Convolutional Neural Network (CNN) und Generative Adversarial Network (GAN) getestet (U-Net; SR-ResNet; EDSR; WDSR-a; WDSR-b, pix2pix; siehe „Materialien und Methoden“) (Abschnitt für Einzelheiten zu den Netzwerken und ihrer Ausbildung) unter Verwendung entsprechender gepaarter Volumina unseres echten LR-Scans (Eingabedaten) und HR-Scans (Ground-Truth-Daten) von mikroporösem Vulkantuff (Abb. 1d), mit dem Ziel, effektive und schnelle Methoden zu finden die Untersuchung dieser Gesteine ​​optimieren. Tatsächlich erwies sich der HR-Scan als ausreichend für die angemessene Erfassung von Transporteigenschaften mit einem nachhaltigeren Skalierungsfaktor (4× vs. 10×) und Scanzeit (3,2 vs. 14 s pro Projektion) als der VHR-Scan. Es ist erwähnenswert, dass die LR-Ernte, die synthetisch (mit kubischer Interpolation) aus unserem HR-Bild heruntergerechnet wurde, Porositätswerte aufweist, die näher (0,55) an der HR-Ernte (0,49) liegen als die der echten LR-Ernte (0,74), was im Einklang mit den Erkenntnissen von Janssens et. steht al.18.

Wir verwendeten zunächst 2D-CNN-Architekturen, die in zwei Gruppen unterschieden werden können: U-Net- und ResNet-basierte (SR-ResNet, EDSR, WDSR-a, WDSR-b) Netzwerke. Das U-Net-Netzwerk führt zu einer erheblichen Verbesserung der Bildqualität (Abb. 3, 4), was durch die hervorragende pixelweise Genauigkeit der Validierungsdaten bestätigt wird. Tatsächlich zeigen superaufgelöste Validierungsbilder im Vergleich zu ihrer Grundwahrheit (entsprechende HR-Bilder) ein PSNR (Spitzensignal-Rausch-Verhältnis) von 28,6 dB, einen MSE (mittlerer quadratischer Fehler) von 0,0014 und einen SSIM (Strukturähnlichkeitsindex) von 0,80 (Tabelle 1). Folglich stimmt die aus ihrer Segmentierung berechnete Gesamtporosität (Abb. 4) mit Labordaten überein und ist im Gegensatz zu ihren äquivalenten LR-Bildern (sowohl LR-Scan als auch LR-Scan mit kubischer Interpolation auf HR-Größe hochgesampelt) nur schwach empfindlich gegenüber Schwellenwertschwankungen eine überschätzte Gesamtporosität (Abb. 2, Tabelle 1). Umgekehrt scheinen alle eingesetzten ResNet-basierten Netzwerke nicht ausreichend zu sein, um die Qualität der Bilder zu verbessern und ihre Verarbeitung zu vereinfachen. Tatsächlich führt die Anwendung dieser trainierten Modelle auf die Validierungsbilder hauptsächlich zu zu geglätteten/unscharfen Bildern, die die kleinen Poren und die feine Matrix nicht auflösen können (Abb. 3). Dies wird durch niedrige Bildqualitätsmetriken gestützt: PSNR von 27,2 dB, MSE von 0,0019 und SSIM von 0,70–0,71 (Tabelle 1). Dementsprechend wird ihre Segmentierung immer noch durch die gleichen Schwierigkeiten behindert, die oben für die LR-Bilder beschrieben wurden (siehe Abschnitt „Multiskalen-Bildgebung“) und führt zu Porositätswerten, die noch stärker von den Labordaten abweichen als die entsprechenden ursprünglichen LR-Eingabebilder (Tabelle 1). Diese Ergebnisse sind möglicherweise auf die weniger komplexen Architekturen als bei U-Net zurückzuführen, was durch die geringere Anzahl trainierbarer Parameter (eine Größenordnung weniger als bei U-Net) und kürzere Trainingszeiten für die gleiche Anzahl von Epochen belegt wird (Tabelle 1). Darüber hinaus werden LR-Bilder im Gegensatz zu U-Net innerhalb dieser Netzwerke direkt hochgesampelt. Daher erfordert U-Net ein vorläufiges Upsampling des LR-Bildes auf HR-Größe, um die Daten zu erweitern, während ResNet-basierte Netzwerke einige HR-Bilder verwerfen müssen (abhängig vom Skalierungsfaktor), um mit entsprechenden Paaren von Eingabe- und Ground-Truth-Bildern arbeiten zu können ( Tabelle 1).

Das resultierende beste 2D-CNN, U-Net, wurde dann als GAN-Generator getestet, der ein pix2pix-Netzwerk implementiert; Diese beiden Modelle wurden sowohl in 2D als auch in 3D untersucht. Das trainierte 2D-Pix2Pix-Netzwerk bietet erhebliche Verbesserungen der Bildqualität und pixelweisen Genauigkeit der Validierungsdaten, sogar etwas besser als 2D-U-Net, obwohl für die gleiche Anzahl von Epochen längere Trainingszeiten erforderlich sind: PSNR von 28,8 dB, MSE von 0,0013 und SSIM von 0,82 (Tabelle 1, Abb. 3, 4). Ihre Segmentierung ist effizient (Abb. 4), was zu Porositätswerten führt, die mit Labordaten übereinstimmen (Tabelle 1). Insbesondere ist 2D pix2pix erwartungsgemäß in der Lage, Hochfrequenzstrukturen besser zu erkennen als 2D U-Net (siehe Abschnitt „Materialien und Methoden“). Es ermöglicht die Segmentierung kleiner Strukturmerkmale (z. B. Mikrorisse in Kristallen), manchmal sind jedoch auch die leichten Unschärfe-/Glättungseffekte von 2D U-Net (die als Rauschunterdrückung dienen) nützlich. 3D-U-Net- und pix2pix-Netzwerke liefern hingegen schlechtere Ergebnisse, was zu schlechten Bildern (Abb. 4) und schlechten Bildqualitätsmetriken führt (PSNR von 26,9–27,3 dB, MSE von 0,0019–0,0020 und SSIM von 0,68–0,70; Tabelle 1). und Porositätswerte (aufgrund der daraus resultierenden Schwierigkeit, kleine Poren und Matrixkörner richtig aufzulösen und zu segmentieren) für Validierungsdaten (Tabelle 1). Dies liegt möglicherweise an der daraus resultierenden geringeren Anzahl an Trainingspatches als bei ihrem 2D-Gegenstück (Tabelle 1).

Um die Gesamtwirksamkeit unserer am besten trainierten Modelle, 2D U-Net und pix2pix, zu testen, haben wir sie auf ein großes unsichtbares (d. h. überwiegend außerhalb des Trainings-/Validierungsdatensatzes) LR-Bildvolumen angewendet und ihre Transporteigenschaften anhand der beschriebenen Methoden geschätzt Bildanalyse-Workflow. Durch Anwenden der Modelle auf die zentralen 6403 Pixel des LR-Bildes erhielten wir ein superaufgelöstes 3D-Bild von 25603 Pixel mit einer erheblichen Qualitätsverbesserung (Abb. 5), das die Abbildung eines großen Sichtfelds mit hoher Auflösung ermöglicht. Die geschätzten petrophysikalischen Eigenschaften stimmen nahezu mit Labordaten überein und reagieren nur schwach auf Schwellenwertschwankungen (Abb. 2b). Insbesondere während das ursprüngliche LR-Bild eine offensichtlich hochporöse, durchlässige und heterogene Mikrostruktur zeigt, weisen superaufgelöste Bilder Porosität, Durchlässigkeit und strukturelle Gleichmäßigkeit auf, die mit Labordaten und makroskopischen Merkmalen übereinstimmen (Abb. 2b, 6).

