Fizikia ya miamba dijitali — Digital Rock Physics (DRP) ni mbinu ya kubainisha miamba inayounganisha picha za miamba za pande tatu na modeli za fizikia za nambari ili kuchunguza vipimo kama muundo wa vinyweleo, mtiririko na sifa za usafirishaji. Katika mbinu hii, segmentesheni ya picha ni hatua ya upimaji inayobadilisha picha endelevu ya viwango vya kijivu kuwa madarasa tofauti kama tundu, matriksi imara, madini, ufa, maji ya chumvi na CO₂. Mapitio muhimu yaliyopangwa yanayochunguzwa yanatathmini mbinu za segmentesheni si kwa alama za kufanana kwa picha pekee, bali kwa kuangalia kama zinatoa ingizo la kuaminika kwa tathmini ya uwezo, uwezo wa kudunga, kunaswa kwa mabaki, mabadiliko tendaji na containment katika uhifadhi wa kijiolojia wa CO₂.

Hitimisho kuu la makala ni kwamba usahihi wa picha na uaminifu wa uhifadhi si kitu kimoja. Maski mbili za segmentesheni zinaweza kufanana sana kwa mwonekano na kutoa thamani zinazofanana za Dice au Intersection over Union (IoU); lakini kufungwa kimakosa kwa koo muhimu la tundu, kuunganishwa kwa ganglion tofauti za CO₂, kuweka alama mikroporosity kama awamu imara, au kuunda muunganisho usio halisi wa ufa kunaweza kubadilisha makadirio ya permeability, porosity iliyounganishwa, saturation ya mabaki ya CO₂, eneo la uso tendaji na njia inayowezekana ya uvujaji.

Mapitio yanatathmini familia pana ya mbinu kuanzia threshold, edge na region za kawaida hadi clustering, ujifunzaji wa mashine unaosimamiwa, deep learning inayotegemea CNN/U-Net, modeli za attention/transformer na mbinu za foundation model. Hitimisho la waandishi ni kwamba kwa uhifadhi wa kijiolojia wa CO₂ hakuna algoriti moja ya segmentesheni iliyo bora kwa kila hali. Mbinu inayoweza kutetewa zaidi hutegemea litolojia, ubora wa picha, kontrasti ya awamu, idadi ya madarasa, lebo zilizopo, rasilimali za ukokotoaji na ni kipimo gani cha kimwili cha uhifadhi ambacho segmentesheni inatarajiwa kuunga mkono.

Utafiti unapendekeza mfumo wa kutathmini ubora wa segmentesheni katika vipengele saba: usahihi wa darasa/voxel, uaminifu wa mipaka, topolojia, mofolojia, kutokuwa na uhakika kulikokalibrishwa, unyeti wa sifa ya kimwili na athari kwa uamuzi wa kihandisi. Hivyo, pamoja na swali “maski inafanana kwa kiasi gani na picha rejea?”, maswali “voxel isiyo sahihi iko wapi?”, “je, mtandao wa vinyweleo bado umeunganishwa?”, “permeability imebadilika kwa kiasi gani?” na “je, kosa hili linaweza kubadilisha uamuzi wa uwanjani?” pia yanakuwa sehemu ya udhibiti wa ubora.

Makala pia inapendekeza kwamba segmentesheni isitazamwe kama maski moja ya deterministiki pekee, bali inapowezekana kama mkusanyiko wa realizations za segmentesheni zinazotofautiana lakini zinazokubalika. Kwa kupeleka realizations hizi kwenye solver ileile ya fizikia, badala ya thamani moja inaweza kupatikana usambazaji wa permeability, shinikizo la kapilari, saturation ya mabaki ya CO₂ au sifa nyingine.

Mpaka wa tafsiri: utafiti hauwasilishi seti mpya ya majaribio ya kupiga picha miamba, modeli mpya ya segmentesheni iliyofunzwa, wala uthibitishaji wa uhifadhi wa CO₂ katika kiwango cha uwanja. Vielelezo vikuu sita vya makala ni usanisi wa dhana. Mchango wa segmentesheni katika uchaguzi bora wa eneo, usanifu wa udungaji au maamuzi ya ufuatiliaji ni matokeo yanayowezekana katika kiwango cha mradi; ili yatimie, upanuzi wa kiwango cha kijiolojia na uthibitishaji maalum wa mradi vinahitajika.

Kwa nini tatizo la mwamba dijitali ni muhimu katika uhifadhi wa kijiolojia wa CO₂?

Katika uhifadhi wa kijiolojia wa CO₂, kujua ujazo wa jumla wa vinyweleo pekee haitoshi. Uwezo wa kuhifadhi hutegemea kama vinyweleo vimeunganishwa, mwendelezo wa njia za mtiririko, koo za kuingilia, tabia ya kapilari, mfumo wa nyufa, miitikio ya madini–majimaji, mawasiliano ya shinikizo na uwezo wa formation kuzuia uvujaji.

Fizikia ya miamba dijitali inaweza kuchunguza miundo hii ya kiwango kidogo kwa mbinu za kupiga picha kama micro-computed tomography (micro-CT), synchrotron tomography, nano-CT, scanning electron microscopy (SEM), backscattered electron imaging (BSE) na focused ion beam–SEM (FIB-SEM). Hata hivyo, ili simulesheni ya fizikia ifanye kazi, lazima ibainishwe kila voxel au kipengele cha picha katika picha ya viwango vya kijivu ni cha awamu gani.

