Dijital kaya fiziği — Digital Rock Physics (DRP), kayaçların üç boyutlu görüntülerini sayısal fizik modelleriyle birleştirerek gözenek yapısı, akış ve taşınım özellikleri gibi büyüklükleri inceleyen bir kaya karakterizasyon yaklaşımıdır. Bu yaklaşımda görüntü segmentasyonu, sürekli gri-seviye görüntüyü gözenek, katı matris, mineral, kırık, tuzlu su ve CO₂ gibi ayrık sınıflara dönüştüren ölçüm adımıdır. İncelenen yapılandırılmış kritik derleme, segmentasyon yöntemlerini yalnız görüntü benzerliği puanlarına göre değil; jeolojik CO₂ depolamasında kapasite, enjekte edilebilirlik, artık kapanım, reaktif değişim ve containment değerlendirmesine güvenilir girdi üretip üretmediklerine göre incelemektedir.

Makalenin temel sonucu, görüntü doğruluğu ile depolama güvenilirliğinin aynı şey olmadığıdır. İki segmentasyon maskesi görsel olarak birbirine çok benzeyebilir ve benzer Dice veya Intersection over Union (IoU) değerleri verebilir; ancak kritik bir gözenek boğazının yanlış kapatılması, ayrı CO₂ ganglionlarının birleştirilmesi, mikrogözenekliliğin katı olarak etiketlenmesi veya gerçek olmayan bir kırık bağlantısının oluşturulması geçirgenlik, bağlantılı gözeneklilik, artık CO₂ doygunluğu, reaktif yüzey alanı ve olası sızıntı yolu tahminlerini değiştirebilir.

Derleme klasik threshold, edge ve region yöntemlerinden kümeleme, denetimli makine öğrenmesi, CNN/U-Net tabanlı derin öğrenme, attention/transformer modelleri ve foundation model yaklaşımlarına kadar geniş bir yöntem ailesini değerlendirmektedir. Yazarların vardığı sonuç, jeolojik CO₂ depolaması için evrensel olarak en iyi segmentasyon algoritmasının bulunmadığıdır. En savunulabilir yöntem; litolojiye, görüntü kalitesine, faz kontrastına, sınıf sayısına, mevcut etiketlere, hesaplama kaynaklarına ve segmentasyonun hangi fiziksel depolama büyüklüğünü destekleyeceğine göre değişir.

Çalışma segmentasyon kalitesini yedi boyutta değerlendiren bir çerçeve önermektedir: sınıf/voxel doğruluğu, sınır sadakati, topoloji, morfoloji, kalibre edilmiş belirsizlik, fiziksel özellik hassasiyeti ve mühendislik kararına etkisi. Böylece “maskenin referans görüntüye ne kadar benzediği?” sorusuna ek olarak “yanlış voxel nerede?”, “gözenek ağı hâlâ bağlantılı mı?”, “permeabilite ne kadar değişti?” ve “bu hata saha kararını değiştirebilir mi?” soruları da kalite kontrolünün parçası haline gelir.

Makale ayrıca segmentasyonun tek bir deterministik maske olarak değil, mümkün olduğunda birbirinden farklı fakat makul segmentasyon realizasyonları topluluğu olarak ele alınmasını önermektedir. Bu realizasyonların aynı fiziksel çözücüye verilmesiyle geçirgenlik, kapiler basınç, artık CO₂ doygunluğu veya diğer özellikler için tek sayı yerine dağılımlar elde edilebilir.

Yorum sınırı: çalışma yeni bir kaya görüntüleme deney seti, yeni bir eğitilmiş segmentasyon modeli veya saha ölçeğinde CO₂ depolama doğrulaması sunmamaktadır. Makalenin altı ana şekli kavramsal sentezlerdir. Segmentasyonun daha iyi saha seçimi, enjeksiyon tasarımı veya izleme kararlarına katkısı olası proje düzeyi sonuçlardır; bunların gerçekleşmesi için jeolojik ölçek büyütme ve projeye özgü doğrulama gerekir.

Jeolojik CO₂ depolamasında dijital kaya problemi neden önemlidir?

Jeolojik CO₂ depolamasında yalnız toplam gözenek hacminin bilinmesi yeterli değildir. Depolanabilirlik; gözeneklerin birbirine bağlı olup olmamasına, akış yollarının sürekliliğine, giriş boğazlarına, kapiler davranışa, kırık sistemine, mineral–akışkan tepkimelerine, basınç iletişimine ve formasyonun sızdırmazlığına bağlıdır.

Dijital kaya fiziği bu küçük ölçekli yapıları micro-computed tomography (micro-CT), synchrotron tomography, nano-CT, scanning electron microscopy (SEM), backscattered electron imaging (BSE) ve focused ion beam–SEM (FIB-SEM) gibi görüntüleme yöntemleriyle gözlemleyebilir. Ancak fizik simülasyonunun çalışabilmesi için gri-seviye görüntüdeki her voxel veya görüntü elemanının hangi faza ait olduğunun belirlenmesi gerekir.

Bu nedenle segmentasyon, yalnız “görüntüyü temizleyip renklendirme” işlemi değildir. Segmentasyon maskesi:

• toplam ve bağlantılı gözenek hacmini,
• gözenek boğazı geometrisini,
• akış yollarını,
• CO₂–tuzlu su arayüzlerini,
• reaktif mineral yüzeylerini,
• kırık açıklığı ve sürekliliğini,
• yük taşıyan katı iskeleti

tanımlayan sayısal geometrinin kendisidir.