Superaufgelöster großer Tuffsteinkern: beste Modelle. Hochaufgelöste Bilder (25.603 Pixel), die durch die Anwendung der am besten trainierten Netzwerke, 2D-Pix2Pix und U-Net, die auf gepaarten Daten trainiert wurden, auf ein großes, nicht sichtbares LR-Bild (zentrale 6.403 Pixel, d. h. überwiegend außerhalb des Trainings-/Validierungsdatensatzes) erhalten wurden. Zum Vergleich werden auch LR-Bilder (Eingabe) angezeigt. Es werden Schnitte von oben, in der Mitte und von unten aus den gesamten 3D-Bildern präsentiert, zusammen mit einem Zoom in ihrem zentralen Teil, um die rekonstruierten Mikrostrukturen besser erkennen zu können.

Petrophysikalische Merkmale des superaufgelösten großen Tuffsteinkerns. Petrophysikalische Messungen, die an den superaufgelösten Bildern (25603 Pixel) durchgeführt wurden, indem die am besten trainierten Netzwerke, 2D pix2pix und U-Net, trainiert auf gepaarten Daten, auf ein großes LR-Bild (zentrales 6403 Pixel; siehe Abb. 5) angewendet wurden. (a) Mit der Box-Counting-Methode geschätzte Porositätswerte zur Berechnung des minimalen repräsentativen Elementarvolumens, REV (oben), sowie Aufteilung der superaufgelösten Bilder in angrenzende repräsentative (d. h. größer als das minimale REV) Teilvolumina, um Potenzial zu erkennen Heterogenitäten (unten). (b) Beispiel eines 3D-superaufgelösten (2D-U-Net) und segmentierten Bildes, das für intrinsische Permeabilitätssimulationen verwendet wird (zentrale 9003 Pixel, das maximal nutzbare Volumen für unser Rechensystem).

Schließlich haben wir auch CycleGAN untersucht, ein zykluskonsistentes gegnerisches Netzwerk, das speziell zum Erlernen der Zuordnung zwischen ungepaarten (nicht korrespondierenden) Trainingsbildern (z. B. von LR- zu HR-Daten) entwickelt wurde und sowohl in 2D als auch in 3D für diese anspruchsvolle Aufgabe trainiert wurde (siehe Einzelheiten zu Netzwerk und Schulung finden Sie im Abschnitt „Materialien und Methoden“. Hier zeigen wir Daten, die mit den relativ begrenzten Trainingseinheiten erhalten wurden, die mit unseren dedizierten GPUs in angemessener Zeit möglich sind (25 Epochen: 455.625 und 5750 Trainingsschritte in 2D und 3D; Tabelle 1), um die Machbarkeit einer Superauflösung unseres Scans mit niedriger Auflösung zu untersuchen Da keine gepaarten LR-HR-Daten vorliegen, sind diese nicht immer ohne weiteres verfügbar. Unsere Ergebnisse erscheinen vielversprechend (insbesondere in 2D), obwohl sie durch Inkonsistenzen während des Trainings, Stitching-Artefakte und Einschränkungen bei der Wiederherstellung von Kanten und der Matrix-/Kristallgleichmäßigkeit mäßig beeinträchtigt werden (Abb. 7). Daher sind sie für die Schätzung von Transporteigenschaften immer noch nicht empfehlenswert, da es schwierig ist, Bilder mit vollständiger geologischer Gültigkeit zu segmentieren. Dies ist möglicherweise auf begrenzte Trainings (in 3D durch die geringeren Trainingsdaten erschwert) im Vergleich zur komplexen Mikrostruktur dieser Gesteine ​​zurückzuführen, die kleine (nicht leicht auflösbare) und heterogene Poren und Matrixkörner enthalten. Tatsächlich führten bahnbrechende Bemühungen, die mit ähnlichen Netzwerken an echten digitalen Sedimentgesteinen unternommen wurden, zu geeigneten Ergebnissen22,24.

Hochaufgelöste Validierungsbilder: 2D- und 3D-Netzwerke, die auf ungepaarten Daten trainiert wurden. CycleGAN wurde sowohl in 2D als auch in 3D an ungepaarten Daten trainiert (dh unter Verwendung nicht korrespondierender LR- und HR-Bilder). Zum Vergleich werden auch LR-Bilder (Eingabebilder) angezeigt. Entsprechende Trainingsdetails sind in Tabelle 1 aufgeführt. Ein relativ begrenztes Training von 25 Epochen (455.625 und 5750 Trainingsschritte in 2D und 3D) war aufgrund der hohen Rechenkosten in angemessener Zeit möglich (siehe auch Tabelle 1).

Digitale Gesteinsphysik-Workflows sind leistungsstarke Werkzeuge zur Erforschung der Gesteinsmikrostruktur und der physikalischen Eigenschaften. Trotz ihres breiten Anwendungsspektrums, möglicherweise aufgrund ihrer anspruchsvollen Mikrostrukturen, wurden bisher jedoch nur sehr wenige Anstrengungen zur Untersuchung mikroporöser Vulkangesteine ​​unternommen. Hier haben wir Methoden zur Optimierung der zerstörungsfreien 3D-Charakterisierung dieser Gesteine ​​untersucht und uns dabei auf den kampanischen Ignimbrit-Tuff konzentriert, das dominierende Produkt der größten quartären Eruption in Europa.

Es wurde eine Multiskalenabbildung eines Kerns mit zunehmend abnehmender Pixelgröße (von 16 bis 1,75 μm) und Sichtfeldern sowie zunehmender Belichtungszeit durchgeführt. Wir haben festgestellt, dass genauere Schätzungen der petrophysikalischen Eigenschaften erzielt werden können, wenn kleine Volumina von Tuffsteinen mit hoher Auflösung (≤ 4 μm/px) untersucht werden, statt große Sichtfelder mit geringerer Auflösung zu untersuchen. Die Haupteinschränkungen bestehen darin, dass repräsentative Volumina gewährleistet sein müssen und Scans mit hoher Auflösung möglicherweise übermäßig lange Scanzeiten oder harte Röntgenstrahlen erfordern (es sei denn, es werden kleine Proben verwendet). Daher untersuchten wir die Wirksamkeit von Deep-Learning-basierten Super-Resolution-Ansätzen, indem wir viele robuste 2D- und 3D-Faltungs-Neuronale Netze und generative gegnerische Netze implementierten und verglichen, die auf gepaarten LR-HR-Daten trainiert wurden, um große Sichtfelder unserer Mikroporen künstlich abzubilden Vulkangestein mit hoher Auflösung. 2D-U-Net- und pi2pix-Netzwerke garantierten hervorragende Bildqualitätsverbesserungen (im Vergleich zu Ground Truth: PSNR von 28,6–28,8 dB, MSE von 0,0013–0,0014 und SSIM von 0,80–0,82) und petrophysikalische Eigenschaften, die im Gegensatz zu ResNet nahezu mit Labormessungen übereinstimmten -basierte (SR-ResNet, EDSR, WDSR-a, WDSR-b) und 3D-Netzwerke. Schließlich wurde auch 2D/3D CycleGAN, ein zykluskonsistentes gegnerisches Netzwerk, eingesetzt, um die Machbarkeit einer Superauflösung unseres Scans mithilfe ungepaarter LR-HR-Trainingsdaten zu testen. Es führte zu vielversprechenden Ergebnissen, obwohl der hohe Rechenaufwand begrenzt war, und bot gute Aussichten für die Bewältigung dieser anspruchsvollen Aufgabe an komplexen Vulkangesteinen.

Es ist unseres Wissens das erste Mal, dass Deep-Learning-basierte Superauflösungsmethoden an nicht-sedimentären Gesteinsbildern getestet werden, und eine der wenigen Studien, die diese Ansätze auf echte LR- und HR-Bilder anwendet (d. h. nicht synthetisch heruntergerechnet, sondern). wirklich erworben und registriert).