Kwa hiyo segmentesheni si mchakato wa “kusafisha na kupaka rangi picha” tu. Maski ya segmentesheni ndiyo jiometri ya nambari inayofafanua:

• ujazo wa jumla na uliounganishwa wa vinyweleo,
• jiometri ya koo za vinyweleo,
• njia za mtiririko,
• interfaces za CO₂–maji ya chumvi,
• nyuso za madini tendaji,
• uwazi na mwendelezo wa ufa,
• kiunzi imara kinachobeba mzigo

wenyewe.

Kwa nini uchaguzi wa mbinu ya kupiga picha si suala la resolution pekee?

Resolution ya juu ya anga inaweza kuonyesha vinyweleo vidogo, koo nyembamba na mipaka ya madini kwa ubora zaidi; lakini picha yenye resolution ya juu kwa kawaida hufunika ujazo mdogo wa sampuli. Ujazo mkubwa wa picha huwakilisha heterojeni ya mwamba vizuri zaidi, lakini unaweza kupoteza resolution ya vinyweleo vidogo.

Chanzo kinajadili uhusiano huu kama resolution–representative elementary volume (REV) tradeoff. REV ni ujazo wa chini kabisa wa uwakilishi ambapo kipimo fulani cha kimuundo au petrofizikia kinaacha kutegemea kupita kiasi ujazo mdogo uliochaguliwa na kuwa thabiti kwa kiwango kinachokubalika.

Kwa nini uchakataji wa awali si hatua isiyoegemea upande?

Picha ghafi za tomografia na mikroskopia ya elektroni zinaweza kuwa na detector noise, ring artifact, beam hardening, ukungu, mwendo na athari za partial-volume. Uchakataji wa awali unaweza kupunguza matatizo haya; lakini uchujaji unaweza pia kufuta koo nyembamba za vinyweleo, kuondoa makundi madogo ya CO₂, kubadilisha uwazi wa ufa au kulainisha mipaka ya awamu.

Kwa hiyo, vigezo vya hatua kama denoising, artifact correction, contrast enhancement, registration na intensity normalization vinapaswa kurekodiwa; uthabiti wa matokeo ya kimwili baada ya segmentesheni dhidi ya mabadiliko yanayokubalika ya vigezo unapaswa kupimwa.

Kwa Nini Alama ya Juu ya Dice au IoU Pekee Haimaanishi Modeli ya Kuaminika ya Uhifadhi wa CO₂?

Dice na IoU hupima mwingiliano wa madarasa wa ujazo wa maski, lakini hazionyeshi kosa limetokea katika sehemu gani ya mtandao wa kijiolojia; kwa hiyo, kuweka alama kimakosa kwenye koo muhimu la tundu, shingo ya snap-off ya CO₂ au ufa wa caprock wenye voxel chache sana kunaweza kubadilisha alama ya jumla kwa kiasi kidogo huku kukibadilisha sana tafsiri ya permeability, trapping au njia inayowezekana ya uvujaji.

Mlinganyo (1): Mgawo wa Dice

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

• \(TP\): idadi ya voxel za true-positive zinazowakilisha kweli awamu lengwa na kuainishwa kwa usahihi.
• \(FP\): idadi ya voxel za false-positive ambazo kwa kweli si awamu lengwa lakini zimeainishwa kuwa awamu lengwa.
• \(FN\): idadi ya voxel za false-negative ambazo ni za awamu lengwa lakini zimepewa darasa jingine.

Dice hubadilika kati ya 0 na 1. Kukaribia 1 huonyesha kuwa mwingiliano wa darasa kati ya maski iliyotabiriwa na maski rejea unaongezeka.

Hata hivyo, Dice haisimbui mahali pa kosa katika nafasi. Kwa mfano, kuainishwa vibaya kwa voxel chache tu muhimu za throat kati ya maelfu ya voxel sahihi kunaweza kubadilisha thamani ya global Dice kwa kiasi kidogo sana.

Mlinganyo (2): Intersection over Union — IoU

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

IoU pia iko katika masafa ya 0–1 na huonyesha uwiano wa makutano ya darasa lengwa lililotabiriwa na darasa lengwa halisi kwa muungano wao.

Dice na IoU ni sehemu muhimu za usahihi wa darasa; lakini si vipimo vya moja kwa moja vya topolojia, eneo la mpaka, muunganisho wa vinyweleo au usahihi wa sifa ya kimwili.

Mlinganyo (3): Hitilafu ya asilimia ya jamaa kabisa kwa sifa ya kimwili

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

• \(\varepsilon_X\): hitilafu ya asilimia ya jamaa kabisa ya sifa ya kimwili X.
• \(X_{seg}\): sifa iliyokokotolewa kutoka jiometri ya segmentesheni.
• \(X_{ref}\): thamani rejea iliyopimwa kwa majaribio au iliyokubalika.

\(X\) inaweza kuwa porosity, permeability, shinikizo la kapilari, saturation ya mabaki ya CO₂, eneo la interface, eneo la uso tendaji, uwazi wa ufa, conductivity au moduli ya elastic.

Kwa kuwa mlinganyo hutumia thamani kabisa, hutoa ukubwa wa kosa; hauonyeshi kama thamani imekadiriwa juu au chini. Kwa hiyo, chanzo kinapendekeza kwamba ikiwa mwelekeo ni muhimu katika uamuzi wa kihandisi, taarifa ya signed bias pia iripotiwe kando.