Görüntüleme yöntemi seçimi neden çözünürlükten ibaret değildir?

Yüksek uzamsal çözünürlük küçük gözenekleri, ince boğazları ve mineral sınırlarını daha iyi gösterebilir; fakat yüksek çözünürlüklü görüntü genellikle daha küçük bir örnek hacmi kapsar. Daha büyük görüntü hacmi ise kaya heterojenliğini daha iyi temsil ederken küçük gözeneklerin çözünürlüğünü kaybedebilir.

Kaynak bu ilişkiyi resolution–representative elementary volume (REV) tradeoff olarak tartışmaktadır. REV, belirli bir yapısal veya petrofizik büyüklüğün seçilen alt hacme aşırı bağımlı olmaktan çıkıp kabul edilebilir ölçüde kararlı hale geldiği minimum temsil hacmidir.

Ön işleme neden tarafsız bir adım değildir?

Ham tomografi ve elektron mikroskopisi görüntülerinde detector noise, ring artifact, beam hardening, bulanıklık, hareket ve partial-volume etkileri bulunabilir. Ön işleme bu sorunları azaltabilir; ancak filtreleme işlemi aynı zamanda ince gözenek boğazlarını silebilir, küçük CO₂ kümelerini yok edebilir, kırık açıklığını değiştirebilir veya faz sınırlarını yumuşatabilir.

Bu nedenle denoising, artifact correction, contrast enhancement, registration ve intensity normalization gibi adımların parametreleri kayıt altına alınmalı; segmentasyon sonrası fiziksel sonuçların makul parametre değişimlerine karşı kararlı olup olmadığı sınanmalıdır.

Neden Yüksek Dice veya IoU Puanı Tek Başına Güvenilir CO₂ Depolama Modeli Anlamına Gelmez?

Dice ve IoU maskelerin hacimsel sınıf örtüşmesini ölçer, fakat hatanın jeolojik ağın hangi noktasında oluştuğunu göstermez; dolayısıyla çok az voxel içeren kritik bir gözenek boğazının, CO₂ snap-off boynunun veya caprock kırığının yanlış etiketlenmesi global puanı çok az değiştirirken geçirgenlik, trapping veya olası sızıntı yolu yorumunu ciddi biçimde değiştirebilir.

Denklem (1): Dice katsayısı

\[ Dice= \frac{2TP} {2TP+FP+FN} \tag{1} \]

• \(TP\): hedef fazı gerçekten temsil eden ve doğru sınıflandırılan true-positive voxel sayısı.
• \(FP\): gerçekte hedef faz olmayan fakat hedef faz olarak sınıflandırılan false-positive voxel sayısı.
• \(FN\): hedef faza ait olduğu halde başka sınıfa atanan false-negative voxel sayısı.

Dice 0 ile 1 arasında değişir. 1'e yaklaşması tahmin edilen maske ile referans maske arasındaki sınıf örtüşmesinin arttığını gösterir.

Fakat Dice, hatanın uzaysal yerini kodlamaz. Örneğin binlerce doğru voxel arasında yalnız birkaç kritik throat voxelinin yanlış sınıflandırılması global Dice değerini çok az değiştirebilir.

Denklem (2): Intersection over Union — IoU

\[ IoU= \frac{TP} {TP+FP+FN} \tag{2} \]

IoU da 0–1 aralığındadır ve tahmin edilen hedef sınıf ile gerçek hedef sınıfın kesişimini birleşimlerine oranlar.

Dice ve IoU sınıf doğruluğunun önemli parçalarıdır; ancak topoloji, sınır konumu, gözenek bağlantısı veya fiziksel özellik doğruluğunun doğrudan ölçüsü değildir.

Denklem (3): Fiziksel özellik için mutlak göreli yüzde hata

\[ \varepsilon_X = \frac{\left|X_{seg}-X_{ref}\right|} {\left|X_{ref}\right|} \times100\% \tag{3} \]

• \(\varepsilon_X\): X fiziksel özelliğinin mutlak göreli yüzde hatası.
• \(X_{seg}\): segmentasyon geometrisinden hesaplanan özellik.
• \(X_{ref}\): deneysel olarak ölçülmüş veya kabul edilmiş referans değer.

\(X\); gözeneklilik, geçirgenlik, kapiler basınç, artık CO₂ doygunluğu, arayüz alanı, reaktif yüzey alanı, kırık açıklığı, iletkenlik veya elastik modül olabilir.

Denklem mutlak değer kullandığı için hatanın büyüklüğünü verir; fazla mı yoksa az mı tahmin edildiğini söylemez. Bu nedenle kaynak, mühendislik kararında yön önemliyse signed bias bilgisinin ayrıca raporlanmasını önerir.

Yedi boyutlu değerlendirme çerçevesi

Segmentasyon yöntemlerinin altı ana ailesi

Otsu threshold yöntemi ne zaman savunulabilir?