Obwohl darauf geachtet werden muss, unsere Ergebnisse auf alle Arten von mikroporösem Vulkangestein auszudehnen, stellt diese Studie den ersten Versuch dar, diese „unkonventionellen“ digitalen Gesteine ​​durch digitale Gesteinsphysik systematisch zu erforschen, und bietet einen Rahmen für den Umgang mit ähnlichen mikroporösen Strukturen und innovative Bildgebungsherausforderungen (z. B. hochauflösende Bildgebung großer Proben oder zu konservierender Materialien, 4D-Bildgebung mit großen experimentellen Geräten und/oder hoher zeitlicher Auflösung). Darüber hinaus gilt der kampanische Ignimbrit-Tuff als eines der am weitesten verbreiteten unterirdischen Gesteine ​​in der Caldera Campi Flegrei37,38, die sich derzeit seit 2005 in einem Zustand der Unruhe28,29 befindet. Unsere Erkenntnisse werden in zukünftigen Studien verwendet, um die 3D-Untersuchung von Kernproben aus Geothermiebohrungen in diesem Gebiet und die zeitaufgelöste (4D) Bildgebung während In-situ- und/oder Ex-situ-Experimenten zu optimieren, um die laufende Dynamik in diesem Gebiet besser einzuschränken aktive Caldera.

Wir untersuchten den kampanischen Ignimbrit-Tuff (CI), das Hauptprodukt des gleichnamigen Vulkanausbruchs, der vor 39.000 Jahren in der Caldera Campi Flegrei (Italien) stattfand39 und als der größte quartäre Ausbruch in Europa gilt. Diese Eruption erzeugte einen geringfügigen basalen Niederschlag, der sich nach Ost-Nordost ausbreitete und von einer dominanten, subradialen, geschichteten Ablagerung pyroklastischer Dichteströme (PDC) überlagert wurde. Das verschweißte graue Ignimbrit (WGI) ist die am weitesten verbreitete Einheit und macht den größten Teil der CI-Mächtigkeit aus26. Der CI-Tuff entstand durch die schnelle Ablagerung und Lithifizierung heißer PDCs mit einem Volumen von etwa 453–606 km3 und bedeckte eine Fläche von mehr als 6000 km226 (Abb. 1a). Dieser Tuffstein ist unter den calderafüllenden Ablagerungen37,38 der am weitesten verbreitete und erstreckt sich bis zu einer Tiefe von ca. 4 km5. Es wurde daher für zahlreiche (hauptsächlich vulkanologische, geothermische, bautechnische und materialtechnische) Anwendungen untersucht3,4,5,26,29.

Wir untersuchten einen WGI-Tuffsteinblock, der in einem offenen Steinbruch für Baumaterialien in der Nähe der Stadt Caserta gesammelt wurde (Abb. 1a), bestehend aus schwarzen Schlacken, eingebettet in eine aschehaltige Matrix mit untergeordneten Lithen und Kristallen (hauptsächlich Feldspat und Pyroxen). Es zeigt eine komplexe Mikrostruktur, in der die Poren in einer sehr feinen, lithifizierten, heterogenen Matrix verteilt sind (Abb. 1b). Wir haben einige seiner hydraulischen Eigenschaften, z. B. hydraulische Leitfähigkeit, intrinsische Permeabilität und Gesamtporosität, mithilfe von Labortests und empirischen Formeln geschätzt. Insbesondere wurden Messungen der hydraulischen Leitfähigkeit durch die Untersuchung von zwei Gesteinsproben im Labor für Geologie und Geotechnik der Fakultät für Erd-, Umwelt- und Ressourcenwissenschaften der Universität Neapel Federico II durchgeführt. Ein unregelmäßiger Block aus CI-Tuffstein wurde mit einer Kernbohrmaschine (MATEST, Italien, Modell A140-01), einer elektrischen Säge (Husqvarna, Italien, Modell TS 230 F) und einer Poliermaschine (Buehler, Deutschland, AutoMet Grinder-Polishers-Modell) geformt ), um zwei polierte zylindrische Proben mit einem Durchmesser von 54 mm und einer Höhe von 103 mm zu erhalten. Die zylindrischen Gesteinsproben wurden gemäß der Norm (ASTM D4525–90) hergestellt. Messungen der hydraulischen Leitfähigkeit wurden an gesättigten Gesteinsproben durchgeführt, nachdem die Proben vier Tage lang in destilliertes Wasser getaucht wurden. Für zwei Gesteinsproben wurden 12 bzw. 18 hydraulische Tests der hydraulischen Leitfähigkeit durchgeführt. Die Tests der hydraulischen Leitfähigkeit wurden gemäß den ASTM-Standards (ASTM D2434-68, ASTM D5084-16a) mit einem triaxialen Gerät mit Hoek-Zelle (MATEST, Italien, Modell A137) durchgeführt. In Allocca et al.1 werden weitere Einzelheiten zu Laborinstrumenten und -verfahren zur Messung der hydraulischen Leitfähigkeit berichtet. Die hydraulische Leitfähigkeit K (m/s) wurde mithilfe des Darcy-Gesetzes im stationären Strömungszustand geschätzt und anschließend mithilfe der folgenden Gleichungen in die intrinsische Permeabilität ki (mD) umgewandelt:

Dabei ist q der Volumenstrom des Wassers (m3/s), A die Querschnittsfläche der zylindrischen Probe (m2), i der hydraulische Gradient (dimensionslos), μw und ρw die Wasserviskosität (N × s). /m2) und Dichte (kg/m3) bei Umgebungsbedingungen, und g (m/s2) ist die Gravitationskonstante. Schließlich wurde die Gesamtporosität φ (dimensionslos) empirisch unter Verwendung der zuvor im Labor bestimmten Trockenschüttdichte ρ (kg/m3) und der Äquivalentdichte von dichtem Gestein (ρDRE = 2,607 ± 31 kg/m326) mithilfe der folgenden empirischen Formel40 geschätzt:

Röntgenmikrotomographische Untersuchungen wurden an einem zylindrischen Kern mit einem Durchmesser von etwa 20 mm und einer Höhe von 40 mm aus demselben Tuffsteinblock durchgeführt (Abb. 1c). Wir untersuchten die Probe in mehreren Maßstäben, wobei wir die Pixelgrößen und Sichtfelder schrittweise verringerten und die Belichtungszeit verlängerten. Wir haben drei 3D-Bilder (von etwa 10003 Pixel) aufgenommen: einen Scan mit niedriger Auflösung (LR) mit einer Pixelgröße von etwa 16 μm, einen Scan mit hoher Auflösung (HR) mit einer Pixelgröße von 4 μm und einen Scan mit sehr hoher Auflösung (VHR). Scan mit einer Pixelgröße von 1,75 μm (Abb. 1c). Die Scans wurden im Mikro-CT-Labor des Istituto Nazionale di Geofisica e Vulcanologia – Osservatorio Vesuviano aufgenommen, ausgestattet mit einem ZEISS Xradia Versa 410 Mikro-CT. Die Röntgenbildgebung wurde im Absorptionsmodus durchgeführt, wobei 2D-Röntgenbilder (Projektionen) über einen gesamten Winkelscan von 360° aufgenommen und mit einem gefilterten Rückprojektionsalgorithmus unter Verwendung der XRM Reconstructor-Software rekonstruiert wurden. Der LR-Scan wurde bei 80 kV und 7 W gescannt, wobei eine optische Vergrößerung von 0,4-fach verwendet wurde und 4001 Projektionen mit einer Scanzeit von 3 s pro Projektion gesammelt wurden. Der HR-Scan wurde bei 100 kV und 9 W unter Verwendung einer 4-fachen optischen Vergrößerung gescannt und 4001 Projektionen mit einer Scanzeit von 3,2 s pro Projektion gesammelt. Der VHR-Scan wurde bei 100 kV und 9 W unter Verwendung einer 10-fachen optischen Vergrößerung gescannt und 3201 Projektionen mit einer Scanzeit von 14 s pro Projektion gesammelt. Für HR- und VHR-Scans wurde ein Niedrigenergiefilter (LE6) verwendet, um die Strahlaufhärtung zu minimieren.

