[논문]머신러닝 기술의 광업 분야 도입을 위한 활용사례 분석

이채영; 김성민; 최요순

doi:10.7474/tus.2019.29.1.001

초록
AI-Helper

본 연구에서는 국내 의료, 제조, 금융, 자동차, 도시 분야와 해외 광업 분야에서 머신러닝 기술이 활용된 사례를 조사하였다. 문헌 조사를 통해 머신러닝 기술이 의학영상 정보시스템 개발, 실시간 모니터링 및 이상 진단 시스템 개발, 정보시스템의 보안 수준 개선, 자율주행차 개발, 도시 통합관리 시스템 개발 등에 광범위하게 활용되어왔음을 알 수 있었다. 현재까지 국내 광업 분야에서는 머신러닝 기술의 활용사례를 찾을 수 없었으나, 해외에서는 광상 탐사나 광산 개발의 생산성 및 안전성을 개선을 위해 머신러닝 기술을 도입한 프로젝트들을 찾을 수 있었다. 향후 머신러닝 기술의 광업 분야 도입은 점차 확산될 것으로 예상된다.

Abstract ▼ AI-Helper

This study investigated use cases of machine learning technology in domestic medical, manufacturing, finance, automobile, urban sectors and those in overseas mining industry. Through a literature survey, it was found that the machine learning technology has been widely utilized for developing medica...

This study investigated use cases of machine learning technology in domestic medical, manufacturing, finance, automobile, urban sectors and those in overseas mining industry. Through a literature survey, it was found that the machine learning technology has been widely utilized for developing medical image information system, real-time monitoring and fault diagnosis system, security level of information system, autonomous vehicle and integrated city management system. Until now, the use cases have not found in the domestic mining industry, however, several overseas projects have found that introduce the machine learning technology to the mining industry for improving the productivity and safety of mineral exploration or mine development. In the future, the introduction of the machine learning technology to the mining industry is expected to spread gradually.

주제어

표/그림 (8)

그림 Fig. 1. Comparison of supervised learning, unsupervised learning and reinforcement learning methods (modified from Jung, 2018)
그림 Fig. 2. Relationship between artificial intelligence, machine learning and deep learning (modified from NVIDIA, 2016)
그림 Fig. 3. PACS viewer for supporting medical image analysis (INFINITT, 2018)
그림 Fig. 4. Overview of the ECMiner^TM and ECMinerIMS^TM systems (modified from ECMiner, 2017)
그림 Fig. 5. Smart City System architecture (modified from IFEZ, 2019)
그림 Fig. 6. Real-time monitoring and analysis of construction and mining sites using vision sensors mounted on equipments and artificial intelligence (EQUIPMENTWORLD, 2017)
그림 Fig. 7. Process to apply machine leaning in mineral exploration (Goldspot Discoveries, 2018)
그림 Fig. 8. Ore fragmentation assessment using machine learning – FRAGx (PETRA, 2019)

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 머신러닝 기술의 국내 광업 분야 도입을 위한 기초연구로서 머신러닝 기술이 타 산업 분야에서 어떻게 활용되고 있는지 조사하고, 최근 해외에서 시도되고 있는 광업 분야 머신러닝 프로젝트들을 분석하였다.
본 연구에서는 향후 국내 광업 분야에 머신러닝 기술을 도입할 때 참고할 수 있도록 국내 의료, 제조, 금융, 자동차, 도시 분야와 해외 광업 분야에서 머신러닝 기술이 활용된 사례를 조사/분석하였다. 의료 분야에서는 영상의학과에서 사용하는 PACS 의학영상 정보시스템 개발을 위해 머신러닝 기술을 활용하고 있었다.