Global Otsu threshold, histogramdaki iki sınıf arasındaki varyansı maksimize eden bir intensity cutoff seçer. Kaynak, iyi ayrılmış gri-seviye dağılımlarına sahip temiz ve yüksek kontrastlı pore–solid görüntülerinde Otsu'nun hızlı ve tekrarlanabilir bir başlangıç yöntemi olduğunu belirtir.

Faz yoğunluklarının örtüşmesi, varyansların farklılaşması, mineral heterojenliği veya partial-volume etkisi arttığında tek bir global threshold sınıfları doğru ayırmayabilir. Bu durumda adaptive/multilevel threshold, region tabanlı yöntem veya öğrenme tabanlı yaklaşım gerekebilir.

Watershed ve region growing neden dikkat gerektirir?

Watershed görüntüyü topografik yüzey gibi ele alır ve catchment basin sınırları üzerinden bağlı bölgeleri ayırır. Dokunan tane, gözenek veya CO₂ ganglionlarının ayrılmasında yararlı olabilir; fakat gürültü ve yüzey düzensizlikleri çok sayıda sahte minimum oluşturarak oversegmentation üretebilir.

Region growing ise seçilmiş seed noktalarından benzer voxellere doğru büyür. Seed yanlışsa erken durabilir veya komşu faza taşarak boundary leakage oluşturabilir.

U-Net neden dijital kaya segmentasyonunda yaygın?

U-Net bir encoder–decoder derin öğrenme mimarisidir. Encoder, convolution ve pooling yoluyla geniş bağlamsal özellikleri çıkarırken decoder uzamsal çözünürlüğü geri oluşturur. Encoder ve decoder seviyeleri arasındaki skip connection bağlantıları, yüksek çözünürlüklü yerel bilgiyi decoder'a taşır.

Bu yapı ince pore throat, grain contact ve microcrack sınırlarının korunması açısından değerlidir. Ancak yüksek global accuracy; azınlık sınıfındaki kil, mikrogözenek veya ince kırıkların doğru segment edildiğini garanti etmez.

İki boyutlu eğitimde komşu dilimler arasındaki fiziksel bağlantının tam temsil edilmemesi, üç boyutlu eğitimde ise yüksek bellek gereksinimi ve patch stitching etkileri ayrı sorunlardır.

Transformer ve foundation modeller için kaynak neden temkinli?

Transformer tabanlı modeller daha uzun menzilli uzaysal ilişkileri temsil edebilir; ancak derleme bunların dijital kaya alanındaki kanıtının U-Net ailesine göre daha yeni ve daha sınırlı olduğunu belirtmektedir.

Segment Anything Model (SAM) ve DINOv2 gibi foundation modeller doğal görüntüler üzerinde ön eğitimden gelir. Doğal görüntü sınırları ile X-ray attenuation, partial-volume mixing ve kaya içindeki topology-critical grayscale yapılar aynı değildir.

Kaynak bu nedenle foundation modellerini otomatik “jeolojik ground truth” olarak değil; proposal generator, feature initializer veya few-shot adaptation aracı olarak değerlendirmeyi ve bağımsız jeolojik/fiziksel doğrulama yapılmasını önermektedir.

Jeolojik CO₂ Depolaması İçin Tek Bir “En İyi” Segmentasyon Algoritması Var mı?

Hayır; derleme herhangi bir yöntemi evrensel birinci olarak sıralamamaktadır ve yöntemin savunulabilirliği litoloji, görüntü kontrastı, sınıf karmaşıklığı, etiket erişimi, hesaplama bütçesi ve segmentasyonun destekleyeceği fiziksel depolama büyüklüğüne bağlıdır.

CO₂–tuzlu su segmentasyonu neden ayrıca zordur?

Dinamik çok-fazlı görüntülerde iki problem aynı anda ortaya çıkar: faz kontrastı düşük olabilir ve segmentasyonun zaman boyunca tutarlı kalması gerekir.

Tuzlu su ve CO₂'nin X-ray attenuation değerleri bazı koşullarda birbirine yaklaşabilir. Contrast agent kullanımı faz ayrımını artırabilir; fakat kullanılan maddenin görüntü ve akış davranışına etkisi deney koşullarında ayrıca değerlendirilmelidir.

Zaman serilerinde frame-to-frame mask değişiminin gerçek akışkan hareketi mi yoksa segmentasyon kararsızlığı mı olduğu ayrılmalıdır. Çünkü küçük bir voxel farkı ayrı CO₂ ganglionlarını birleştirebilir veya snap-off boynunu ortadan kaldırabilir.

Kaynakta aktarılan Chai ve arkadaşları örneğinde, 58 saatlik statik aralıktan sonra yeniden başlayan brine akışıyla CO₂ saturation değeri %22,8'den %15,6'ya düşmüştür. Kaynak bunun fiziksel remobilization/Ostwald ripening gözlemi olduğunu; algoritmalar arası segmentasyon belirsizliği veya saha containment sonucu olmadığını özellikle belirtmektedir.

Kırık segmentasyonu neden containment için hassastır?

Bir kırığın yanlış “açık” veya “kapalı” yorumlanması yalnız görsel hata değildir; hesaplanan transmissivity ve olası akış yolu üzerinde doğrudan etkiye sahip olabilir.