Hochauflösende Methoden auf Basis von Convolutional Neural Networks und generative Adversarial Networks erweisen sich in zahlreichen Anwendungen als besonders effizient, um die Qualität von Bildern mit niedriger Auflösung zu verbessern. Hier haben wir die Wirksamkeit dieser Ansätze anhand von Bildern von Tuffgestein mit anspruchsvollen Mikrostrukturen getestet. Wir verwendeten echte LR- und HR-Scans (siehe Abschnitt „Multiskalen-Röntgenbildgebung“) mit einem Skalierungsfaktor von 4×, passend vorverarbeitet und mehreren 2D-3D-, CNNs- und GANs-basierten Netzwerken.

Wir haben sieben verschiedene Netzwerke trainiert, die in zahlreichen wissenschaftlichen und Computer-Vision-Bereichen und Herausforderungen sehr effektive und schnelle Ergebnisse gezeigt haben (U-Net, SR-ResNet, EDSR, WDSR-a, WDSR-b, pix2pix, CycleGAN; Abb. 8). Wir verwendeten hauptsächlich entsprechende Paare von LR- (Eingabedaten) und HR-Bildern (Ground Truth Data) und konzentrierten uns zunehmend auf die Netzwerke, die nach entsprechenden parametrischen Studien effizienter für die Mikrostruktur unseres Tuffsteins ermittelt wurden. Zunächst wurden 2D-CNNs (U-Net- und ResNet-basierte CNNs: SR-ResNet, EDSR, WDSR) eingesetzt. Das resultierende beste Modell (U-Net) wurde dann sowohl in 2D als auch in 3D und als Generator eines GAN (pix2pix) verwendet. Schließlich haben wir ein zykluskonsistentes gegnerisches Netzwerk (CycleGAN) getestet, das speziell entwickelt wurde, um die Zuordnung zwischen ungepaarten (nicht korrespondierenden) Trainingsbildern (z. B. von LR- zu HR-Daten) sowohl in 2D als auch in 3D zu lernen.

Hochauflösende Netzwerke. Faltungs-Neuronale Netze (CNNs: U-Net, SR-ResNet, EDSR, WDSR-a, WDSR-b) und generative kontradiktorische Netze (GANs: pix2pix, CycleGAN) werden für hochauflösende Bildgebung eingesetzt. Blöcke derselben Farbe repräsentieren denselben Ebenentyp. Bei mehrmaliger Wiederholung wird dies über den Blöcken angegeben (z. B. 2×). Für (2D- oder 3D-)Faltungsschichten wird unten die Anzahl der Filter und oben die Kernelgröße (zusammen mit den Schritten in der Klammer, wenn sie von 1 abweichen) angegeben. Die unteren hellgrauen Pfeile zeigen übersprungene Verbindungen (Verkettung für U-Net, pix2pix, CycleGAN, Addition für SR-ResNet, EDSR, WDSR-a, WDSR-b), während die oberen dunkelgrauen Pfeile verbleibende Blöcke für ResNet-basierte Netzwerke anzeigen (SR-ResNet, EDSR, WDSR-a, WDSR-b) und CycleGAN.

Deep Convolutional Neural Networks (CNNs) sind eine Klasse neuronaler Netzwerke, deren Bausteine ​​Faltungsschichten sind. Sie falten eine Eingabe (einen Tensor mit Form: Anzahl der Eingaben, Eingabehöhe, Eingabebreite, Eingabekanäle, in 2D; zunächst Stapel von Eingabebildern) mit einer Reihe von Faltungsfiltern (mit Form: Anzahl der Filter, Kernelhöhe, Kernel). Breite, in 2D), was eine Feature-Map als Ausgabe ergibt; Daher haben Anzahl und Form der Faltungsfilter einen entscheidenden Einfluss auf die gesamten resultierenden trainierbaren Parameter. CNNs kombinieren typischerweise Faltungsschichten mit Aktivierungs-, Batch-Normalisierungs-, Downsampling- und Upsampling-Schichten und minimieren spezifische Verlustfunktionen durch einen Optimierer, um Regressions- (z. B. Superauflösung) oder Klassifizierungsaufgaben (z. B. semantische Segmentierung) zu lösen20,41. Für hochauflösende Aufgaben lernen CNNs die LR-zu-HR-Scan-Zuordnung. In dieser Studie haben wir zunächst verschiedene Arten von CNN-Architekturen übernommen, die in zwei Gruppen unterschieden werden können: U-Net- und ResNet-basierte Netzwerke. Die Wirksamkeit beider wird durch die Verwendung von Skip-Verbindungen erhöht, die durch die Addition der Ausgaben aus flachen und tiefen Schichten die Beibehaltung flacher Merkmale und die Optimierung des Trainings ermöglichen (wodurch verschwindende Gradienten- und Degradationsprobleme vermieden werden). Die ursprünglich für die semantische Segmentierung entwickelte U-Net-Architektur wurde für zahlreiche Aufgaben verwendet42. Es funktioniert mit Eingabe- und Ausgabebildern mit derselben Form. Daher ist für eine Superauflösung ein vorläufiges Upsampling der LR-Scans (auf HR-Größe) erforderlich. U-Net verwendet einen kontrahierenden Pfad, um den Kontext durch Downsampling-Schritte (d. h. Faltung plus maximale Pooling-Schichten) zu erfassen, und einen symmetrischen expandierenden Pfad (daher U-Form; Abb. 8) für eine präzise Lokalisierung durch Upsampling (Up-Faltung) und Verkettung mit entsprechenden Feature-Maps aus dem Vertragspfad (Verbindung überspringen). Andererseits ist SR-ResNet ein Super-Resolution-Netzwerk, das direkt auf dem ResNet-Backbone43 aufbaut (Abb. 8). ResNet wurde ursprünglich entwickelt, um Bilderkennungsaufgaben mithilfe von Restblöcken mit Sprungverbindungen zu lösen, um sehr tiefe Netzwerke zu trainieren44. EDSR optimiert die SR-ResNet-Architektur, indem es hauptsächlich die Batch-Normalisierung entfernt und Aktivierungsschichten ändert (von PReLU, Parametric Rectified Linear Unit, zu ReLU), um die Leistung zu steigern45 (Abb. 8). Schließlich testet WDSR ausgehend von der EDSR-Architektur die Verwendung umfassenderer Funktionen vor der Aktivierungsfunktion mit denselben Parametern und Rechenbudgets und führt eine Gewichtsnormalisierung ein (anstelle einer Batch-Normalisierung oder keiner Normalisierung). Aufgrund ihrer Breite werden zwei verschiedene Typen vorgeschlagen: WDSR-a für breite 2×–4×-Kanäle, WDSR-b für noch breitere 6×–9×-Kanäle46 (Abb. 8). Diese ResNet-basierten CNNs arbeiten direkt mit LR-Bildern und Daten werden innerhalb des Netzwerks durch Pixel-Shuffling (Subpixel-Faltung) hochgesampelt. Weitere Informationen zu digitalen Steinen finden sich bei Wang et al.47.

