딥러닝 기법을 활용한 공극 구조 내 공기-물 비혼성 대체 화상 기반 포화도 산정 연구

• 영문명: Image-based Estimation of Saturation During Air-water Immiscible Displacement in Pore Structures Using Deep Learning Techniques
• 발행기관: 대한자원환경지질학회
• 저자명: 김선(Seon-ok Kim)옥 이정서(Jeongseo Lee) 왕수균(Sookyun Wang)
• 간행물 정보: 『자원환경지질』58권 5호, 561~571쪽, 전체 11쪽
• 주제분류: 자연과학 > 지질학
• 파일형태: PDF
• 발행일자: 2025.10.30

국문 초록

본 연구에서는 다공성 매질 내 다상 유체의 포화도 산정을 위하여 딥러닝 기법을 활용한 화상 처리 자동화 과정을 개발하고, 이를 공기–물 비혼성 대체 현상 규명을 위해 수행된 마이크로모델 실험의 화상 분석에 적용하였다. 기존의 수작업 기반 상 분할 방식이나 단순 임계값 기반 영상 처리 기법은 공기, 물, 유리의 경계가 불명확한 마이크로모델 화상을 정확하게 분석하는데 많은 어려움이 있을 뿐만 아니라 처리 속도와 재현성에서도 한계가 존재한다. 이를 극복하기 위하여 본 연구에서는 U-Net 기반의 세분화 네트워크에 ResNet18과 ResNet34 백본을 결합한 ResUNet 모델을 설계하고, 전체 과정을 외곽선 검출과 내부 채움의 두 단계로 구분하여 학습을 수행하였다. 모델 학습에는 전처리된 마이크로모델 실험 화상과 수작업 및 알고리즘 기반으로 생성된 Ground Truth(GT) 마스크를 사용하였으며, 반복된 학습과 검증을 통하여 제안된 모델이 경계 인식과 상 분할에 대하여 안정적인 성능을 나타내는 것을 확인하였다. 외곽선 추출에는 ResNet34 백본을 적용하여 경계 감지의 정밀도를 제고하였으며, 내부 영역 추론에는 경량화된 ResNet18 백본을 적용하여 효율적인 내부 채움을 가능하게 하였다. 모델의 예측 마스크는 후처리를 통하여 노이즈를 제거하고 경계를 평활화하였으며, 이를 기반으로 각 상이 식별 가능하도록 삼진화 이미지를 구성하였다. 이후에는 화상에서 각 상이 차지하는 픽셀 수를 계산하여 전체 면적 대비 각 상의 분율을 산정하고, 이를 기반으로 공극 영역 내 물과 공기의 포화도를 계산하였다. 분석 결과에 따르면, 딥러닝 모델이 산정한 포화도는 실제 GT 마스크 기반 분석 결과와 비교하였을 때 물과 공기 상에서 각각 0.90%, 1.02%의 상대 오차를 보여, 비교적 높은 정확도와 신뢰도를 확보할 수 있음을 확인하였다. 또한 해당 모델은 다수의 시계열 화상 분석에 반복 적용될 수 있어, 시간에 따른 포화도 변화 추적과 다상 유체의 잔류 특성 분석 등 다공성 매질 내 다상 유체 거동 해석에 효과적으로 활용될 수 있을 것으로 기대된다.

영문 초록

In this study, we developed an automated image processing framework based on deep learning for the quantification of multiphase fluid saturation in porous media. This framework was applied to the analysis of high-resolution micromodel images obtained from air–water immiscible displacement experiments. Conventional phase segmentation methods, such as manual labeling or simple threshold-based image processing, face significant challenges in accurately analyzing micromodel images due to the ambiguous boundaries between air, water, and solid glass particles. These methods also suffer from limitations in processing speed and reproducibility. To overcome these issues, we designed a ResUNet model that integrates a U-Net segmentation architecture with ResNet18 and ResNet34 backbones. The workflow was structured as a two-stage process consisting of contour detection and interior filling. The model was trained using preprocessed micromodel images and ground truth (GT) masks generated through a combination of manual and algorithmic labeling. Through iterative training and validation, the proposed model demonstrated robust and stable performance in both boundary detection and phase segmentation. Specifically, the ResNet34 backbone was employed to enhance the precision of contour detection, while the lightweight ResNet18 backbone was used to improve the efficiency of interior reconstruction. The predicted masks were further refined through post-processing to remove noise and smooth phase boundaries. Trinarized images were then generated to clearly distinguish among the three phases. Subsequently, the pixel counts corresponding to each phase were calculated to determine their relative area fractions, and the saturation of air and water within the pore space was estimated accordingly. The results showed that the saturation values predicted by the deep learning model exhibited relative errors of only 0.90% for water and 1.02% for air when compared to GT-based analysis, indicating high accuracy and quantitative reliability. Moreover, the proposed model can be repeatedly applied to time-series image datasets, making it a powerful tool for tracking temporal changes in saturation and analyzing the residual behavior of multiphase fluids. These capabilities highlight its potential utility in the study of fluid dynamics within porous media.

목차

1. 서 론

2. 연구 방법

3. 결과 및 토의

4. 결 론

사 사

References

키워드

딥러닝 화상 분석 마이크로모델 실험 다상 유체 포화도 deep learning image analysis micromodel experiment multiphase fluid saturation

참고문헌

• Geofluids
• IEEE transactions on pattern analysis and machine intelligence
• Wat. Resour. Res.
• Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition
• Advances in Neural Information Processing Systems
• National Academy Science Letters
• Int. J. Image Processing (IJIP)
• Advances in Water Resources
• J. Comput. Phys.
• International Conference on Medical Image Computing and Computer-Assisted Intervention
• J. Electron. Imaging
• J. Pet. Sci. Eng.
• Physics of Fluids
• Energy
• Adv. Wat. Resour.
• In: D. Stoyanov et al. (Editors), Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support