КАРТОЧКА ПРОЕКТА,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

 

ОБЩИЕ СВЕДЕНИЯ


Номер 19-72-10082

НазваниеГибридные многомасштабные стохастические реконcтрукции: от корреляционных функций к машинному обучению

РуководительКарсанина Марина Владимировна, Кандидат физико-математических наук

Организация финансирования, регионфедеральное государственное бюджетное учреждение науки Институт физики Земли им. О.Ю. Шмидта Российской академии наук, г Москва

Срок выполнения при поддержке РНФ 07.2019 - 06.2022 

КонкурсКонкурс 2019 года «Проведение исследований научными группами под руководством молодых ученых» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными

Область знания, основной код классификатора 02 - Физика и науки о космосе, 02-201 - Теория конденсированного состояния

Ключевые словаОписание структур и полей, стохастические реконструкции, многомасштабность и иерархичность структуры, реконструкция структур и полей по неполным данным, реконструкция 3D структуры по 2D данным, совмещение масштабов, сверхразрешение, корреляционные функции, машинное обучение, многоточечная статистика, имитация «отжига», обратные задачи, дексрипторы структуры, статистическая однородность, информационное содержание декриптора

Код ГРНТИ29.19.03


СтатусУспешно завершен


 

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ


Аннотация
Структура гетерогенных материалов определяет их физические свойства. Одним из ключевых типов таких материалов являются пористые среды для которых по данным о структуре необходимо рассчитать их свойства - проницаемость, способность капиллярных сил удерживать различные флюиды внутри пористой среды, способность к одновременной фильтрации более одного флюида (относительные проницаемости), электрические и механические свойства и многие другие. Физические свойства пористых сред на любых масштабах практически невозможно измерять экспериментально, но знания о разномасштабных свойствах являются критическими для эффективной добычи углеводородов, планирования захоронения углекислого газа в подземных резервуарах, дизайна фильтров и элементов питания. В последние годы наиболее перспективным методом получения и апскейлинга (перемасштабирования) физических свойств пористых сред является моделирование. Оно не имеет альтернатив ввиду необходимости описания процессов на самых разных масштабах - от нанометров до километров. Лабораторные измерения позволяют исследовать образцы заданного размера и формы и зачастую ограничены в выборе граничных условий. Таким образом, для полноценного описания и моделирования свойств пористых сред требуется детальная многомасштабная 3D информация об их строении. Количество такой информации на разных масштабах сильно ограничено ввиду следующих факторов: а) каждый иерархический уровень исследуется отдельным методом (малоуголовое рассеяние, электронный микроскоп или FIB-SEM томография для масштаба нанометров, рентгеновская томография для микрометров, оптические методы, лабораторные измерения – сантиметры - метры, сейсмические методы – метры - километры); б) сложности в реализации и высокая стоимость 3D методов исследований по сравнению с 2D методиками (например, FIB-SEM томография занимает около 40 часов для объема породы в несколько кубических микрон, а РЭМ позволяет почти моментально получать 2D срезы), в) каждый метод характеризуется определенным соотношением размера образца и разрешением получаемых данных (например, в томографии, чем больше образец, тем хуже будет разрешение съемки). Поэтому возможность быстрого и качественного получения детальных 3D данных по ограниченному набору входной информации, а также объединение этих