Im Gegensatz zu CNNs bestehen generative gegnerische Netzwerke, GANs, aus zwei Netzwerken: Ein Generatormodell lernt, gefälschte Bilder zu erzeugen, ein Diskriminatormodell lernt, Bilder als echt (Trainingsbilder) oder gefälscht (generierte Bilder) zu klassifizieren. Gleichzeitig werden sie in einem kontradiktorischen Prozess trainiert, bei dem der Generator versucht, immer realistischere Bilder zu erzeugen, um den Diskriminator zu täuschen, der wiederum versucht, gefälschte Bilder besser zu identifizieren. Der Diskriminator wird direkt aktualisiert, der Generator wird über den Diskriminator48 aktualisiert. GANs lernen normalerweise eine Zuordnung von zufälligen Rauschvektoren zu Ausgabedaten (in diesem Fall Bildern), können jedoch von einigen zusätzlichen Informationen abhängig gemacht werden, wie z. B. eingegebenen LR-Bildern; in diesem Fall werden sie bedingte GANs (c-GANs49) genannt. Durch die Verwendung eines effizienten CNN-Netzwerks als Generator und eines geeigneten Bildklassifizierungsnetzwerks als Diskriminator können c-GANs daher effizient für Bild-zu-Bild-Zuordnungen sein. Hier verwendeten wir pix2pix50, ein c-GAN mit einem Generator basierend auf einer U-Net-Architektur (enthüllte das beste CNN für unseren Rock). Es wurde als Allzwecklösung für viele Bild-zu-Bild-Übersetzungsaufgaben50 entwickelt und wurde kürzlich auch für die multimodale Bildgebung digitaler Gesteine51,52 eingesetzt. Das Diskriminatornetzwerk, genannt PatchGAN, ist ein mehrschichtiger CNN-Klassifikator, der sich hauptsächlich auf die Modellierung hochfrequenter Strukturen in lokalen Bild-Subpatches (70 × 70 px) beschränkt, auf denen er ein Bild als echt oder gefälscht klassifiziert (Abb. 8). Tatsächlich können CNNs (die üblicherweise auf dem mittleren absoluten Fehler oder dem mittleren quadratischen Fehlerverlust basieren) hochfrequente Strukturen verwischen/glätten43,50, was zu Vorteilen bei der Segmentierung führt (und somit als Rauschunterdrückung wirkt) oder zum Verlust wichtiger kleinräumiger Texturinformationen abhängig von den untersuchten Mikrostrukturen und Bildern20. Der pix2pix-Verlust kombiniert einen c-GAN-Verlust mit einem L1-Verlust (mittlerer absoluter Fehler) zwischen generierten und erwarteten Bildern, was die Erzeugung von Bildern ähnlich der Grundwahrheit fördert.

Schließlich ist CycleGAN53 ein kontradiktorisches Netzwerk, das speziell entwickelt wurde, um Zuordnungsfunktionen zwischen zwei Domänen (X und Y) in Abwesenheit gepaarter Bilder zu erlernen. Um dieses unterbeschränkte Problem anzugehen, werden zwei Generatoren (G: Übernahme der Instanznormalisierung (Abb. 8). Zusätzlich zu den kontradiktorischen Verlusten werden zwei Zykluskonsistenzverluste eingeführt, um diese Abbildungen so zu regulieren, dass: x → G(x) → F(G(x)) ≈ x und y → F(y) → G(F(x) ) ≈ y (Abb. 8). Identitätszuordnungsverluste werden auch verwendet, um den Generator so zu regulieren, dass er sich in der Nähe einer Identitätszuordnung befindet, wenn Bilder aus der Zieldomäne als Eingaben bereitgestellt werden. CycleGAN wurde als allgemeine Lösung für die Bild-zu-Bild-Übersetzung53 entwickelt und wurde kürzlich auf hochauflösende digitale Steine22 angewendet.

Wir haben Super-Resolution-Methoden auf unseren LR-Scan (Eingabedaten) und HR-Scan (Ground-Truth-Daten) angewendet, die Transporteigenschaften (siehe Abschnitt „Multiscale-Bildgebung“) mit einem nachhaltigeren Skalierungsfaktor (4× vs. 10×) angemessen erfassen. und Scanzeit (3,2 vs. 14 s pro Projektion) als VHR-Scan. Insbesondere haben wir LR- und HR-Pflanzen verwendet, die rechtzeitig registriert und beschnitten wurden. Die 3D-Registrierung wurde mit Thermo Scientific PerGeos Software (basierend auf Avizo Software; Thermo Fisher Scientific, Waltham, MA, USA – www.thermofisher.com/pergeos) verfeinert, wodurch die normalisierte gegenseitige Information zwischen den beiden Scans54 maximiert wurde, was zu einer leichten Übersetzung führte. Drehung und Skalierung des LR-Scans mit einer endgültigen Pixelgröße von 16 μm. Aus dem HR-Scan wurde ein Ausschnitt von 640 × 640 × 972 Pixel (d. h. das größte beschriftbare Parallelepiped in unserem zylindrisch rekonstruierten digitalen Gestein, das mit unseren Netzwerken kompatibel ist) extrahiert, und aus dem LR-Scan ein entsprechendes Volumen von 160 × 160 × 243 Pixel ( Abb. 1d), um gepaarte Trainings- und Validierungsdaten zu erhalten. Für U-Net und pix2pix wurde der LR-Ernte mit kubischer Interpolation auf HR-Größe hochgerechnet. Aus dem LR-Scan wurde ein größerer Ausschnitt von 6403 Pixeln extrahiert, um die besten Modelle zu testen.

LR- und HR-Pflanzen wurden vorverarbeitet, um das Training der Netzwerke nach parametrischen Tests zu optimieren. Bei 2D-Netzwerken wurden 25 % der Slices zufällig zur Validierung ausgewählt; Die Bilder wurden in Patches von 1282 Pixeln für 2D-U-Net und pix2pix und von 402 und 1602 Pixeln (für LR- bzw. entsprechende HR-Bilder) für ResNet-basierte Netzwerke unterteilt (erwiesen sich als ausreichende Größen zur Erfassung von Tuff-Mikrostrukturen). Die besten 2D-Modelle, U-Net und pix2pix, wurden auch in der 3D-Vorbereitung von Teilvolumina von 803 bzw. 1283 Pixel (ebenfalls durch unsere Rechenverfügbarkeit eingeschränkt) mit einer Überlappung von 25 % trainiert, um die Daten zu erweitern; 20 % der Teilvolumina wurden zur Validierung verwendet und die letzten 80/128 Slices wurden für die Bewertung des allgemeinen Ergebnisses der Modelle reserviert.

Für 2D- und 3D-CNNs (U-Net- und ResNet-basierte Netzwerke) wurden Graustufenwerte von 0 auf 1 skaliert und am Ende der Netzwerke wurde eine Sigmoid-Aktivierungsschicht verwendet. Sie wurden für 100 Epochen unter Verwendung des mittleren quadratischen Fehlerverlusts (der bessere Ergebnisse lieferte als der mittlere absolute Fehlerverlust) und des Adam-Optimierers mit einer anfänglichen Lernrate von 10–3 und einem exponentiellen Abfall (Abfallrate von 0,0625) trainiert. Im Detail wurden für U-Net Stapel von 32 bzw. 1 Bild für 2D- bzw. 3D-Modelle verwendet, wobei die Trainingsdaten vor jeder Epoche gemischt wurden; Die Auswirkung von BatchNormalization und Dropout wurde auch ohne Verbesserungen untersucht. Für ResNet-basierte Netzwerke werden Ergebnisse für 16 Restblöcke unter Verwendung gemischter Stapel von 16 Bildern und für Filtererweiterungsfaktoren von 4× und 6× für WDSR-a bzw. WDSR-b angezeigt; Allerdings wurden durch die Änderung dieser Parameter keine wesentlichen Verbesserungen erzielt. Für pix2pix folgten wir den Vorschlägen der Autoren, da es als Allzwecklösung für viele verschiedene Bild-zu-Bild-Übersetzungsaufgaben entwickelt wurde50. Die Graustufenwerte wurden von −1 bis 1 skaliert und am Ende des Generators wurde eine Tanh-Aktivierungsschicht verwendet. Das Modell wurde für 100 Epochen mit einer Stapelgröße von 1 trainiert, wobei die Bilder zufällig ausgewählt wurden. Die Anzahl der Epochen zum Trainieren von CNNs und GANs wurde ausgewählt, um die Metriken für Trainings- und Validierungsdatensätze weitgehend zu stabilisieren. Die Schulungen wurden mit Tensorflow/Keras (Tensorflow 2.5.0, Python 3) auf einer NVIDIA GeForce RTX 3070 GPU durchgeführt.