Mfumo wa tathmini wa vipengele saba

Familia sita kuu za mbinu za segmentesheni

Mbinu ya Otsu threshold inaweza kutetewa lini?

Global Otsu threshold huchagua intensity cutoff inayoongeza variance kati ya madarasa mawili katika histogram. Chanzo kinaeleza kuwa Otsu ni mbinu ya mwanzo ya haraka na inayoweza kurudiwa katika picha safi za pore–solid zenye kontrasti ya juu na usambazaji wa viwango vya kijivu uliotenganishwa vizuri.

Wakati intensity za awamu zinaingiliana, variance zinatofautiana, heterojeni ya madini au athari ya partial-volume inaongezeka, global threshold moja inaweza kutenganisha madarasa vibaya. Katika hali hii adaptive/multilevel threshold, mbinu ya region au mbinu ya ujifunzaji inaweza kuhitajika.

Kwa nini Watershed na region growing zinahitaji tahadhari?

Watershed huchukulia picha kama uso wa kitopografia na hutenganisha maeneo yaliyounganishwa kupitia mipaka ya catchment basin. Inaweza kusaidia kutenganisha chembe, vinyweleo au ganglion za CO₂ zinazogusana; lakini kelele na kutokuwa laini kwa uso kunaweza kuunda minima nyingi bandia na kusababisha oversegmentation.

Region growing hukua kutoka pointi za seed zilizochaguliwa kuelekea voxel zinazofanana. Seed ikiwa si sahihi inaweza kusimama mapema au kuvuka kwenda awamu jirani na kuunda boundary leakage.

Kwa nini U-Net hutumiwa sana katika segmentesheni ya mwamba dijitali?

U-Net ni usanifu wa deep learning wa encoder–decoder. Encoder hutoa sifa pana za muktadha kupitia convolution na pooling, huku decoder ikijenga upya resolution ya anga. Miunganisho ya skip connection kati ya viwango vya encoder na decoder hubeba taarifa za eneo zenye resolution ya juu kwenda decoder.

Muundo huu ni wa thamani kwa kuhifadhi mipaka ya pore throat nyembamba, grain contact na microcrack. Hata hivyo, global accuracy ya juu haihakikishi kwamba udongo, mikroporosity au nyufa nyembamba za darasa lenye idadi ndogo zimesegmentiwa kwa usahihi.

Katika mafunzo ya pande mbili, muunganisho wa kimwili kati ya vipande jirani huenda usiwakilishwe kikamilifu; katika mafunzo ya pande tatu, mahitaji makubwa ya kumbukumbu na athari za patch stitching ni matatizo tofauti.

Kwa nini chanzo kina tahadhari kuhusu Transformer na foundation model?

Modeli zinazotegemea Transformer zinaweza kuwakilisha mahusiano ya anga ya masafa marefu zaidi; hata hivyo, mapitio yanaeleza kuwa ushahidi wake katika eneo la mwamba dijitali ni mpya zaidi na mdogo zaidi kuliko wa familia ya U-Net.

Foundation model kama Segment Anything Model (SAM) na DINOv2 hutokana na mafunzo ya awali kwenye picha za asili. Mipaka ya picha za asili si sawa na X-ray attenuation, partial-volume mixing na miundo ya topology-critical grayscale ndani ya mwamba.

Kwa hiyo, chanzo kinapendekeza foundation model zitathminiwe si kama “geological ground truth” ya moja kwa moja, bali kama proposal generator, feature initializer au zana ya few-shot adaptation, huku uthibitishaji huru wa kijiolojia/kimwili ukifanywa.

Je, Kuna Algoriti Moja “Bora Zaidi” ya Segmentesheni kwa Uhifadhi wa Kijiolojia wa CO₂?

Hapana; mapitio hayapangi mbinu yoyote kama ya kwanza kwa kila hali, na uwezo wa kuitetea mbinu hutegemea litolojia, kontrasti ya picha, ugumu wa madarasa, upatikanaji wa lebo, bajeti ya ukokotoaji na ni kipimo gani cha kimwili cha uhifadhi ambacho segmentesheni itasaidia.

Kwa nini segmentesheni ya CO₂–maji ya chumvi ni ngumu zaidi?

Katika picha dynamic za awamu nyingi, matatizo mawili hutokea kwa wakati mmoja: kontrasti ya awamu inaweza kuwa ndogo na segmentesheni lazima ibaki thabiti kwa muda.

Thamani za X-ray attenuation za maji ya chumvi na CO₂ zinaweza kukaribiana katika baadhi ya hali. Matumizi ya Contrast agent yanaweza kuongeza utenganishaji wa awamu; lakini athari ya dutu iliyotumiwa kwa picha na tabia ya mtiririko inapaswa kutathminiwa kando chini ya hali za majaribio.

Katika mfululizo wa muda, lazima itenganishwe kama mabadiliko ya frame-to-frame mask ni mwendo halisi wa majimaji au kutokuwa thabiti kwa segmentesheni. Hii ni kwa sababu tofauti ndogo ya voxel inaweza kuunganisha ganglion tofauti za CO₂ au kuondoa shingo ya snap-off.

Katika mfano wa Chai na wenzake ulioripotiwa na chanzo, baada ya kipindi tuli cha saa 58, mtiririko wa brine ulipoanza tena thamani ya CO₂ saturation ilipungua kutoka %22,8 hadi %15,6. Chanzo kinasisitiza kwamba huu ni uchunguzi wa kimwili wa remobilization/Ostwald ripening; si kutokuwa na uhakika wa segmentesheni kati ya algoriti au matokeo ya containment ya uwanjani.