제안 방법

ECMiner는 빅데이터를 분석하는 데이터마이닝 소프트웨어인 ECMiner^TM와 실시간 모니터링 및 이상 진단을 위한 시스템인 ECMinerIMS^TM을 개발하였다. ECMinerIMS^TM은 데이터마이닝 기반 지능형 감시 시스템으로 실시간으로 품질을 예측하고, 공정을 감시하여 이상 발생 시 즉시 조치할 수 있도록 한다.
이 데이터는 기존의 관계형 데이터베이스로 수용하기엔 부적합하고, 대량의 로그를 수용하기엔 기술적, 비용적 한계가 있었다. 따라서 이러한 비정형 데이터 분석을 위해서 KT NexR은 NDAP(NexR Data Analytics Platform)을 기반으로 빅데이터 플랫폼을 구축하였다. 이 플랫폼은 효율적인 비용으로 Scale-out 구조의 확장성을 보장하는 Hadoop의 주요 핵심 기능들을 표준화하여 엔터프라이즈 환경에 최적화된 성능을 제공한다.
이 플랫폼은 효율적인 비용으로 Scale-out 구조의 확장성을 보장하는 Hadoop의 주요 핵심 기능들을 표준화하여 엔터프라이즈 환경에 최적화된 성능을 제공한다. 또한, 오픈소스 R과 Hive를 이용하여 차량 결함을 탐지할 수 있는 예측 모형을 개발하였다. 이를 통해 차제 기울기 및 차량의 운행상태를 분석할 수 있고, 결함이 발생하기 전에 리콜 비용을 절감할 수 있다.
Goldspot Discoveries는 머신러닝 기술을 이용하여 광물자원 탐사 대상지 선정을 수행하고 있다. 시추자료, 지화학 탐사자료, 지구물리 탐사자료, 인공위성 사진 등 광체 부존지 추정을 위해 필요한 데이터들을 머신러닝 알고리즘을 이용하여 학습하고, 그 결과에 따라 탐사 대상지를 선정하는 기술을 개발하였다[Fig. 7]. 이 기술은 캐나다 퀘백에 위치한 Abitibi 지역에 적용되었으며, 전체 탐사 데이터의 4%에 해당하는 노두 데이터만으로 금 부존 지역의 86%를 찾을 수 있었다(Emerj, 2019, Goldspot Discoveries, 2018).
신한DS는 빅데이터와 머신러닝 기술을 활용하여 이상 행위 탐지시스템(Fraud Detect System, FDS)을 개발하였다. FDS는 데이터 수집 및 분석, 모니터링·판단, 대응으로 구성된 프로세스를 통하여 이용자 혹은 기업의 금전적 손실, 정보 유출 등의 이상 행위를 탐지하고 차단하기 위한 시스템이다(Lim, 2017).
이 중 인공신경망은 서로 연결된 여러 신경 세포들이 신호를 나누어서 주고받는 신경망 구조와 비슷한 방식으로 동작한다. 정보를 가지고 있는 데이터가 입력층(Input layer)에 입력되면 중간층(Hidden layer)에서 나누어 연산을 수행하며 그 결과를 다시 출력층(Output layer)에서 모아 최종적인 결과를 산출한다. 최근 주목받고 있는 딥러닝은 머신러닝 기술의 하나로서 인공신경망을 심화시킨 알고리즘이다(Jung, 2018).

대상 데이터

7]. 이 기술은 캐나다 퀘백에 위치한 Abitibi 지역에 적용되었으며, 전체 탐사 데이터의 4%에 해당하는 노두 데이터만으로 금 부존 지역의 86%를 찾을 수 있었다(Emerj, 2019, Goldspot Discoveries, 2018).

이론/모형

건설 및 광업 분야 중장비 제조업체인 Komatsu는 NVIDIA와 중장비용 머신러닝 솔루션 개발을 위한 공동 프로젝트를 수행하였다(Forbes, 2017). 이 프로젝트에서는 머신러닝 기술로 광산 현장에서 작업자와 장비를 인식하기 위해 NVIDIA의 Jetson 플랫폼이 사용되었다. 머신러닝 기술을 이용하여 360도를 볼 수 있는 서라운드 카메라를 통해 사람과 중장비를 인식하고 실시간으로 분석할 수 있었다[Fig.