данных в одну структуру с заданным разрешением, является наиболее актуальной проблемой, стоящей на пути эффективного моделирования свойств сложнопостроенных пористых сред. Решение вышеобозначенной проблемы возможно с помощью стохастических реконструкций – метода заполнения недостающей пространственной «информации» на основе имеющейся статистики. Однако последнее изыскания нашей и других групп указывает на целый ряд фундаментальных проблем с такими подходами: 1) низкая точность, 2) высокие требования к вычислительным ресурсам, 3) потеря информации при суперпозиции масштабов, 4) невозможность расчета ключевых статистических параметров трехмерных структур по двухмерным данным. Для устранения этих недостатков, в настоящем Проекте предлагается использовать следующие новые методики: параллелизацию методик реконструкции на множественных ЦПУ или ГПУ, гибридизацию различных подходов (корреляционные функции, многоточечная статистика, метод частиц, распознавание образов), использование рескейлинга корреляционных функций в совмещении с динамическим «отжигом», ввод учета многомасштабности и нестационарности за счет сшивки статистически однородных участков, использования машинного обучения для перехода от двухмерных статистических дескрипторов к трехмерным (на основе уникальной библиотеки изображений пород-коллекторов). В свою очередь, когда структура пористой среды известна и описана, как для проведения реконструкций, так и для моделирования физических свойств необходима важная дополнительная информация - о репрезентативности исследуемого образца и его статистической стационарности. В настоящее время репрезентативность исследуется с помощью анализа изменений в значениях эффективного свойства с увеличением образца (их стремления к постоянному значению), но такой подход заведомо ошибочен для пористых сред с нестационарной структурой. Точной методологии (c расчетом локальных параметров строения) для исследования нестационарностей в структуре на настоящий момент не существует. Эти проблемы будут решены на основе локальных расчетов корреляционных функций и моделирования в масштабе пор. Отдельное внимание в Проекте будет уделено верификации разработанных методик на основе моделирования в масштабе пор и экспериментальных данных. При этом будет решен целый набор важных для этой области прикладных проблем, в том числе будет проведено внедрение стохастических технологий в исследование структуры наноструктур с помощью методов малоуглового рассеяния. Таким образом, в рамках Проекта предлагается решить следующий набор важных проблем: 1) окончательно решить фундаментальную проблему совмещения масштабов и получения 3D модели строения заданной детализации, 2) разработать технологию быстрых и точных стохастических реконструкций на основе новых гибридных методов и, таким образом, сделать совмещение масштабов для любых пористых объектов более эффективным с точки зрения применения на практике, 3) выполнить первое комплексное исследование и обобщение закономерностей влияния нестационарности структуры пористой среды на репрезентативность ее подобъема, получить новые представления о влиянии структуры на возможность определения эффективных физических свойств, в том числе на основе ее описания корреляционными функциями. Достижение поставленных задач и возможности получения запланированных результатов определяется богатым опытом руководителя и исполнителей, значительным заделом в области предлагаемого Проекта, наличием публикаций по предлагаемой теме в ведущих мировых журналах первой квартили, наличием уникальной библиотеки изображений пористых сред необходимой для применения методов машинного обучения.