Die Ergebnisse wurden dann hinsichtlich der Bildqualitätsmetriken und Transporteigenschaften (siehe Abschnitt „Bildanalyse und Strömungssimulationen“) sowie visueller Kontrollen bewertet. Die Bildqualität (in Bezug auf HR-Bilder) wurde anhand der Schätzung des mittleren quadratischen Fehlers (MSE), des Spitzensignal-Rausch-Verhältnisses (PSNR) und des Strukturähnlichkeitsindex (SSIM55) bewertet.

Schließlich haben wir auch ungepaarte Daten verwendet, um 2D- und 3D-CycleGANs zu trainieren. HR-Daten wurden mit einem Stapel von 2D-Bildern aus verschiedenen FoVs und einem 3D-Subvolumen kombiniert, unabhängig aus den zentralen 6403 Pixeln des LR-Bildes extrahiert und mit kubischer Interpolation hochgesampelt. Diese Datensätze wurden ähnlich wie (2D und 3D) pix2pix vorverarbeitet. Wir trainierten CycleGAN anhand der Vorschläge seiner Autoren, die eine allgemeine Lösung für Bild-zu-Bild-Übersetzungsaufgaben53 entwickelten, und wählten die Bilder zufällig aus. Ein relativ begrenztes Training von 25 Epochen (455.625 und 5750 Trainingsschritte in 2D und 3D) war aufgrund des hohen Rechenaufwands in angemessener Zeit möglich (Tabelle 1), obwohl hierfür eine leistungsstärkere GPU (NVIDIA GeForce RTX 3090 Ti) eingesetzt wurde Netzwerk. Das Fehlen gepaarter Bilder ermöglichte die Verwendung herkömmlicher Bildqualitätsmetriken zur Bewertung der Ergebnisse nicht.

Die erhaltenen digitalen Gesteine ​​wurden segmentiert und zur Schätzung der Transporteigenschaften verwendet. Wir haben einen sehr einfachen und traditionellen Arbeitsablauf definiert, um die Effizienz unserer Abbildung von Tuff-Mikrostrukturen ohne weitere Komplikationen aufgrund von Filter-, Segmentierungs- und Simulationsansätzen zu bewerten. Daher segmentierten wir die Bilder zunächst mit der Methode von Otsu56, die automatisch einen Graustufenschwellenwert für eine binäre Segmentierung schätzt (dh jedes Voxel wird als Pore oder Matrix gekennzeichnet) mit der Scikit-Image-Bibliothek in Python. Die Ergebnisse wurden visuell überprüft und die Auswirkung des Schwellenwerts auf die Segmentierung (dh Schwellenempfindlichkeit34) wird ebenfalls diskutiert. Die segmentierten Bilder verwendeten wir dann zur Schätzung der Porosität und zur Durchführung von Permeabilitätssimulationen. Insbesondere wurde der einphasige Flüssigkeitsfluss direkt auf den segmentierten Bildern simuliert. Dieser Ansatz ermöglicht die Schätzung der Permeabilität (kompatibel mit unseren Labormessungen) und der Geschwindigkeitsfeldverteilung, indem Stokes-Gleichungen gelöst und das Darcy-Gesetz verwendet werden. Wir verwendeten einen parallelen Gitter-Boltzmann-Löser, der in der PerGeos-Software verfügbar ist.

Unterstützende Daten und Codes sind verfügbar unter: https://figshare.com/articles/online_resource/3dSRCT/20449188.

Allocca, V., Colantuono, P., Colella, A., Piacentini, SM & Piscopo, V. Hydraulische Eigenschaften von Ignimbriten: Matrix- und Bruchpermeabilitäten in zwei pyroklastischen Flussablagerungen von Cimino-Vico-Vulkanen (Italien). Stier. Ing. Geol. Umgebung. 81, 221. https://doi.org/10.1007/s10064-022-02712-0 (2022).

Artikel Google Scholar

Bonamente, E., Aquino, A., Nicolini, A. & Cotana, F. Experimentelle Analyse und Prozessmodellierung der Kohlendioxidentfernung mithilfe von Tuffstein. Nachhaltigkeit 8, 1258. https://doi.org/10.3390/su8121258 (2016).

Artikel CAS Google Scholar

Heap, MJ & Violay, MES Das mechanische Verhalten und die Versagensarten von Vulkangesteinen: Ein Überblick. Stier. Vulkan. 83, 33. https://doi.org/10.1007/s00445-021-01447-2 (2021).

Artikel ADS Google Scholar

Heiken, G. Tuffsteine ​​– ihre Eigenschaften, Verwendungen, Hydrologie und Ressourcen. Sonderpapier der Geological Society of America (GSA), Bd. 408. https://doi.org/10.1130/SPE408 (2006).

Rosi, M. & Sbrana, A. Die Phlegräischen Felder. CNR Papers of Scientific Research 114 (1987).

Rowley, P., Benson, PM & Bean, CJ Deformationskontrollierte Langzeitseismizität in vulkanischen Sedimenten mit geringer Kohäsion. Nat. Geosci. 14, 942–948. https://doi.org/10.1038/s41561-021-00844-8 (2021).

Artikel ADS CAS Google Scholar

Wang, J., Jung, W., Li, Y. & Ghassemi, A. Geomechanische Charakterisierung von Newberry-Tuff. Geothermie 63, 74–96. https://doi.org/10.1016/j.geothermics.2016.01.016 (2016).

Artikel ADS Google Scholar

Zou, C. Vulkanische Reservoire in der Erdölexploration (Elsevier, 2013).

Google Scholar

Fisher, RV & Schmincke, H.-U. Pyroklastische Gesteine ​​(Springer, 1984).

Buchen Sie Google Scholar

Brown, RJ & Andrews, GDM Ablagerungen pyroklastischer Dichteströme. In The Encyclopedia of Volcanoes, 2. Auflage (Hrsg. Sigurdsson, H. et al.), 631–648 (Academic Press, 2015).

Kapitel Google Scholar

Andrä, H. et al. Digitale Gesteinsphysik-Benchmarks Teil I: Bildgebung und Segmentierung. Berechnen. Geosci. 50, 25–32. https://doi.org/10.1016/j.cageo.2012.09.005 (2013).

Artikel ADS Google Scholar

Andrä, H. et al. Digitale Gesteinsphysik-Benchmarks Teil II: Berechnung effektiver Eigenschaften. Berechnen. Geosci. 50, 33–43. https://doi.org/10.1016/j.cageo.2012.09.008 (2013).

Artikel ADS Google Scholar

Blunt, MJ et al. Bildgebung und Modellierung im Porenmaßstab. Adv. Wasserressource. 51, 197–216. https://doi.org/10.1016/j.advwatres.2012.03.003 (2013).

Artikel ADS Google Scholar

Bultreys, T., De Boever, W. & Cnudde, V. Bildgebung und bildbasierte Modellierung des Flüssigkeitstransports auf der Porenskala in geologischen Materialien: Eine praktische Einführung in den aktuellen Stand der Technik. Erdwissenschaft. Rev. 155, 93–128. https://doi.org/10.1016/j.earscirev.2016.02.001 (2016).

Artikel ADS Google Scholar

Withers, PJ et al. Röntgen-Computertomographie. Nat. Rev. Methods Primers 1, 18. https://doi.org/10.1038/s43586-021-00015-4 (2021).

Artikel CAS Google Scholar

Alyafei, N., Raeini, AQ, Paluszny, A. & Blunt, MJ Eine Sensitivitätsstudie zum Einfluss der Bildauflösung auf vorhergesagte petrophysikalische Eigenschaften. Transp. Poröse Medien 110, 157–169. https://doi.org/10.1007/s11242-015-0563-0 (2015).