Kaynakta tartışılan Deng ve arkadaşları çalışmasında CO₂-acidified brine etkisine uğramış doğal karbonat caprock'taki bozulmuş zonların açık kırık veya geçirimsiz kaya kabul edilmesi, hesaplanan transmissivity değerlerinde yaklaşık 2–4 kat fark oluşturmuştur.

Ancak bunlar bounding single-phase simulations sonuçlarıdır; ilgili çalışmada deneysel permeability ölçümü mevcut değildir. Dolayısıyla bu sayı “gerçek caprock sızıntısı 2–4 kat değişir” biçiminde genellenemez.

Segmentasyon belirsizliğinin üç ana kaynağı

Denklem (4): Predictive entropy

\[ H(x) = -\sum_{c=1}^{C} p_c(x)\ln p_c(x) \tag{4} \]

• \(H(x)\): x voxelinin sınıf atamasındaki predictive entropy.
• \(C\): toplam segmentasyon sınıfı sayısı.
• \(p_c(x)\): x voxelinin c sınıfına ait olma tahmin olasılığı.
• \(\ln\): doğal logaritma.

\(H(x)\) nats biriminde ifade edilir. \(C\geq2\) için:

\[ \frac{H(x)}{\ln C} \]

ifadesi 0–1 aralığında boyutsuz normalize entropy üretir.

Yüksek entropy sınıf atamasının daha belirsiz olduğunu, düşük entropy ise modelin daha yüksek güven bildirdiğini gösterir. Ancak kaynak önemli bir uyarı yapmaktadır: düşük entropy doğru sınıflandırma garantisi değildir. Domain dışı bir görüntü üzerinde aşırı güvenli bir ağ yanlış etikete düşük entropy verebilir. Bu nedenle uncertainty değerinin gözlenen hatalarla kalibre edilmesi gerekir.

Epistemik ve aleatorik belirsizlik arasındaki fark

Epistemik belirsizlik, modelin sınırlı bilgi ve eğitim kapsamından kaynaklanır. Daha çeşitli eğitim verisi, domain adaptation veya ensemble gibi yöntemlerle azaltılabilir.

Aleatorik belirsizlik, görüntünün kendisindeki çözünürlük, faz örtüşmesi, noise veya partial-volume gibi içsel belirsizliklerden kaynaklanır. Modelin daha fazla eğitilmesi bu bilgiyi görüntüde yoktan var edemez; daha iyi acquisition, multimodal imaging veya probabilistic phase assignment gerekebilir.

Segmentasyon Belirsizliği CO₂ Depolama Kararlarına Nasıl Yayılır?

Segmentasyon belirsizliği önce gözenek ve faz geometrisini değiştirir; bu değişim geçirgenlik, kapiler basınç, artık doygunluk, reaktif yüzey veya mekanik süreklilik gibi fiziksel özelliklere taşınır ve jeolojik ölçek büyütme ile proje verileri eklendiğinde kapasite, enjeksiyon, trapping ve containment kararlarını koşullu olarak etkileyebilir.

Denklem (5): Alternatif segmentasyonların aynı fizik modeliyle yayılması

\[ X^{(n)} = F\left(S^{(n)}\right), \qquad n=1,\ldots,N \tag{5} \]

• \(S^{(n)}\): n'inci makul segmentasyon realizasyonu.
• \(F\): her realizasyona aynı şekilde uygulanan fiziksel operatör/çözücü.
• \(X^{(n)}\): o geometriden hesaplanan fiziksel özellik.
• \(N\): ensemble içindeki segmentasyon sayısı.

Bu yaklaşımın kritik noktası, yalnız her property için bağımsız min–max değerleri karıştırmak yerine aynı geometri realizasyonundan birlikte çıkan fiziksel özelliklerin korunmasıdır.

Sonuçta tek bir \(X\) yerine:

• ortalama,
• quantile,
• threshold exceedance probability,
• asimetrik veya non-normal tail

gibi dağılım özellikleri incelenebilir. Ancak bu dağılımın güvenilirliği segmentasyon ensemble'ının nasıl üretildiğine ve kalibre edildiğine bağlıdır.

Segmentasyon hatasının depolama büyüklüklerine örnek etkileri

Bağımsız fiziksel doğrulama neden zorunlu?

Doğal kaya görüntülerinde voxel düzeyinde kusursuz ground truth çoğunlukla mevcut değildir. Helium porosity veya mercury-injection capillary pressure gibi bulk ölçümler bütün örneğin fiziksel özelliğini sınayabilir; fakat tek tek voxellerin doğru sınıflandırıldığını göstermez.

Örneğin segmentasyon toplam porosity değerini doğru verebilir fakat bir bölgede fazla gözenek, başka bölgede eksik gözenek oluşturarak toplam değerde hataları birbirine götürebilir. Bu durumda global porosity doğru görünürken permeability yanlış olabilir.

Kaynak bu nedenle complementary validation önermektedir: porosity, permeability ve capillary pressure gibi birden fazla fiziksel büyüklük mümkün olduğunca birlikte kontrol edilmelidir.

Ayrıca calibration ile validation ayrılmalıdır. Threshold seçmek için kullanılan porosity ölçümü aynı threshold'u bağımsız olarak doğrulayan veri sayılamaz.

Auditability — denetlenebilir iş akışı ne gerektirir?

Kaynak her fiziksel sonucun kalıcı bir sample identifier ve versioned processing record ile ilişkilendirilmesini önermektedir.