Kwa nini segmentesheni ya ufa ni nyeti kwa containment?

Kutafsiri ufa kimakosa kama “wazi” au “umefungwa” si kosa la mwonekano pekee; kunaweza kuathiri moja kwa moja transmissivity iliyokokotolewa na njia inayowezekana ya mtiririko.

Katika utafiti wa Deng na wenzake uliojadiliwa na chanzo, kuchukulia maeneo yaliyoharibika katika caprock ya asili ya carbonate iliyokumbwa na CO₂-acidified brine kuwa ufa wazi au mwamba usiopitisha kulisababisha tofauti ya takriban mara 2–4 katika thamani za transmissivity zilizokokotolewa.

Hata hivyo, haya ni matokeo ya bounding single-phase simulations; katika utafiti huo hakuna kipimo cha majaribio cha permeability. Kwa hiyo, namba hii haiwezi kujumlishwa kuwa “uvujaji halisi wa caprock hubadilika mara 2–4”.

Vyanzo vitatu vikuu vya kutokuwa na uhakika wa segmentesheni

Mlinganyo (4): Predictive entropy

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

• \(H(x)\): predictive entropy katika uteuzi wa darasa wa voxel x.
• \(C\): jumla ya madarasa ya segmentesheni.
• \(p_c(x)\): uwezekano uliotabiriwa kwamba voxel x ni ya darasa c.
• \(\ln\): logariti asilia.

\(H(x)\) huonyeshwa kwa kitengo cha nats. Kwa \(C\geq2\):

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

hutoa entropy iliyorekebishwa isiyo na kipimo katika masafa ya 0–1.

Entropy ya juu huonyesha kuwa uteuzi wa darasa una kutokuwa na uhakika zaidi, huku entropy ya chini ikionyesha modeli inaripoti kujiamini zaidi. Hata hivyo, chanzo kinatoa onyo muhimu: entropy ya chini si dhamana ya uainishaji sahihi. Mtandao unaojiamini kupita kiasi kwenye picha iliyo nje ya Domain unaweza kutoa entropy ya chini kwa lebo isiyo sahihi. Kwa hiyo, thamani ya uncertainty lazima ikalibrishwe dhidi ya makosa yaliyoonekana.

Tofauti kati ya kutokuwa na uhakika wa epistemic na aleatoric

Kutokuwa na uhakika wa epistemic hutokana na maarifa na upeo mdogo wa mafunzo ya modeli. Kunaweza kupunguzwa kwa data mbalimbali zaidi za mafunzo, domain adaptation au ensemble.

Kutokuwa na uhakika wa aleatoric hutokana na kutokuwa na uhakika kwa ndani katika picha yenyewe, kama resolution, mwingiliano wa awamu, noise au partial-volume. Kufundisha modeli zaidi hakuwezi kuunda taarifa ambayo haipo kwenye picha; acquisition bora, multimodal imaging au probabilistic phase assignment vinaweza kuhitajika.

Kutokuwa na Uhakika wa Segmentesheni Husambaa Vipi hadi Maamuzi ya Uhifadhi wa CO₂?

Kutokuwa na uhakika wa segmentesheni kwanza hubadilisha jiometri ya vinyweleo na awamu; mabadiliko haya huhamishwa hadi kwenye sifa za kimwili kama permeability, shinikizo la kapilari, saturation ya mabaki, uso tendaji au mwendelezo wa mekaniki na, baada ya kuongeza upscaling ya kijiolojia na data ya mradi, yanaweza kuathiri kwa masharti maamuzi ya uwezo, udungaji, trapping na containment.

Mlinganyo (5): Kusambaza segmentesheni mbadala kwa modeli ileile ya fizikia

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

• \(S^{(n)}\): realization ya n ya segmentesheni inayokubalika.
• \(F\): operator/solver ya kimwili inayotumika kwa namna ileile kwa kila realization.
• \(X^{(n)}\): sifa ya kimwili iliyokokotolewa kutoka jiometri hiyo.
• \(N\): idadi ya segmentesheni katika ensemble.

Jambo muhimu la mbinu hii ni kuhifadhi sifa za kimwili zinazotoka pamoja katika realization ileile ya jiometri badala ya kuchanganya thamani huru za min–max kwa kila property.

Kwa hiyo, badala ya \(X\) moja inaweza kuchunguzwa:

• wastani,
• quantile,
• threshold exceedance probability,
• asymmetric au non-normal tail

kama sifa za usambazaji. Hata hivyo, uaminifu wa usambazaji huu hutegemea jinsi ensemble ya segmentesheni ilivyoundwa na kukalibrishwa.

Mifano ya athari za kosa la segmentesheni kwa vipimo vya uhifadhi

Kwa nini uthibitishaji huru wa kimwili ni lazima?

Katika picha za miamba asilia, ground truth kamili katika kiwango cha voxel mara nyingi haipatikani. Vipimo vya bulk kama Helium porosity au mercury-injection capillary pressure vinaweza kujaribu sifa ya kimwili ya sampuli nzima; lakini havionyeshi kwamba kila voxel imeainishwa kwa usahihi.

Kwa mfano, segmentesheni inaweza kutoa thamani sahihi ya porosity ya jumla lakini ikaunda porosity nyingi katika eneo moja na chache katika eneo jingine, hivyo makosa yakafutiana katika thamani ya jumla. Katika hali hii global porosity inaweza kuonekana sahihi huku permeability ikiwa si sahihi.