Artikel CAS Google Scholar

Arns, CH et al. Charakterisierung von Carbonaten im Porenmaßstab mittels Röntgenmikrotomographie. Soc. Haustier. Ing. J. 10, 475–484. https://doi.org/10.2118/90368-PA (2005).

Artikel Google Scholar

Janssens, N., Huysmans, M. & Rudy, S. Computertomographie 3D-Superauflösung mit generativen kontradiktorischen neuronalen Netzen: Auswirkungen auf den Fluss ungesättigter und zweiphasiger Flüssigkeiten. Materialien 13, 1397. https://doi.org/10.3390/ma13061397 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Shah, SM, Gray, F., Crawshaw, JP & Boek, ES Mikrocomputertomographie-Porenskalenstudie der Strömung in porösen Medien: Auswirkung der Voxelauflösung. Adv. Wasserressource. 95, 276–287. https://doi.org/10.1016/j.advwatres.2015.07.012 (2016).

Artikel ADS Google Scholar

Wang, YD, Blunt, MJ, Armstrong, RT & Mostaghimi, P. Deep Learning in der Bildgebung und Modellierung im Porenmaßstab. Erdwissenschaft. Rev. 215, 103555. https://doi.org/10.1016/j.earscirev.2021.103555 (2021).

Artikel Google Scholar

Ahuja, VR et al. Siamese-SR: Ein siamesisches Superauflösungsmodell zur Erhöhung der Auflösung digitaler Gesteinsbilder für eine verbesserte Schätzung der petrophysikalischen Eigenschaften. IEEE Trans. Bildprozess. 31, 3479–3493. https://doi.org/10.1109/TIP.2022.3172211 (2022).

Artikel ADS PubMed Google Scholar

Chen, H. et al. Superauflösung realer mikrocomputertomographischer Gesteinsbilder unter Verwendung zykluskonsistenter generativer gegnerischer Netzwerke. Physik. Rev. E 101, 023305. https://doi.org/10.1103/PhysRevE.101.023305 (2020).

Artikel ADS CAS PubMed Google Scholar

Karimpouli, S. & Kadyrov, R. Multistep Super Resolution Double-U-Net (SRDUN) zur Verbesserung der Auflösung von Bereasandstone-Bildern. J. Pet. Wissenschaft. Ing. 216, 110833. https://doi.org/10.1016/j.petrol.2022.110833 (2022).

Artikel CAS Google Scholar

Niu, Y., Jackson, SJ, Alqahtani, N., Mostaghimi, P. & Armstrong, RT Gepaarte und ungepaarte Deep-Learning-Methoden für physikalisch genaue hochauflösende Karbonatgesteinsbilder. Transp. Poröse Medien 144, 825–847. https://doi.org/10.1007/s11242-022-01842-z (2022).

Artikel Google Scholar

Rabbani, A. et al. Überblick über datenwissenschaftliche Trends und Probleme in der Forschung zu porösen Medien mit Schwerpunkt auf bildbasierten Techniken. Wasserressource. Res. 57, e2020WR029472. https://doi.org/10.1029/2020WR029472 (2021).

Artikel ADS Google Scholar

Silleni, A., Giordano, G., Isaia, R. & Ort, MH Magnitude des 39,8 ka kampanischen Ignimbrit-Ausbruchs, Italien: Methode, Unsicherheiten und Fehler. Vorderseite. Erdwissenschaft. 8, 444. https://doi.org/10.3389/feart.2020.543399 (2020).

Artikel ADS Google Scholar

Buono, G. et al. Dynamik der Entgasung in entwickelten alkalischen Magmen: Petrologische, experimentelle und theoretische Erkenntnisse. Erdwissenschaft. Rev. 211, 103402. https://doi.org/10.1016/j.earscirev.2020.103402 (2020).

Artikel CAS Google Scholar

Buono, G. et al. Neue Einblicke in die jüngste Magmadynamik unter der Caldera Campi Flegrei (Italien) anhand petrologischer und geochemischer Beweise. J. Geophys. Res. Feste Erde 127, e2021JB023773. https://doi.org/10.1029/2021JB023773 (2022).

Artikel ADS CAS Google Scholar

Pappalardo, L. & Buono, G. Einblicke in Prozesse und Zeitskalen der Magmaspeicherung und des Magmaaufstiegs aus strukturellen und geochemischen Untersuchungen: Fallstudien von neapolitanischen Hochrisikovulkanen (Italien). In Crustal Magmatic System Evolution (Hrsg. Masotta, M. et al.) 213–235 (American Geophysical Union, 2021).

Kapitel Google Scholar

Baker, DR et al. Eine Einführung in die Anwendung der Röntgenmikrotomographie zur dreidimensionalen Untersuchung magmatischer Gesteine. Lithos 148, 262–276. https://doi.org/10.1016/j.lithos.2012.06.008 (2012).

Artikel ADS CAS Google Scholar

Buono, G., Pappalardo, L. & Petrosino, P. Magmaspeicherung und Aufstieg während des größten Ausbruchs des Somma-Vesuv-Vulkans: Pomici di Base (22 ka) Plinianisches Ereignis. Boll. Geophys. Theor. Appl. 61, 23–40. https://doi.org/10.4430/bgta0294 (2020).

Artikel Google Scholar

Liedl, A. et al. Eine 3D-bildgebende Texturcharakterisierung pyroklastischer Produkte aus dem Ausbruch des Monte Nuovo im Jahr 1538 n. Chr. (Campi Flegrei, Italien). Lithos 340–341, 316–331. https://doi.org/10.1016/j.lithos.2019.05.010 (2019).

Artikel ADS CAS Google Scholar

Schepp, LL et al. Digitale Gesteinsphysik und Laborüberlegungen an einem hochporösen Vulkangestein. Wissenschaft. Rep. 10, 1–16. https://doi.org/10.1038/s41598-020-62741-1 (2020).

Artikel CAS Google Scholar

Leu, L., Berg, S., Enzmann, F., Armstrong, R. & Kersten, M. Schnelle Röntgenmikrotomographie der Mehrphasenströmung in Berea-Sandstein: Eine Empfindlichkeitsstudie zur Bildverarbeitung. Transp. Poröse Medien 105, 451–469. https://doi.org/10.1007/s11242-014-0378-4 (2014).

Artikel CAS Google Scholar

Balcewicz, M. et al. Digitale Gesteinsphysik: Ein geologischer Workflow zur Segmentierung von anisotropem Ruhrsandstein. Vorderseite. Erdwissenschaft. 9, 673753. https://doi.org/10.3389/feart.2021.673753 (2021).

Artikel Google Scholar

Lavallée, Y. & Kendrick, JE Ein Überblick über die physikalischen und mechanischen Eigenschaften von Vulkangesteinen und Magmen im spröden und duktilen Bereich. In Forecasting and Planning for Volcanic Hazards, Risks, and Disasters (Hrsg. Papale, P.) 153–238 (Elsevier, 2021).

Kapitel Google Scholar

Chiodini, G., Pappalardo, L., Aiuppa, A. & Caliro, S. Die geologische CO2-Entgasungsgeschichte einer langlebigen Caldera. Geologie 43, 767–770. https://doi.org/10.1130/G36905.1 (2015).

Artikel ADS CAS Google Scholar

Piochi, M., Cantucci, B., Montegrossi, G. & Currenti, G. Hydrothermale Alteration im San Vito-Gebiet des geothermischen Systems Campi Flegrei in Italien: Mineralbewertung und geochemische Modellierung. Mineralien 11, 810. https://doi.org/10.3390/min11080810 (2021).

Artikel ADS Google Scholar

Gebauer, S., Schmitt, A., Pappalardo, L., Stockli, D. & Lovera, O. Kristallisations- und Eruptionsalter der plutonischen Klasten des Breccia Museo (Campi Flegrei Caldera, Italien) und ihre Beziehung zum kampanischen Ignimbrit. Beitrag. Mineral. Benzin. 167, 1–18. https://doi.org/10.1007/s00410-013-0953-7 (2014).