Kayıt altına alınması gerekenler arasında:

• ham veya kayıpsız yeniden oluşturulmuş görüntüler,
• voxel size, orientation ve region of interest,
• preprocessing parametreleri,
• etiket tanımları ve annotator kararları,
• sample-level train/tuning/test partition,
• kod ve yazılım sürümü,
• ağ ağırlıkları ve random seed,
• postprocessing ayarları,
• fiziksel solver ayarları,
• manuel override konumu, nedeni ve önce/sonra etiketleri

bulunmalıdır.

Denklem (6): Property Impact Index

Kaynak, gelecekte test edilmek üzere transition-specific bir Property Impact Index önermektedir:

\[ I_X(x;a\rightarrow b\mid S) = \frac{H(x)}{\ln C} \, \frac{ \left| F\left(S(x:a\rightarrow b)\right)-F(S) \right| } {X_{scale}} \tag{6} \]

• \(S\): başlangıç segmentasyonu.
• \(x\): değerlendirilen voxel.
• \(a\): voxel'in mevcut sınıfı.
• \(b\): izin verilen alternatif sınıf.
• \(S(x:a\rightarrow b)\): yalnız x voxelinin a sınıfından b sınıfına değiştirildiği geometri.
• \(F\): aynı fiziksel operatör.
• \(H(x)/\ln C\): normalize edilmiş predictive entropy.
• \(X_{scale}\): bütün karşılaştırmalarda sabit tutulan pozitif fiziksel özellik referans ölçeği.

İlk çarpan voxel'in ne kadar belirsiz olduğunu, ikinci çarpan ise o etiket değişiminin fiziksel property üzerinde ne kadar etkili olduğunu ölçer. Böylece yüksek belirsizlikli fakat fiziksel olarak önemsiz voxel ile orta derecede belirsiz fakat kritik throat üzerinde bulunan voxel aynı kabul edilmez.

İndeks boyutsuzdur fakat failure probability değildir.

Kaynak ayrıca tek-voxel değişiminin bütün topolojik etkileşimleri yakalayamayacağını; correlated boundary error veya multi-voxel bridge problemi varsa bölgesel perturbation kullanılması gerektiğini belirtmektedir.

Denklem (6)'nın kaynaktaki varsayımsal örneği

Makale yalnız hesaplamayı göstermek için şu tamamen varsayımsal örneği verir:

• İki maske için Dice = 0,96.
• Kritik throat'taki belirsiz voxel için \(H=0,65\) nats.
• Binary görev: \(C=2\).
• Voxel pore olduğunda permeability = 120 mD.
• Voxel solid olduğunda permeability = 35 mD.
• \(X_{scale}=120\) mD.

Normalize fiziksel değişim:

\[ \frac{|120-35|}{120} = 0.7083 \]

Normalize entropy:

\[ \frac{0.65}{\ln 2} = 0.9378 \]

Dolayısıyla:

\[ I = 0.9378\times0.7083 \approx0.66 \]

Örnekte varsayımsal 80 mD screening threshold da aşılmaktadır. Ancak kaynak bu sayıların ölçüm, indeks doğrulaması veya gerçek depolama sahası kabul/red kararı olmadığını açıkça belirtmektedir.

Denklem (7): Genel expected-loss ifadesi

\[ R(d) = \sum_{j=1}^{J} P(F_j\mid d,D)\,C_j \tag{7} \]

• \(R(d)\): d kararının expected risk / expected loss değeri.
• \(F_j\): j'inci failure mode.
• \(P(F_j\mid d,D)\): d kararı ve D mevcut kanıtı altında j failure mode olasılığı.
• \(C_j\): bu failure mode'un sonucu/maliyeti.
• \(J\): ele alınan failure mode sayısı.

Kaynak olası sonuçlar arasında ek görüntüleme veya core analysis, gereksiz hesaplama, düşük kullanılan depolama kapasitesi, aşırı enjeksiyon basıncı, completion redesign, monitoring yükü, regulatory delay ve containment/safety exposure gibi örnekler vermektedir.

Denklem (7) doğrulanmış yeni bir ekonomik model değildir. Projeye özgü failure probability ve consequence değerleri bu derlemede kalibre edilmemiştir ve Dice veya voxel entropy'den tek başına çıkarılamaz.

Fizik segmentasyonu nasıl sınayabilir?

Kaynak, fiziksel denklemlerin iki farklı rolde kullanılabileceğini ayırmaktadır:

1. Fiziksel kısıt doğrudan eğitim kaybına giriyorsa segmentasyon modelini etkileyebilir.
2. Fizik segmentasyondan sonra uygulanıyorsa segmentasyon algoritması değil, physical validation veya property-sensitive test görevi görür.

Denklem (8): Genel fizik-bilgili bileşik kayıp

\[ L_{total} = \lambda_{data}L_{data} + \lambda_{phys}L_{phys} + \lambda_{BC}L_{BC} \tag{8} \]

• \(L_{data}\): etiket veya gözlem verisine uyumsuzluk kaybı.
• \(L_{phys}\): governing equation veya fiziksel kısıt ihlali cezası.
• \(L_{BC}\): boundary condition ihlali cezası.
• \(\lambda_{data}\), \(\lambda_{phys}\), \(\lambda_{BC}\): üç kayıp bileşeninin göreli ağırlıkları.