Kwa hiyo, chanzo kinapendekeza complementary validation: vipimo kadhaa vya kimwili kama porosity, permeability na capillary pressure vikaguliwe pamoja kadiri inavyowezekana.

Pia calibration na validation lazima zitenganishwe. Kipimo cha porosity kilichotumiwa kuchagua threshold hakiwezi kuhesabiwa kuwa data huru ya kuthibitisha threshold hiyo.

Auditability — mtiririko wa kazi unaoweza kukaguliwa unahitaji nini?

Chanzo kinapendekeza kila matokeo ya kimwili yaunganishwe na sample identifier ya kudumu na versioned processing record.

Mambo yanayopaswa kurekodiwa ni pamoja na:

• picha ghafi au zilizoundwa upya bila upotevu,
• voxel size, orientation na region of interest,
• vigezo vya preprocessing,
• ufafanuzi wa lebo na maamuzi ya annotator,
• sample-level train/tuning/test partition,
• toleo la code na programu,
• uzito wa mtandao na random seed,
• mipangilio ya postprocessing,
• mipangilio ya solver ya fizikia,
• eneo, sababu na lebo za kabla/baada ya manual override

vinapaswa kuwepo.

Mlinganyo (6): Property Impact Index

Chanzo kinapendekeza Property Impact Index ya transition-specific kwa ajili ya kupimwa siku zijazo:

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

• \(S\): segmentesheni ya mwanzo.
• \(x\): voxel inayotathminiwa.
• \(a\): darasa la sasa la voxel.
• \(b\): darasa mbadala linaloruhusiwa.
• \(S(x:a\rightarrow b)\): jiometri ambapo voxel x pekee imebadilishwa kutoka darasa a hadi b.
• \(F\): operator ileile ya kimwili.
• \(H(x)/\ln C\): predictive entropy iliyorekebishwa.
• \(X_{scale}\): skeli chanya ya rejea ya sifa ya kimwili inayowekwa thabiti katika ulinganisho wote.

Kizidishi cha kwanza hupima voxel ina kutokuwa na uhakika kwa kiwango gani, na cha pili hupima mabadiliko hayo ya lebo yana athari kiasi gani kwenye property ya kimwili. Hivyo voxel yenye kutokuwa na uhakika mkubwa lakini umuhimu mdogo wa kimwili haichukuliwi sawa na voxel yenye kutokuwa na uhakika wa kati lakini iliyoko kwenye throat muhimu.

Indeksi haina kipimo lakini si failure probability.

Chanzo pia kinaeleza kuwa mabadiliko ya voxel moja hayawezi kunasa mwingiliano wote wa topolojia; ikiwa kuna correlated boundary error au tatizo la multi-voxel bridge, perturbation ya kikanda inapaswa kutumika.

Mfano wa kinadharia wa Mlinganyo (6) katika chanzo

Makala inatoa mfano ufuatao wa kinadharia kabisa kwa lengo la kuonyesha hesabu:

• Kwa maski mbili Dice = 0,96.
• Kwa voxel yenye kutokuwa na uhakika kwenye throat muhimu \(H=0,65\) nats.
• Kazi ya Binary: \(C=2\).
• Voxel ikiwa pore, permeability = 120 mD.
• Voxel ikiwa solid, permeability = 35 mD.
• \(X_{scale}=120\) mD.

Mabadiliko ya kimwili yaliyorekebishwa:

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

Entropy iliyorekebishwa:

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

Kwa hiyo:

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

Katika mfano, screening threshold ya kinadharia ya 80 mD pia inavukwa. Hata hivyo, chanzo kinaeleza wazi kwamba namba hizi si kipimo, uthibitishaji wa indeksi wala uamuzi wa kukubali/kukataa eneo halisi la uhifadhi.

Mlinganyo (7): Usemi wa jumla wa expected-loss

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

• \(R(d)\): thamani ya expected risk / expected loss ya uamuzi d.
• \(F_j\): failure mode ya j.
• \(P(F_j\mid d,D)\): uwezekano wa failure mode ya j chini ya uamuzi d na ushahidi uliopo D.
• \(C_j\): matokeo/gharama ya failure mode hii.
• \(J\): idadi ya failure mode zinazozingatiwa.

Chanzo kinatoa mifano ya matokeo yanayowezekana kama upigaji picha wa ziada au core analysis, ukokotoaji usiohitajika, uwezo wa uhifadhi usiotumika kikamilifu, shinikizo kubwa kupita kiasi la udungaji, completion redesign, mzigo wa monitoring, regulatory delay na containment/safety exposure.

Mlinganyo (7) si modeli mpya ya kiuchumi iliyothibitishwa. Thamani za failure probability na consequence maalum kwa mradi hazijakalibrishwa katika mapitio haya na haziwezi kutolewa kutoka Dice au voxel entropy pekee.

Fizikia inaweza kuijaribu segmentesheni vipi?

Chanzo kinatenganisha majukumu mawili tofauti ya matumizi ya milinganyo ya kimwili:

1. Ikiwa kizuizi cha kimwili kinaingia moja kwa moja kwenye loss ya mafunzo, kinaweza kuathiri modeli ya segmentesheni.
2. Ikiwa fizikia inatumika baada ya segmentesheni, haitumiki kama algoriti ya segmentesheni bali kama physical validation au property-sensitive test.

