머신러닝을 사용한 단층 탐지 기술 연구 동향 분석

• 영문명: Research Trend Analysis for Fault Detection Methods Using Machine Learning
• 발행기관: 대한자원환경지질학회
• 저자명: 배우람(Wooram Bae) 하완수(Wansoo Ha)
• 간행물 정보: 『자원환경지질』53권 4호, 479~489쪽, 전체 11쪽
• 주제분류: 자연과학 > 지질학
• 파일형태: PDF
• 발행일자: 2020.08.30

국문 초록

단층은 근원암에서 형성된 석유 가스 등의 탄화수소가 이동하는 통로이자 탄화수소를 가두는 덮개암의 역할을 할 수 있는 지질구조로, 탄화수소가 축적된 저류층을 찾기 위한 탄성파 탐사의 주요 대상 중 하나이다. 하지만 기존의 유사성, 응집성, 분산, 기울기, 단층가능성 등 탄성파 자료의 측면 방향 불연속성을 활용하는 단층 감지 방법들은 전문지식을 갖춘 해석자가 많은 계산 비용과 시간을 투자해야 한다는 문제가 있다. 따라서 많은 연구자들이 단층 해석에 필요한 계산 비용과 시간을 절약하기 위한 다양한 연구를 진행하고 있고, 최근에는 머신러닝 기술을 활용한 연구들이 활발히 수행되고 있다. 단층 해석에는 다양한 머신러닝 기술들 중 서포트백터머신, 다층퍼셉트론, 심층 신경망, 합성곱 신경망 등의 알고리즘이 사용되고 있다. 특히 합성곱 신경망을 활용한 연구는 독자적인 구조의 모델을 사용한 연구뿐만 아니라, 이미지 처리 분야에서 성능이 검증된 모델을 활용한 연구 및 단층의 위치와 주향, 경사 등의 정보를 함께 해석하는 연구도 활발히 진행되고 있다. 이 논문에서는 이러한 연구들을 조사하고 분석하여, 현재까지 단층 위치 및 단층 정보 해석에 가장 효과적인 기술은 영상 처리 분야에서 검증된 U-Net 구조를 바탕으로 한 합성곱 신경망인 것을 확인했다. 이러한 합성곱 신경망에 전이학습 및 데이터 증식 기법을 접목하면 앞으로 더욱 효과적인 단층감지 및 정보 해석이 가능할 것으로 기대된다.

영문 초록

A fault is a geological structure that can be a migration path or a cap rock of hydrocarbon such as oil and gas, formed from source rock. The fault is one of the main targets of seismic exploration to find reservoirs in which hydrocarbon have accumulated. However, conventional fault detection methods using lateral discontinuity in seismic data such as semblance, coherence, variance, gradient magnitude and fault likelihood, have problem that professional interpreters have to invest lots of time and computational costs. Therefore, many researchers are conducting various studies to save computational costs and time for fault interpretation, and machine learning technologies attracted attention recently. Among various machine learning technologies, many researchers are conducting fault interpretation studies using the support vector machine, multi-layer perceptron, deep neural networks and convolutional neural networks algorithms. Especially, researchers use not only their own convolution networks but also proven networks in image processing to predict fault locations and fault information such as strike and dip. In this paper, by investigating and analyzing these studies, we found that the convolutional neural networks based on the U-Net from image processing is the most effective one for fault detection and interpretation. Further studies can expect better results from fault detection and interpretation using the convolutional neural networks along with transfer learning and data augmentation.

목차

1. 서 론

2. 서포트벡터머신과 다층퍼셉트론 모델을 사용한 단층 위치 해석

3. 심층 신경망 모델을 사용한 단층 위치 해석

4. 합성곱 신경망 모델을 사용한 단층 위치해석

5. U-Net 모델을 활용한 단층 위치 해석

6. 합성곱 신경망 모델을 사용한 단층의 위치와 기타 정보 해석

7. 토 의

8. 결 론

사 사

References

키워드

단층 탐지 기계 학습 서포트벡터머신 심층 신경망 합성곱 신경망 fault detection machine learning support vector machine deep neural networks convolutional neural networks