Künstliche Intelligenz & selbstlernende Systeme im Kontext der Forschung zur Endlagerung radioaktiver Abfälle

Iterator

Algorithmen nicht müde werden und reproduzierbare Analysen liefern. In den letzten Jahrzehnten haben technische Errungenschaften in der Bildanalyse und im maschinellen Lernen zur Entwicklung neuer Methoden geführt. Insbesondere Methoden, die auf selbstlernenden Algorithmen basieren, zeigen das Potenzial, auch anspruchsvolle Analysen durchzuführen.

Aus geowissenschaftlicher Sicht ist es das Ziel, hochaufgelöste Informationen aus Probenmaterial in großen Mengen zu analysieren, die zum Beispiel bei der Bestimmung von Wirtsgesteinen anfallen. Insbesondere im Kontext der Lagerung radioaktiver Abfälle sind umfassende Kenntnisse darüber notwendig. Dies geschieht über die Bestimmung der physikalischen Gesteinseigenschaften, welche maßgeblich von dessen Porosität beeinflusst werden. Die Häufigkeit, die Verteilung, die Form und die Größe von Poren kontrollieren nahezu alle Eigenschaften eines jeden Festkörpers. Auch in der Petrophysik ist die Ermittlung der Porosität daher seit langer Zeit ein essentieller Bestandteil. Mit herkömmlichen Verfahren werden dazu hochauflösende Aufnahmen eines Rasterelektronenmikroskops (REM) analysiert und ausgewertet. Im Wesentlichen geht es dabei um die Erstellung einer Porenmaske, die auch als binäre Segmentation bezeichnet wird. Die Erstellung dieser Masken bringt jedoch einige Schwierigkeiten mit sich, wie z. B. Interpretationsspielräume, nicht standardisierte Verfahren und insbesondere die nanoskalige Auflösungsgrenze des REM. Darüber hinaus sind herkömmliche Methoden wie die Grauwert-Schwellenmethode aufgrund der Überlappung der Grauwerte zwischen Körnern und Poren unzuverlässig. Experimentelle Studien haben gezeigt, dass selbst hochauflösende Aufnahmen der REM nur einen Bruchteil der Poren des Opalinustons sichtbar machen.

Automatische Porendetektion mit Machine Learning

Abbildung 1 Das Ergebnis von neun verschiedenen Machine Learning Classifiern wird mit einem Votingalgorithmus zu einem Wahrscheinlichkeitsfeld zusammengefasst. Hieraus lassen sich Konfidenzniveaus ableiten, wie sicher das Vorhandensein einer Pore ist Quelle: BGR

Im Forschungsverlauf des ITERATOR Projekts wurden eine Vielzahl unterschiedlicher Machine Learning Classifier (MLC) implementiert, trainiert und deren Eigenschaften bei der Herstellung von Segmentationsmasken untersucht. Dabei ist herausgekommen, dass die MLC’s nur bedingt in der Lage, sind eine gleichbleibende Segmentationsqualität zu erreichen. Die Ergebnisse reagieren stark auf veränderte Aufnahmeeinstellungen oder z.B. ein Wechsel des Probenmaterials. Letztendlich zeigte die Auswertung der Segmentationsmasken, dass kein MLC alleine eine ausreichende Qualität auf Expertenniveau liefern kann.

Durch die Entwicklung eines Votingalgorithmus wurde es möglich, die MLC‘s zu einem Ergebnis zu kombinieren, wie in Abbildung 1 zu sehen ist. Dies ermöglicht die Ableitung verschiedener Poren-Konfidenzniveaus, die falsche Porensegmentierungen reduzieren und die Porenränder gleichmäßiger und konsistenter erfassen.

Abbildung 2 Mit der „Super Resolution“ werden Details der ursprünglichen REM Aufnahmen sichtbar, die es ermöglichen auch sehr kleine Poren zu erkennen Quelle: BGR

Derzeit werden Methoden mit künstlichen neuronalen Netzwerken getestet, die in der Lage sind, die schon hohe Auflösung der hochauflösenden REM Aufnahmen weiter zu verbessern. Dazu arbeiten zwei Teilnetze an der Vervielfachung von Pixeln. Es ist erfolgreich gelungen, diese Netzwerke auch auf REM Aufnahmen zu trainieren, siehe Abbildung 2. Die sog. „Super Resolution“ Aufnahmen zeigen eine verbesserte Detailauflösung der ursprünglichen Gesteinsprobe, in der mehr Poren erkannt werden können.

Die Kombination der Super Resolution und des Votingalgorithmus zeigen vielversprechende Ergebnisse, die auf ein Herabsetzen der Abbruchgrenze kleinster Poren hinweisen. Das bedeutet, dass das Super Resolution Netzwerk in der Lage ist, die REM Aufnahmen erfolgreich mit zusätzlichen Details anzureichern, die der Votingalgorithmus anschließend auswerten kann.

Über den Meeting-Link beitreten: https://bgr-bund.webex.com/bgr-bund/j.php?MTID=m7aa5f32d96ff0c4309e04230f0d7109b; Meeting-Kennnummer (Zugriffscode): 2741 401 4829 Meeting Passwort: SyFebeDP374