Mlinganyo (8): Loss jumuishi ya jumla yenye taarifa za fizikia

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

• \(L_{data}\): loss ya kutolingana na lebo au data ya uchunguzi.
• \(L_{phys}\): adhabu ya kukiuka governing equation au kizuizi cha kimwili.
• \(L_{BC}\): adhabu ya kukiuka boundary condition.
• \(\lambda_{data}\), \(\lambda_{phys}\), \(\lambda_{BC}\): uzito wa jamaa wa vipengele vitatu vya loss.

Mlinganyo huu umetolewa katika chanzo kama generic composite objective; si loss function iliyothibitishwa ya mtandao mpya maalum wa segmentesheni.

Mlinganyo (9) na (10): Mtiririko wa stationary Stokes katika nafasi ya vinyweleo iliyotatuliwa

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

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

• \(\mathbf{u}\): vekta ya kasi.
• \(p\): shinikizo.
• \(\mu\): mnato wa dynamic.
• \(\nabla p\): gradient ya shinikizo.
• \(\nabla^2\mathbf{u}\): termu ya Laplacian inayowakilisha usambazaji wa momentum yenye mnato.

Mlinganyo (10) huonyesha sharti la incompressible katika uwanja wa mtiririko uliotatuliwa. Chanzo kinatumia milinganyo hii ya Stokes kama mfano wa kujaribu jiometri ya pore-scale kwa sifa ya kimwili kama permeability.

Mlinganyo (11): Permeability kabisa kutoka kwenye mtiririko

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

• \(K\): permeability kabisa.
• \(\mu\): mnato wa dynamic.
• \(Q\): kiwango cha mtiririko wa ujazo.
• \(L\): urefu wa sampuli katika mwelekeo wa mtiririko.
• \(A\): eneo la sehemu.
• \(\Delta p\): tofauti ya shinikizo kupitia sampuli.

Jukumu muhimu la mlinganyo ni hili: hata kama segmentesheni mbili zina alama sawa ya Dice, ikiwa moja inafunga throat muhimu kwa mtiririko, inaweza kutoa \(Q\) tofauti na hivyo \(K\) tofauti chini ya mipaka ileile ya shinikizo.

Kwa hiyo, ukokotoaji wa permeability unaweza kuwa zana ya validation inayohisi usahihi wa topolojia ya jiometri ya segmentesheni.

Mlinganyo (12): Mbinu ya Stokes–Brinkman

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

• \(\mu_{eff}\): mnato wenye ufanisi.
• \(K_m\): permeability yenye ufanisi iliyotolewa kwa awamu ya microporous isiyoweza kutatuliwa.

Mlinganyo huu hutoa daraja la continuum kati ya eneo la Stokes linalotatuliwa kama tundu wazi kabisa na nyenzo ya microporous iliyo chini ya resolution ya picha na inayoweza kuwakilishwa tu kwa permeability yenye ufanisi.

Chanzo kinasisitiza kuwa hii si mbinu ya “kurudisha kwa uhakika muundo ambao haupo kwenye picha”. Sifa zenye ufanisi kama \(K_m\) zinapaswa kuzuiwa au kukalibrishwa kwa data huru.

Mbinu na Matokeo ya Utafiti

Muundo wa mapitio

Makala inajitambulisha kama structured critical review. Utafiti unatumia marejeo 154 kama tafiti za kimajaribio, makala za mbinu, mapitio, ripoti za sera na vyanzo vya data.

Vyanzo vimegawanywa katika viwango vitatu vikuu vya ushahidi wa kisayansi:

Kiwango cha Tier si alama ya ubora wa kimetodolojia. Kinaainisha tu jinsi ushahidi wa chanzo unavyohusiana moja kwa moja na tatizo la uhifadhi wa kijiolojia wa CO₂.

Hali ya ufikiaji wa vyanzo

Kwa jumla, ingizo 49 zimebaki katika kiwango cha abstract au metadata. Aidha, katika ingizo 64 angalau sehemu moja ya taarifa imewekewa alama “not verified”. Chanzo kinatumia “not verified” kwa pengo la ufikiaji au extraction; na “not reported” kwa taarifa ambayo haikuripotiwa katika chanzo kilichokaguliwa.

Mtiririko wa utafutaji na uchunguzi

Wagombea wengine 574 watarajiwa waliachwa katika hazina ya wagombea bila kuingizwa katika tathmini ya matini kamili.

Msaada wa akili bandia ulitumika katika uchunguzi wa kwanza wa Scopus na uchimbaji wa ushahidi. Baadaye, uchunguzi wa pili ulifanywa ambapo mwandishi mmoja alichakata rekodi za CSV kwa msimbo, matokeo yakakaguliwa kwa mikono na ikaripotiwa kuwa hakukuwa na kutokulingana kulikobadilisha kwa kiasi kikubwa uteuzi wa mwisho wa tafiti.

Utafutaji haukusajiliwa prospectively. Sehemu ya historical retrieval logs haikamiliki, na neno la lazima la CO₂ katika hoja ya Scopus linaweza kukosa baadhi ya mbinu zilizotengenezwa nje ya CO₂ lakini zinazoweza kuhamishwa kwa segmentation.

Kwa nini meta-analysis au upangaji wa algoriti wa jumla haukufanywa?

Vyanzo vinatofautiana katika:

• lithology,
• voxel size,
• phase count,
• class balance,
• annotation,
• training/test partition,
• ufafanuzi wa metric,
• physical solver

.