Bu denklem kaynakta generic composite objective olarak verilmektedir; belirli bir yeni segmentasyon ağının doğrulanmış kayıp fonksiyonu değildir.

Denklem (9) ve (10): Çözünmüş gözenek uzayında stationary Stokes akışı

\[ -\nabla p+\mu\nabla^2\mathbf{u}=0 \tag{9} \]

\[ \nabla\cdot\mathbf{u}=0 \tag{10} \]

• \(\mathbf{u}\): hız vektörü.
• \(p\): basınç.
• \(\mu\): dinamik viskozite.
• \(\nabla p\): basınç gradyanı.
• \(\nabla^2\mathbf{u}\): viskoz momentum yayılımını temsil eden Laplacian terimi.

Denklem (10), çözünmüş akış alanında incompressible koşulu ifade eder. Kaynak bu Stokes denklemlerini pore-scale geometriyi permeability gibi bir fiziksel özellikle sınamak için örnek olarak kullanmaktadır.

Denklem (11): Akıştan mutlak geçirgenlik

\[ K = \frac{\mu QL} {A\Delta p} \tag{11} \]

• \(K\): mutlak permeability.
• \(\mu\): dinamik viskozite.
• \(Q\): hacimsel akış debisi.
• \(L\): örneğin akış yönündeki uzunluğu.
• \(A\): kesit alanı.
• \(\Delta p\): örnek boyunca basınç farkı.

Denklemin önemli rolü şudur: iki segmentasyon aynı Dice puanına sahip olsa bile biri akış için kritik throat'u kapatıyorsa aynı basınç sınırlarında farklı \(Q\) ve dolayısıyla farklı \(K\) üretebilir.

Bu nedenle permeability hesaplaması segmentasyon geometrisinin topolojik doğruluğuna karşı hassas bir validation aracı olabilir.

Denklem (12): Stokes–Brinkman yaklaşımı

\[ -\nabla p + \mu_{eff}\nabla^2\mathbf{u} - \frac{\mu}{K_m}\mathbf{u} = 0 \tag{12} \]

• \(\mu_{eff}\): etkin viskozite.
• \(K_m\): çözünemeyen microporous faza atanan etkin permeability.

Bu denklem, tamamen açık gözenek olarak çözülen Stokes bölgesi ile görüntü çözünürlüğünün altında kalan ve yalnız etkin permeability ile temsil edilebilen microporous materyal arasında bir continuum köprüsü sağlar.

Kaynak bunun “görüntüde olmayan yapıyı kesin biçimde geri kazanma” yöntemi olmadığını vurgular. \(K_m\) gibi etkin özellikler bağımsız veriyle kısıtlanmalı veya kalibre edilmelidir.

Çalışmanın Yöntemi ve Bulguları

Derleme tasarımı

Makale kendisini structured critical review olarak tanımlamaktadır. Çalışma 154 referansı ampirik araştırmalar, metodoloji makaleleri, derlemeler, politika raporları ve veri kaynakları olarak kullanmaktadır.

Kaynaklar üç ana bilimsel kanıt seviyesine ayrılmıştır:

Tier seviyesi metodolojik kalite puanı değildir. Yalnız kaynak kanıtının jeolojik CO₂ depolaması problemine ne kadar doğrudan bağlı olduğunu sınıflandırır.

Kaynak erişim durumu

Toplam 49 girdi abstract veya metadata düzeyinde kalmaktadır. Ayrıca 64 girdide en az bir bilgi alanı “not verified” olarak işaretlenmiştir. Kaynak “not verified” ifadesini erişim veya extraction boşluğu; “not reported” ifadesini ise incelenmiş kaynakta bilginin raporlanmamış olması için kullanmaktadır.

Arama ve tarama akışı

Diğer 574 potansiyel aday tam metin değerlendirmesine alınmadan aday havuzunda bırakılmıştır.

İlk Scopus taraması ve kanıt çıkarımında yapay zekâ desteği kullanılmıştır. Daha sonra bir yazarın CSV kayıtlarını kodla işlediği ikinci tarama yapılmış, çıktılar manuel olarak incelenmiş ve nihai çalışma seçimlerini maddi biçimde değiştiren bir tutarsızlık bulunmadığı raporlanmıştır.

Arama prospektif kayıtlı değildir. Tarihsel retrieval loglarının bir bölümü eksiktir ve Scopus sorgusundaki zorunlu CO₂ terimi, CO₂ dışında geliştirilmiş fakat segmentasyon açısından aktarılabilir bazı yöntemleri kaçırabilir.

Neden meta-analiz veya evrensel algoritma sıralaması yapılmadı?

Kaynaklar:

• litoloji,
• voxel size,
• phase count,
• class balance,
• annotation,
• training/test partition,
• metric tanımı,
• fiziksel solver

açısından birbirinden farklıdır.

Bu nedenle farklı çalışmalardaki Dice veya permeability error değerlerini tek havuza koyarak “algoritma X genel olarak Y'den %Z daha iyidir” sonucuna varmak bilimsel olarak savunulabilir değildir.

Kaynak, üstünlük iddiasının ancak aynı görüntüler, aynı referans etiketleri, aynı train/test ayrımı ve benzer tuning bütçesi altında yapılmış kontrollü karşılaştırmalarda güçlü olduğunu belirtmektedir.

