Perpustakaan Digital ITB

Analisis kuantitatif parameter fisik batuan dalam teknik Fisika Batuan Digital seperti porositas, luas permukaan spesifik, dan permeabilitas sangat bergantung pada kualitas citra beresolusi tinggi yang diperoleh dari X-ray micro-computed tomography. Namun demikian, akuisisi citra micro-CT menghadapi kompromi fundamental, yaitu rentan terhadap noise dan artefak sistematis seperti ring artifacts yang dapat mengaburkan batas antarfase butiran dan pori. Oleh karena itu, peningkatan kualitas citra dan segmentasi pori yang akurat menjadi langkah esensial dalam alur kerja pemrosesan dan analisis. Penelitian ini dilaksanakan dalam dua fase yang saling berkaitan. Fase pertama merupakan studi pendahuluan yang mengeksplorasi penerapan arsitektur U-Net untuk image denoising citra micro-CT pori batuan. Dua arsitektur deep learning diuji, yaitu 2D U-Net dan 3D U-Net, menggunakan citra batupasir Formasi Mt. Simon (3003 piksel3 ) yang didegradasi dengan salt and pepper noise. Hasil fase pertama menunjukkan bahwa 2D U-Net merupakan arsitektur paling optimal, menghasilkan porositas dengan error relatif 0.84% dan luas permukaan spesifik dengan error relatif 3.70% terhadap acuan (keduanya lebih baik daripada 3D U-Net). Selain itu, 2D U-Net berhasil mencapai aspek komputasi yang paling efisien, dengan durasi denoising 8.20 detik (berbanding 18.96 detik dengan 3D U-Net). Fase kedua merupakan penelitian utama yang membandingkan tiga skema pipeline restorasi-segmentasi terhadap citra hasil pemindaian large rotation step (0.4° dan 0.8°) dengan acuan small rotation step (0.2°): Skema kaskade (Skema 1), Skema gabungan parsial (Skema 2), dan Skema monolitik (Skema 3). Ketiga skema dibangun di atas arsitektur model identik, yaitu 2D Residual U-Net untuk restorasi (penghapusan ring artifacts dan noise) dan 2.5D Residual U-Net untuk segmentasi pori. Hasil menunjukkan bahwa Skema 1 dan Skema 2 secara konsisten dapat menghilangkan ring artifacts dan noise dengan kualitas restorasi setara, sementara Skema 2 lebih efisien secara komputasi sehingga menjadi skema yang paling menguntungkan di antara keduanya. Sebaliknya, Skema 3 memberikan estimasi petrofisika paling mendekati acuan hanya pada batuan sejenis data latih, tetapi kehilangan kestabilan pada domain karbonat asing dengan over-segmentation yang signifikan.