Kwa hiyo, si jambo linaloweza kutetewa kisayansi kuunganisha thamani za Dice au permeability error kutoka tafiti tofauti katika hazina moja na kuhitimisha kuwa “algoriti X kwa ujumla ni bora kuliko Y kwa %Z”.

Chanzo kinaeleza kuwa dai la ubora huwa na nguvu tu katika ulinganisho uliodhibitiwa unaofanywa chini ya picha zilezile, lebo zilezile za rejea, mgawanyo uleule wa train/test na bajeti inayofanana ya tuning.

Mifano ya moja kwa moja kuhusu athari ya segmentesheni

Matokeo yanayoungwa mkono na utafiti

• Katika uhifadhi wa kijiolojia wa CO₂, segmentesheni ni sehemu ya modeli ya kipimo cha kimwili, zaidi ya kuwa hatua ya uchakataji wa picha.
• Kipimo cha juu cha ulinganifu wa picha peke yake hakihakikishi usahihi wa kimwili.
• Hitilafu za topolojia zinaweza kutoa matokeo ya kimwili yasiyolingana kwa ukubwa na global mask metrics.
• Uteuzi wa mbinu unapaswa kufanywa kulingana na jukumu la uhifadhi na lithology.
• Mbinu za kawaida zinaendelea kutetewa katika baadhi ya binary tasks safi zenye contrast ya juu.
• Deep learning inaweza kuwa na manufaa hasa katika kazi zinazohitaji texture yenye heterogeneity, miundo myembamba au muktadha wa wakati.
• Network architecture iliyo tata zaidi haimaanishi moja kwa moja characterization ya uhifadhi iliyoaminika zaidi.
• Kusambaza kutokuwa na uhakika wa segmentesheni kama ensemble kupitia physical solver kunaweza kuwa na taarifa zaidi kuliko mask moja inayopendelewa.
• Vipimo huru vya maabara na ukaguzi wa topology/property vinapaswa kuongezwa kwenye overlap metric.
• Workflow inapaswa kuwa audit-able katika viwango vya data, model, seed, software na marekebisho ya mkono.

Matokeo ambayo utafiti hauungi mkono

• Hakuna algoriti moja bora kwa kila hali ya segmentesheni iliyotambuliwa.
• U-Net, transformer au foundation model hazitangazwi kuwa bora kuliko mbinu za kawaida katika kila lithology.
• Dice au IoU ya juu si dhamana ya uhifadhi salama wa CO₂.
• Asilimia ya hitilafu katika mask ya segmentesheni haiwezi kulinganishwa moja kwa moja na asilimia ileile ya hitilafu katika uwezo wa uwanjani.
• Connected fracture inayoonekana katika ujazo mdogo wa picha haithibitishi moja kwa moja kuwa ni njia ya leakage katika kiwango cha uwanja.
• Property Impact Index si risk metric iliyothibitishwa kiutendaji.
• Expected-loss equation haijakalibishwa kama modeli ya gharama ya mradi.
• Matokeo ya foundation model si ground truth ya moja kwa moja.
• Review hii haikutoa physical flow simulation mpya, trained segmentation network mpya wala jaribio la uwanjani.
• Haikupimwa katika utafiti huu kwamba segmentesheni huongeza regulatory confidence au public acceptance.

Muundo unaopendekezwa kwa benchmark ya wazi

Chanzo kinapendekeza benchmark za baadaye za uhifadhi wa CO₂ zikusanye vipengele vifuatavyo:

• sandstone, carbonate, shale, caprock na fractured rock,
• micro-CT, synchrotron, SEM na FIB-SEM,
• spatial resolution nyingi,
• expert label zilizorudiwa au probabilistic reference map,
• porosity, permeability, capillary pressure, residual saturation, mineralogy au mechanical property zilizopimwa,
• registered dry, brine-saturated na CO₂-containing volumes kwa data ya dynamic,
• pressure na temperature zilizoandikwa,
• sample-level training, validation na hidden test partition.

Mfumo ikolojia wa miamba dijitali unaopendekezwa kwa siku zijazo

Workflow ya baadaye ya chanzo inaweza kufupishwa katika hatua sita kuu:

1. Upataji wa data wa multiscale na multimodal.
2. Automated preprocessing na usanifishaji wa ubora.
3. Uncertainty-aware deep learning segmentation.
4. Physics-constrained simulation na ensemble propagation.
5. Automated lakini independent physical validation.
6. Upscaling, conditional engineering decision na ujumuishaji wa digital-twin siku zijazo.

Waandishi wanaeleza wazi kwamba vipengele vya digital-twin na automation katika Figure 6 ni mfumo wa utafiti unaopendekezwa; autonomous operation au utendaji wa uwanjani haujathibitishwa.

Hitimisho la mwisho la kisayansi

Katika uhifadhi wa kijiolojia wa CO₂, lengo la segmentesheni inayotegemewa si kutengeneza “maski nzuri zaidi” au “Dice ya juu zaidi”. Lengo kuu ni kuhifadhi kwa namna inayofuatilika miundo ya kimwili na kutokuwa na uhakika ambavyo ni muhimu kwa uamuzi wa uhifadhi.

Kwa hiyo, chanzo kinatetea mlolongo ufuatao:

usahihi wa picha → usahihi wa jiometri → usahihi wa sifa za kimwili → usambazaji wa kutokuwa na uhakika → uamuzi wa kihandisi wenye masharti.