Segmentasyon etkisine ilişkin doğrudan örnekler

Çalışmanın desteklediği sonuçlar

• Jeolojik CO₂ depolamasında segmentasyon bir görüntü işleme adımı olmanın ötesinde fiziksel ölçüm modelinin parçasıdır.
• Yüksek görüntü örtüşme metriği fiziksel doğruluğu tek başına garanti etmez.
• Topolojik hatalar global mask metriklerine göre orantısız fiziksel sonuç üretebilir.
• Yöntem seçimi depolama görevi ve litolojiye göre yapılmalıdır.
• Klasik yöntemler bazı temiz, yüksek kontrastlı binary görevlerde savunulabilir olmaya devam etmektedir.
• Derin öğrenme özellikle heterojen doku, ince yapı veya zamansal bağlam gerektiren görevlerde yararlı olabilir.
• Daha karmaşık ağ mimarisi otomatik olarak daha güvenilir depolama karakterizasyonu anlamına gelmez.
• Segmentasyon belirsizliğinin fiziksel solver üzerinden ensemble olarak yayılması tek tercih edilen maskeye göre daha bilgilendirici olabilir.
• Bağımsız laboratuvar ölçümleri ve topoloji/property kontrolleri overlap metriğine eklenmelidir.
• İş akışının veri, model, seed, yazılım ve manuel düzeltme düzeyinde denetlenebilir olması gerekir.

Çalışmanın desteklemediği sonuçlar

• Tek bir evrensel en iyi segmentasyon algoritması tanımlanmamıştır.
• U-Net, transformer veya foundation model her litolojide klasik yöntemlerden üstün ilan edilmemektedir.
• Yüksek Dice veya IoU güvenli CO₂ depolama garantisi değildir.
• Segmentasyon maskesindeki yüzde hata saha kapasitesinde aynı yüzde hataya doğrudan eşitlenemez.
• Küçük görüntü hacminde görülen connected fracture doğrudan saha ölçeğinde leakage yolu olduğunu kanıtlamaz.
• Property Impact Index operasyonel olarak doğrulanmış bir risk metriği değildir.
• Expected-loss denklemi proje maliyet modeli olarak kalibre edilmemiştir.
• Foundation model çıktısı otomatik ground truth değildir.
• Bu review yeni fiziksel flow simulation, trained segmentation network veya saha deneyi üretmemiştir.
• Segmentasyonun düzenleyici güveni veya kamu kabulünü artırdığı bu çalışmada ölçülmemiştir.

Açık benchmark için önerilen yapı

Kaynak, gelecekteki CO₂ depolama benchmarklarının şu unsurları bir araya getirmesini önermektedir:

• sandstone, carbonate, shale, caprock ve fractured rock,
• micro-CT, synchrotron, SEM ve FIB-SEM,
• birden fazla spatial resolution,
• tekrarlı expert label veya probabilistic reference map,
• ölçülmüş porosity, permeability, capillary pressure, residual saturation, mineralogy veya mechanical property,
• dinamik veri için registered dry, brine-saturated ve CO₂-containing volumes,
• dokümante pressure ve temperature,
• sample-level training, validation ve hidden test partition.

Önerilen gelecek dijital kaya ekosistemi

Kaynağın gelecek iş akışı altı ana basamakta özetlenebilir:

1. Multiscale ve multimodal veri edinimi.
2. Automated preprocessing ve kalite standardizasyonu.
3. Uncertainty-aware deep learning segmentation.
4. Physics-constrained simulation ve ensemble propagation.
5. Automated fakat bağımsız fiziksel validation.
6. Upscaling, conditional engineering decision ve gelecekte digital-twin entegrasyonu.

Yazarlar Figure 6'daki digital-twin ve otomasyon öğelerinin önerilen araştırma çerçevesi olduğunu; otonom işletme veya saha performansının doğrulanmış olmadığını açıkça belirtmektedir.

Son bilimsel çıkarım

Jeolojik CO₂ depolamasında güvenilir segmentasyonun amacı “en güzel maske” veya “en yüksek Dice” üretmek değildir. Asıl hedef, depolama kararında kritik fiziksel yapıların ve belirsizliklerin izlenebilir biçimde korunmasıdır.

Bu nedenle kaynak şu zinciri savunur:

görüntü doğruluğu → geometri doğruluğu → fiziksel özellik doğruluğu → belirsizlik yayılımı → koşullu mühendislik kararı.

Zincirin herhangi bir aşamasında doğrulama eksikse sonraki aşamaya ait kesinlik iddiası otomatik olarak güçlenmez.

Kaynak ve Yöntem Notu

Özgün çalışma: Digital Rock Segmentation with Uncertainty Quantification for Geological CO2 Storage: From Image Accuracy to Carbon Storage Reliability

Yazarlar ve sıra: William Apau Marfo; William Ampomah; Hamid Rahnema; Carlos Ronaldo Oliva; Godsway Akpabli; Kwamena Opoku Duartey; Elizabeth Akonobea Appiah; Sylvester Agyei; Jacqueline Margaret Adjimah.

Eş katkı/eş birinci yazar: Kaynakta eş birinci yazar veya eş katkı bildirimi bulunmamaktadır.