Ожидаемые результаты
В ходе выполнения Проекта должны быть получены: законченная технология совмещения многомасштабной 3D моделей пористых сред на основе разномасштабных и неполных данных (в том числе 2D изображений), быстрая и точная гибридная методика стохастической реконструкции, обеспечивающая создание многомасштабных моделей, и новое качественное понимание и количественное описание зависимости физических свойств пористых сред со статистически нестационарной структурой. Данные результаты будут получены на основании следующих этапов, каждый из которых несет практическую значимость: - на основе уникальной коллекции 2/3D изображений будет подготовлен набор образцов для апробации, тренировки нейронных сетей и верификации разработанных технологий, - проблема перехода 2D→3D для значительного набора морфологических параметров (например, распределение гранул/пор по размерам) и корреляционных функций (например, кластерная), которую в англоязычной литературе часто называют ill-posed reconstruction problem, будет решена с помощью машинного обучения (в приближении, что библиотека имеющихся образцов покрывает большинство существующих вариантов для данного типа пористой среды), - будут созданы гибридные методы стохастической реконструкции (например, на основе совмещения мультиточечной статистики и машинного обучения с последующим «отжигом» с использованием корреляционных функций), - скорость работы и точность методов стохастической реконструкции будет повышена за счет использования методов распознавания структур на этапе предобработки входных изображений, а также «на лету» при выполнении самих алгоритмов (например, для мультиточечной статистики), - среди значительного количества исследованных вариантов гибридизации будут выбраны самые эффективные подходы, - будет проведена оптимизация и параллелизация методов стохастической реконструкции, - в методах гибридной стохастической реконструкции будет реализована возможность реконструировать многофазные объекты (например, изображения в градациях серого), - будет разработан метод поиска статистически однородных и неоднородных зон на изображениях, - будет реализована технология совмещения мультимасштабных изображений с учетом локальной нестационарности структуры, - на основе поиска стационарных/нестационарных участков в структуре и моделирования в масштабе пор будет дано новое и более точное определение репрезентативного объема (REV) и его количественное описание на основе корреляционных функций, - данные, получаемые методами малоуглового рассеяния (SAXS/SANS) для нанопористых образцов будут значительно дополнены на основе многомасштабных стохастических реконструкций, - разработанные методики и технологии будут верифицированы с помощью моделирования в масштабе пор и сравнения с лабораторными данными (например, проницаемости), - разработанные технологии будут применены для определения репрезентативного объема сложнопостроенных пористых сред на основе их совмещенных многомасштабных 3D цифровых моделей строения, - широта применения разработанных методов будет продемонстрирована на решении фундаментальной задачи дизайна материалов с заданными свойствами. Разработанная технология позволит быстро и точно получать большие объемы 3D данных о строении пористых сред за счет совмещения неполных (в том числе 2D данных), полученными методами РЭМ, микро и макротомографии, и малоугловому рассеянию. По сравнению с существующими методами предлагаемые подходы позволят впервые полностью и качественно интегрировать многомасштабные данные в единую 3D цифровую модель структуры. Ожидаемые результаты по своему научному содержанию соответствуют мировому уровню исследований в области построения цифровых моделей строения, а в части гибридизации, использования инновационных идей для описания структур на основе корреляционных функций, валидации методик на основе комплексного анализа лабораторных данных с численным моделированием будут превосходить известные в настоящее время мировые аналоги. Косвенно о высоком мировом уровне предлагаемых исследований свидетельствует значительный существующий задел, который был опубликован в ведущих мировых научных изданиях из первой квартили Q1, а также обширной сетью сотрудничества с ведущими мировыми учеными в области предлагаемого Проекта. Ввиду недостаточного количества работ по фильтрации в статистически неоднородных пористых средах ожидается особая отдача от предлагаемых исследований, в том числе эффекта от планируемых публикаций и разработанных методик. Ожидаемые результаты могут быть использованы компаниями, научными и экспертными организациями, связанными с повышением добычи углеводородов на месторождениях, долгосрочным прогнозом воздействия природных и техногенных процессов при захоронении углекислого газа и отходов; оказывающими консультационные и страховые услуги, в том числе при планировании добычи и инжиниринга инфраструктуры разрабатываемого месторождения; разрабатывающими эффективные методы орошения и точного земледелия; органами исполнительной власти, в компетенции которых находятся вопросы планирования регионального социально-экономического развития. Методика учета нестационарных зон при моделировании фильтрационных процессов может быть внедрена в открытые и коммерческие гидродинамические симуляторы, научно-исследовательские подразделения нефтегазовых компаний России, учреждения РАН. Методики стохастического моделирования нестационарных структур и апскелйинга по результатам численного моделирования в масштабе пор имеют широкий спектр применения в науках о материалах, при проектировке элементов питания, в химической и перерабатывающей промышленности. Отдельно отметим, что в рамках Проекта планируется разработка и распространение в открытом доступе в сети Интернет программного комплекса для реконструкции структур на основе разработанных методик (через портал нашей научной группы www.porenetwork.com). Также ожидается, что при проведении в дальнейшем дополнительных исследований, методики можно будет применять для решения широкого круга проблем, связанных с получением пространственных данных и изображений структур в материаловедении, сельском хозяйстве и биомедицине.