Artikel CAS Google Scholar

Houghton, BF & Wilson, CJN Ein Vesikularitätsindex für pyroklastische Ablagerungen. Stier. Vulkan. 51, 451–462. https://doi.org/10.1007/BF01078811 (1989).

Artikel ADS Google Scholar

Goodfellow, I., Bengio, Y. & Courville, A. Deep Learning (MIT Press, 2016).

MATH Google Scholar

Ronneberger, O., Fischer, P. & Brox, T. U-Net: Faltungsnetzwerke für die biomedizinische Bildsegmentierung. In Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015 (Hrsg. Navab, N. et al.) 234–241 (Springer, 2015).

Google Scholar

Ledig, C. et al. Fotorealistische Einzelbild-Superauflösung unter Verwendung eines generativen kontradiktorischen Netzwerks. https://doi.org/10.48550/arXiv.1609.04802 (2017).

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

Lim, B., Son, S., Kim, H., Nah, S. & Lee, KM Verbesserte tiefe Restnetzwerke für Einzelbild-Superauflösung. https://doi.org/10.48550/arXiv.1707.02921 (2017).

Yu, J. et al. Breite Aktivierung für effiziente und genaue Bild-Superauflösung. https://doi.org/10.48550/arXiv.1808.08718 (2018).

Wang, YD, Armstrong, RT & Mostaghimi, P. Verbesserung der Auflösung digitaler Felsbilder mit hochauflösenden Faltungs-Neuronalen Netzen. J. Pet. Wissenschaft. Ing. 182, 106261. https://doi.org/10.1016/j.petrol.2019.106261 (2019).

Artikel CAS Google Scholar

Goodfellow, IJ et al. Generative gegnerische Netzwerke. https://doi.org/10.48550/arXiv.1406.2661 (2014).

Mirza, M. & Osindero, S. Bedingte generative gegnerische Netze. https://doi.org/10.48550/arXiv.1411.1784 (2014).

Isola, P., Zhu, J.-Y., Zhou, T. & Efros, AA Bild-zu-Bild-Übersetzung mit bedingten gegnerischen Netzwerken. https://doi.org/10.48550/arXiv.1611.07004 (2016).

Anderson, TI, Vega, B. & Kovscek, AR Multimodale Bildgebung und maschinelles Lernen zur Verbesserung von Mikroskopbildern von Schiefer. Berechnen. Geosci. 145, 104593. https://doi.org/10.1016/j.cageo.2020.104593 (2020).

Artikel Google Scholar

Anderson, TI, Vega, B., McKinzie, J., Aryana, SA & Kovscek, AR 2D-zu-3D-Bildübersetzung komplexer nanoporöser Volumina mithilfe generativer Netzwerke. Wissenschaft. Rep. 11, 20768. https://doi.org/10.1038/s41598-021-00080-5 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Zhu, J.-Y., Park, T., Isola, P. & Efros, AA Ungepaarte Bild-zu-Bild-Übersetzung unter Verwendung zykluskonsistenter gegnerischer Netzwerke. https://doi.org/10.48550/arXiv.1703.10593 (2017).

Studholme, C., Hill, DLG & Hawkes, DJ Ein überlappungsinvariantes Entropiemaß für die Ausrichtung medizinischer 3D-Bilder. Mustererkennung. 32, 71–86. https://doi.org/10.1016/S0031-3203(98)00091-0 (1999).

Artikel ADS Google Scholar

Wang, Z., Bovik, AC, Sheikh, HR & Simoncelli, EP Bildqualitätsbewertung: Von der Fehlersichtbarkeit zur strukturellen Ähnlichkeit. IEEE Trans. Bildprozess. 13, 600–612. https://doi.org/10.1109/TIP.2003.819861 (2004).

Artikel ADS PubMed Google Scholar

Otsu, N. Eine Schwellenwertauswahlmethode aus Graustufenhistogrammen. IEEE Trans. Syst. Mann Cybern. 20, 62–66. https://doi.org/10.1109/TSMC.1979.4310076 (1979).

Artikel Google Scholar

Giberti, G., Yven, B., Zamora, M. & Vanorio, T. Datenbank mit im Labor gemessenen Daten zu physikalischen Eigenschaften von Gesteinen des Vulkangebiets Campi Flegrei (Italien). In Geophysical Exploration of the Campi Flegrei (Southern Italy) Caldera' Interiors: Data, Methods and Results (Hrsg. Zollo, A. et al.) 179–192 (Doppiavoce, 2006).

Google Scholar

Heap, MJ, Baud, P., Meredith, PG, Vinciguerra, S. & Reuschlé, T. Die Permeabilität und Elastizitätsmodule von Tuff aus Campi Flegrei, Italien: Implikationen für die Modellierung der Bodenverformung. Feste Erde 5, 25–44. https://doi.org/10.5194/se-5-25-2014 (2014).

Artikel ADS Google Scholar

Montanaro, C. et al. Experimentelle Untersuchungen zur Explosivität dampfbetriebener Eruptionen: Eine Fallstudie des Vulkans Solfatara (Campi Flegrei). J. Geophys. Res. Feste Erde 121, 7996–8014. https://doi.org/10.1002/2016JB013273 (2016).

Artikel ADS PubMed PubMed Central Google Scholar

Vanorio, T., Prasad, M., Nur, A. & Patella, D. Ultraschallgeschwindigkeitsmessungen in Vulkangestein: Korrelation mit Mikrotextur. Geophys. J. Int. 149, 22–36. https://doi.org/10.1046/j.0956-540x.2001.01580.x (2002).

Artikel ADS Google Scholar

Referenzen herunterladen

Diese Forschung wurde im Rahmen des vom INGV finanzierten INGV Progetto Dipartimentale LOVE-CF (Linking surface Observables to sub-Volcanic plumbing-system: a multidisciplinary Approach for Eruption Forecasting at Campi Flegrei Caldera (Italy)) und des Horizon durchgeführt 2020 Projekt EXCITE (Elektronen- und Röntgenmikroskopie-Gemeinschaft für strukturelle und chemische Bildgebungstechniken für Erdmaterialien). Die Autoren danken Dr. E. Di Clemente und P. Colantuono für ihre Unterstützung bei den Messungen der hydraulischen Leitfähigkeit sowie den beiden anonymen Gutachtern für ihre wertvollen Kommentare und Vorschläge zu unserem Manuskript.

Nationales Institut für Geophysik und Vulkanologie, Vesuv-Observatorium, Neapel, Italien

Gianmarco Buono, Stefano Caliro, Giovanni Macedonio und Lucia Pappalardo

Abteilung für Erd-, Umwelt- und Ressourcenwissenschaften, Universität Neapel Federico II, Neapel, Italien

Vincent Alloca

Thermo Fisher Scientific, Bordeaux, Frankreich

Federico Gamba

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

GB und LP: Konzeption und Gestaltung der Arbeit; Erfassung und Analyse digitaler Daten; Schreiben – Originalentwurf. SC und GM: Gestaltung der Arbeit; Schreiben – Überprüfen und Bearbeiten. VA: Erfassung von Labordaten; Schreiben – Überprüfen und Bearbeiten. FG: Analyse digitaler Daten; Schreiben – Überprüfen und Bearbeiten.

Korrespondenz mit Gianmarco Buono.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Buono, G., Caliro, S., Macedonio, G. et al. Erforschung der Mikrostruktur und petrophysikalischen Eigenschaften von mikroporösem Vulkangestein durch 3D-Multiskalen- und hochauflösende Bildgebung. Sci Rep 13, 6651 (2023). https://doi.org/10.1038/s41598-023-33687-x

Zitat herunterladen

Eingegangen: 08. August 2022

Angenommen: 17. April 2023

Veröffentlicht: 24. April 2023

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.