Sorumlu yazar: Kwamena Opoku Duartey.

Kurum 1: Department of Petroleum and Natural Gas Engineering, New Mexico Institute of Mining and Technology (New Mexico Tech), Socorro, NM 87801, USA.

Kurum 2: Petroleum Recovery Research Center (PRRC), New Mexico Institute of Mining and Technology (New Mexico Tech), Socorro, NM 87801, USA.

Kurum 3: Department of Petroleum Engineering, University of Houston, Houston, TX 77204, USA.

Dergi: Advances in Carbon Neutrality.

Yayıncı: MDPI.

Yıl / cilt / sayı / makale numarası: 2026; 1(2); 6.

DOI: 10.3390/acn1020006.

Resmî bağlantı: https://doi.org/10.3390/acn1020006

Gönderim tarihi: 12 Ağustos 2026.

Revizyon tarihi: 24 Eylül 2026.

Kabul tarihi: 28 Eylül 2026.

Yayın tarihi: 1 Ekim 2026.

Kaynak türü: Review; structured critical review.

Hakemlik durumu: Hakemli bilimsel dergide yayımlanmış version of record.

Lisans: Creative Commons Attribution (CC BY).

Kaynak sayısı: 154.

Kanıt envanteri: 132 evidence entry ve 22 contextual entry.

Kanıt seviyeleri: 16 Tier A, 92 Tier B, 24 Tier C, 22 Context.

Kaynak erişim temeli: 67 full text, 42 abstract, 16 abstract + partial excerpt, 7 metadata. Kaynak, 49 girdinin abstract veya metadata temelli olduğunu ve 64 girdide en az bir “not verified” alan bulunduğunu raporlamaktadır.

Meta-analiz durumu: Pooled meta-analysis yapılmamıştır. Heterojen litoloji, voxel size, phase count, annotation, veri ayrımı, metrik ve solver koşulları nedeniyle evrensel algoritma sıralaması yapılmamaktadır.

Merkezî değerlendirme çerçevesi: voxel/sınıf doğruluğu, sınır sadakati, topoloji, morfoloji, kalibre belirsizlik, fiziksel özellik hassasiyeti ve mühendislik karar sonucu.

Ana yöntem aileleri: threshold, edge, region, clustering/unsupervised ML, supervised ML, deep learning; ayrıca transformer, attention ve foundation model yaklaşımları ayrı olarak tartışılmaktadır.

Finansman: U.S. Department of Energy, Office of Fossil Energy and Carbon Management, grant DE-FE0032363.

Kurumsal etik kurul: Uygulanabilir değil.

Bilgilendirilmiş onam: Uygulanabilir değil.

Veri erişilebilirliği: Derleme yeni rock-imaging dataset, fiziksel flow simulation veya trained segmentation model üretmemiştir. Evidence inventory ve Scopus screening kayıtları Supplementary Materials S1 ve S2'de sunulmaktadır.

Yazar katkıları: Kavramsallaştırma William Apau Marfo; araştırma Carlos Ronaldo Oliva; ilk taslak William Apau Marfo ve Carlos Ronaldo Oliva; gözden geçirme/düzenleme William Apau Marfo, Carlos Ronaldo Oliva, Godsway Akpabli, Kwamena Opoku Duartey, Elizabeth Akonobea Appiah, Sylvester Agyei ve Jacqueline Margaret Adjimah; süpervizyon William Ampomah ve Hamid Rahnema tarafından bildirilmiştir.

Yapay zekâ kullanım bildirimi: Yazarlar OpenAI'nin ChatGPT içindeki image-generation/editing aracının makaledeki altı kavramsal şeklin oluşturulması, iyileştirilmesi ve görsel düzenlenmesine yardımcı olmak için kullanıldığını belirtmektedir. İlk Scopus screening ve evidence extraction aşamalarında da AI desteği kullanılmış; seçimler ikinci bir kod tabanlı tarama ve manuel incelemeyle kontrol edilmiştir. Yazarlar nihai içerikten sorumluluğu üstlenmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını bildirmiştir; fon sağlayıcının derleme tasarımı, literatürün toplanması/yorumlanması, yazım veya yayın kararında rolü olmadığı belirtilmiştir.

Denklem (6) notu: Property Impact Index bu derleme tarafından önerilen araştırma yönüdür; doğrulanmış operasyonel segmentasyon veya risk metriği değildir. Kaynaktaki 0,96 Dice, 120/35 mD ve yaklaşık 0,66 örneği varsayımsal hesap gösterimidir.

Denklem (7) notu: Expected-loss ifadesi generic araştırma çerçevesidir; projeye özgü failure probability veya ekonomik consequence kalibrasyonu yapılmamıştır.

Şekil notu: Kaynaktaki altı ana şekil kavramsal sentezlerdir ve yeni deneysel ölçüm, benchmark sonucu veya doğrulanmış akış simülasyonu değildir.

Temel yorum sınırı: Segmentasyon kaynaklı pore-scale belirsizliğin doğrudan saha kapasitesine, plume davranışına veya containment olasılığına eşitlenmesi mümkün değildir. Formasyon ölçeği için jeolojik örnekleme, upscaling, reservoir/fluid/geomechanical modeller ve operasyonel koşullar ayrıca gereklidir.