 

ОТЧЁТНЫЕ МАТЕРИАЛЫ


Аннотация результатов, полученных в 2019 году
В рамках первого года работ по Проекту был разработан целый комплекс новых методов стохастических реконструкций, а также вспомогательных технологий на основе машинного обучения, которые позволит создать технологию реконструкций нового поколения на последующих этапах выполнения Проекта: 1) Был разработан метод расчета многофазных корреляционных функций, в том числе кросскорреляций, и реконструкций на основе такого многофазного подхода. 2) На основе обработки больших массивов данных в виде изображений компьютерной томографии, серии экспериментов на синхротроне и с применением FIB-SEM метода были получены уникальные данные о микро- и наноструктуре различных пористых материалов – почвогрунтов, карбонатов и песчаников. 3) Была подготовлена библиотека изображения, необходимая для использования для разработки и валидации методов машинного обучения, а также в виде входных данных для стохастических реконструкций. 4) Нам удалось реконструировать трёхмерную наностуктуру керогена на основе РЭМ изображений и МУР-данных. На основе реконструкций были рассчитаны проницаемости по газу для различных участков включения керогена в баженовской свите. Расчетные значения оказались в хорошем согласии с результатами лабораторных экспериментов. 5) На основе описания структур пористых сред корреляционными функциями и анализа разностей между отдельными частями изображений для 16 изображений почвогрунтов и 14 песчаников мы установили, что первые по большей части являются нестационарными структурами, в то время как вторые – стационарны в более чем половине исследованных случаев. 6) На основе нейронных сетей (архитектуры DNN и ResNet) нам удалось предсказать целый ряд параметров, необходимых для проведения стохастических реконструкций нового типа. 7) С помощью стохастических реконструкций мы решили проблему периодизации любой геометрии, что, например, позволяет расчет тензорных физических свойств (таких как проницаемость, теплопроводность и многие другие) по экспериментальным данным. За первый год мы подготовили 4 публикации, одна была опубликована в виде технической статьи, остальные 3 находятся в настоящее время на рецензии в журналах. За год мы посетили два мероприятия (ввиду пандемии COVID-19): русский SPE-2019 и EGU-2020 (конференция была проведена в режиме онлайн). На этих площадках было сделано три устных доклада по результатам Проекта.

 

Публикации

1. Карсанина М.В., Волков В.В., Конарев П.В., Белохин В.С., Баюк И.О., Корост Д.В., Герке К.М. Rapid Rock Nanoporosity Analysis Using Small Angle Scattering Fused with Imaging Data Based on Stochastic Reconstructions Society of Petroleum Engineers, Technical paper SPE-196932-MS (год публикации - 2019).


Аннотация результатов, полученных в 2020 году
В рамках второго года работ по Проекту был перевыполнен план по полученным результатам и проведённым работам. Разработан целый комплекс новых методов стохастических реконструкций, а также был разработан и предоставлен в открытый доступ пакет CorrelationFunctions.jl. Основные результаты Проекта за год составили: 1) Был разработан целый ряд гибридных с корреляционными функциями методов стохастических реконструкций: phase-recovery, мультиточечной статистикой, методом частиц, generative adversarial networks. 2) На основе расчета корреляционных функций в окнах различного размера и k-means кластеризации был разработан метод выделения зон сходного строения и проведена оценка стационарности всего объекта. Был проведен анализ стационарности самых различных объектов, начиная от периодических структур и случайных упаковок, до почв, карбонатов и песчаников. 3) Был разработан эффективный подход для стохастической реконструкции нестационарных структур на основе одновременного отжига как всего домена, так и отдельных частей внутри него. 4) Был написал и выложен в свободный доступ с лицензией MIT пакет для расчета корреляционных функций CorrelationFunctions.jl. По сравнению с кодом прошлого отчетного года, в него были добавлены новые корреляционные функции, а также возможность расчета как по направлениям, так и полной карты корреляций, как на CPU, так и на GPU. 5) Был реализован новый и эффективный для дискретных изображений метод расчета surface-surface корреляционной функции. Методика расчета на архитектурах CPU и GPU была добавлена в функционал CorrelationFunctions.jl. 6) Методы стохастических реконструкций, разработанные в нашем Проекте, применялись для стохастического скейлинга изображений при создании ground-truth данных для универсальной методики сегментации томографических изображений на основе глубокого обучения и синтетической томографии. 7) Мы провели новую серию наноструктурных исследований с помощью МУР в Курчатовском Институте и FIB-SEM в МФТИ для одних и тех же образцов. Потенциально мы получили два уникальных датасета для применения разработанных методов в следующем отчетном периоде. Одна из статей за первый год была опубликована в журнале Q1, где она получила награду “Editor’s Choice”. В настоящее время еще 3 статьи находятся на стадии ревьюирования в ведущих журналах 1-й квартили. Несмотря на сложный во всех отношениях год нам удалось разработать все основные методики, запланированные в рамках Проекта и в следующем году мы должны сфокусироваться на их применении к решению реальных задач и написанию статей с результатами.