Ikiwa uthibitishaji haupo katika hatua yoyote ya mlolongo, dai la uhakika katika hatua inayofuata haliongezeki moja kwa moja.

Maelezo ya Chanzo na Mbinu

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

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

Mchango sawa/mwandishi mwenza wa kwanza: Hakuna taarifa ya mwandishi mwenza wa kwanza au mchango sawa katika chanzo.

Mwandishi wa mawasiliano: Kwamena Opoku Duartey.

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

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

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

Jarida: Advances in Carbon Neutrality.

Mchapishaji: MDPI.

Mwaka / juzuu / toleo / nambari ya makala: 2026; 1(2); 6.

DOI: 10.3390/acn1020006.

Kiungo rasmi: https://doi.org/10.3390/acn1020006

Tarehe ya kuwasilishwa: 12 Agosti 2026.

Tarehe ya marekebisho: 24 Septemba 2026.

Tarehe ya kukubaliwa: 28 Septemba 2026.

Tarehe ya kuchapishwa: 1 Oktoba 2026.

Aina ya chanzo: Review; structured critical review.

Hali ya mapitio ya rika: version of record iliyochapishwa katika jarida la kisayansi lenye mapitio ya rika.

Leseni: Creative Commons Attribution (CC BY).

Idadi ya vyanzo: 154.

Orodha ya ushahidi: 132 evidence entry na 22 contextual entry.

Viwango vya ushahidi: 16 Tier A, 92 Tier B, 24 Tier C, 22 Context.

Msingi wa ufikiaji wa vyanzo: 67 full text, 42 abstract, 16 abstract + partial excerpt, 7 metadata. Chanzo kinaripoti kuwa ingizo 49 zilitegemea abstract au metadata na kwamba katika ingizo 64 kulikuwa na angalau sehemu moja ya “not verified”.

Hali ya meta-analysis: Pooled meta-analysis haikufanywa. Kwa sababu ya heterogeneity ya lithology, voxel size, phase count, annotation, mgawanyo wa data, metric na hali za solver, upangaji wa algoriti wa jumla haufanywi.

Mfumo mkuu wa tathmini: usahihi wa voxel/darasa, uaminifu wa mpaka, topolojia, mofolojia, kutokuwa na uhakika kulikokalibishwa, unyeti wa sifa za kimwili na matokeo ya uamuzi wa kihandisi.

Familia kuu za mbinu: threshold, edge, region, clustering/unsupervised ML, supervised ML, deep learning; pia mbinu za transformer, attention na foundation model zinajadiliwa tofauti.

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

Bodi ya maadili ya taasisi: Haitumiki.

Ridhaa iliyoarifiwa: Haitumiki.

Upatikanaji wa data: Mapitio hayakutengeneza rock-imaging dataset mpya, physical flow simulation mpya au trained segmentation model. Evidence inventory na rekodi za Scopus screening zinawasilishwa katika Supplementary Materials S1 na S2.

Michango ya waandishi: Conceptualization William Apau Marfo; investigation Carlos Ronaldo Oliva; rasimu ya kwanza William Apau Marfo na Carlos Ronaldo Oliva; review/editing William Apau Marfo, Carlos Ronaldo Oliva, Godsway Akpabli, Kwamena Opoku Duartey, Elizabeth Akonobea Appiah, Sylvester Agyei na Jacqueline Margaret Adjimah; supervision iliripotiwa na William Ampomah na Hamid Rahnema.

Taarifa ya matumizi ya akili bandia: Waandishi wanaeleza kuwa zana ya image-generation/editing ya OpenAI ndani ya ChatGPT ilitumika kusaidia kuunda, kuboresha na kupanga kwa mwonekano vielelezo sita vya dhana katika makala. Msaada wa AI pia ulitumika katika hatua za kwanza za Scopus screening na evidence extraction; uteuzi ulikaguliwa kwa uchunguzi wa pili unaotegemea msimbo na mapitio ya mkono. Waandishi wamekubali kuwajibika kwa maudhui ya mwisho.

Mgongano wa maslahi: Waandishi wameripoti kutokuwa na mgongano wa maslahi; imeelezwa kuwa mfadhili hakuwa na jukumu katika muundo wa mapitio, ukusanyaji/tafsiri ya fasihi, uandishi au uamuzi wa kuchapisha.

Dokezo la Mlinganyo (6): Property Impact Index ni mwelekeo wa utafiti unaopendekezwa na mapitio haya; si operational segmentation au risk metric iliyothibitishwa. Mfano wa 0,96 Dice, 120/35 mD na takriban 0,66 katika chanzo ni onyesho la hesabu la kinadharia.

Dokezo la Mlinganyo (7): Usemi wa Expected-loss ni generic research framework; hakuna calibration ya failure probability au economic consequence mahususi kwa mradi iliyofanywa.

Dokezo la vielelezo: Vielelezo sita vikuu katika chanzo ni conceptual syntheses na si kipimo kipya cha kimajaribio, matokeo ya benchmark au flow simulation iliyothibitishwa.

Kikomo kikuu cha tafsiri: Kutokuwa na uhakika wa pore-scale unaotokana na segmentesheni hakuwezi kusawazishwa moja kwa moja na uwezo wa uwanjani, tabia ya plume au uwezekano wa containment. Kwa kiwango cha formation, geological sampling, upscaling, reservoir/fluid/geomechanical models na hali za operesheni zinahitajika pia.