 

Публикации

1. - Российские геофизики впервые изучили строение почвы на наноуровне Коммерсант, Индикатор, сайт РАН и другие, https://rscf.ru/news/release/rossiyskie-geofiziki-vpervye-izuchili-stroenie-pochvy-na-nanourovne/ (год публикации - ).

2. Герке К.М.,Коростылев Е.В.,Романенко К.А., Карсанина М.В. Going submicron in the precise analysis of soil structure: A FIB-SEM imaging study at nanoscale Geoderma, 383, 114739 (год публикации - 2021).


Аннотация результатов, полученных в 2021 году
В рамках третьего года работ по Проекту был выполнен план по полученным результатам и проведённым работам. Разработан целый комплекс новых методов стохастических реконструкций, а также в дополнении к запланированным работам был разработан и предоставлен в открытый доступ программный пакет для их выполнения. Основные результаты Проекта за год составили: 1) Была разработана методика определения стационарности/нестационарности изображений на основе методов машинного обучения, для этого были использованы пять различных подходов. 2) Был разработан метод нестационарных реконструкций на основе отжига всего домена с отдельными ограничениями внутри выделенных в нем зон. На основе разработанной методики было показано, что в отличии от случайного и неконтролируемого распределения фаз, методика позволяет реконструировать неоднородные бинарные 3D структуры. 3) Мы апробировали разработанные методики для проведения стохастических реконструкций по МУР и FIB-SEM данным и смогли использовать уникальные данные, полученные за второй год исследований по Проекту. На основе совмещения данных 2D нано-изображений структуры, полученных с помощью FIB-SEM и данных малоуглового рассеяния, с методами стохастических реконструкций удалось получить в динамике структуру почвогрунтов при добавлении в них воды. 4) Были разработаны два новых физически обоснованных критерия репрезентативности, которые обладают разной чувствительностью. 5) Было показано, что на основе анализа твердой фазы (кварц и барий), а также скорости потока (разделение на три категории: медленная, средняя и быстрая скорости фильтрации) с помощью кросс-корреляций (на основе методов расчёта корреляционных функций) можно получить четкие зависимости динамики осаждения бария в течении с реакцией. 6) Был написан и выложен в свободный доступ с лицензией MIT пакет для проведения реконструкций с помощью корреляционных функций и оптимизации отжигом MaterialReconstruction.jl.

 

Публикации

1. Черкасов А., Ананьев А., Карсанина М., Хлюпин А., Герке К. Adaptive phase-retrieval stochastic reconstruction with correlation functions: Three-dimensional images from two-dimensional cuts Physical Review E, 104, 035304 (год публикации - 2021).


Возможность практического использования результатов
Результаты Проекта имеют целый ряд возможностей для практического использования: - получение трехмерных данных о строении пород-коллекторов на микро и нано-масштабах по неполным данным, в том числе по 2D изображениям: позволит проводить моделирование свойств таких образцов в целях повышения добычи углеводородов - создание многомасштабных моделей строения естественных пористых сред: позволит создать 3D цифровою модель почв для моделирования их физических свойств, что необходимо для создания макромоделей в целях предсказания откликов на внешние условия (осадки, изменение климата и т.п.) для повышения продуктивности сельского хозяйства - создание структурных моделей, в том числе нестационарных: позволяет конструирование пористых сред с желаемыми физическими свойствами, и таким образом решить множественные проблемы дизайна фильтров, композитов, катализаторов и многих других материалов Таким образом, на основе заложенного фундаментального задела, при привлечении средств на разработку первых прототипов возможно создание технологий для применения в индустрии.