성능/효과

주로 장비를 제조하는 회사와 컴퓨터 관련 회사의 협력 연구가 이루어졌으며, 신규 광상 탐사에 활용되거나 광산 개발의 효율성 및 안전성을 확보하는데 머신러닝 기술이 활용되었다. IBM의 Watson 머신러닝 기술이나 NVIDIA의 Jetson AI 컴퓨팅 플랫폼과 같은 머신러닝 기술은 특정한 목적만을 위해 사용되는 기존의 알고리즘과 달리 다른 분야에서 사용되던 기술이 광산 장비에 적용될 수 있음을 알 수 있었다.
철광석과 석탄을 녹여 쇳물을 만드는 고로의 내부온도는 항상 1500°C에 맞춰져야 하는데, 고로 내부를 보기 위해서는 1200°C의 열풍을 들여보내는 통로인 풍구로 사람이 직접 연소 상태를 확인해야 했다. 그러나 이 시스템을 이용하면서 고로 공정 상태에 대해 조업자의 조업방식을 학습하여 데이터마이닝과 머신러닝 알고리즘을 기반으로 고로 내부온도를 예측할 수 있었다. 또한, 고로의 작업 상황을 가시화하여 사용자가 의사결정을 하는 데 도움을 줄 수 있었다(ECMiner, 2018).
6]. 또한, 중장비에 설치된 센서 데이터와 드론을 통해 얻은 현장의 사진측량 결과를 사용하여 장비의 좌표계를 설정할 수 있었다. 이러한 기술을 현장에 적용하면 비효율적으로 운행되는 장비를 찾거나 장비의 충돌을 방지할 수 있다는 장점이 있다.

후속연구

Goldcorp는 캐나다의 Ontario주에 있는 Red Lake 광산에서 추가적인 금 매장량 확보를 위해 IBM과 공동 프로젝트를 수행하였다(MINING, 2017). Red Lake 광산의 금 매장량은 2020년에 고갈될 것으로 예상되었고, 이 광산을 지속적으로 운영하기 위해서 추가적인 탐사가 필요했다. Goldcorp의 지질학자들은 IBM의 Watson 인공지능 슈퍼컴퓨터로 탐사자료를 해석하여 신규 광체를 발견할 수 있고, 광산 개발 계획의 효율성을 높일 수 있었다.
또한, PETRA는 FRAGx 알고리즘을 이용하여 3D 맵핑 포인트 데이터로 지반 공학 검사를 자동화하는 머신러닝 기술을 개발하고 있다. 이 알고리즘은 3D 맵핑 포인트를 사용하여 어둡고 습기가 많은 지하광산에서도 영향을 받지 않고, 콘크리트 바닥과 숏크리트 벽면을 평가하는 검사에 활용될 수 있다. 이 기술은 전문적인 지질공학 엔지니어만큼 정확하진 않지만, 대규모 영역을 신속하게 검사할 수 있다(Mining Magazine, 2016).
따라서 머신러닝 기술을 광업 분야에 도입할 때도 광산 현장의 요구사항에 부합하는 기술을 개발할 필요가 있을 것이다. 향후 국내의 광업 분야에서 장비의 안전성을 높이고, 효율적인 현장 관리를 위한 머신러닝 기술의 개발이 필요할 것이며, 이를 위한 지속적인 연구가 이루어져야 할 것이다.
국내외에서 자율주행차에 대한 개발과 시장진입을 추진하고 있지만, 완전 자율주행을 위해서는 차량과 이동통신 네트워크 기술을 결합한 차량 플랫폼 기반의 초연결성 서비스가 구축되어야 한다. 향후 이러한 서비스의 실현을 위해서는 자동차로부터 얻은 데이터를 요구사항에 맞게 분석할 필요가 있다(Digital trend, 2017).

질의응답

핵심어	질문	논문에서 추출한 답변
	머신러닝 기술이 활용된 사례에는 어떠한 것들이 있는가?	본 연구에서는 향후 국내 광업 분야에 머신러닝 기술을 도입할 때 참고할 수 있도록 국내 의료, 제조, 금융, 자동차, 도시 분야와 해외 광업 분야에서 머신러닝 기술이 활용된 사례를 조사/분석하였다. 의료 분야에서는 영상의학과에서 사용하는 PACS 의학영상 정보시스템 개발을 위해 머신러닝 기술을 활용하고 있었다. 제조 분야에서는 고로의 내부온도를 유지시키기 위한 실시간 모니터링 및 이상 진단 시스템에 머신러닝 기술이 도입되었으며, 금융 분야에서는 정보시스템의 보안 수준 개선을 위해 머신러닝 기술이 활용되고 있었다. 자동차 분야에서는 자율주행차 개발을 위해 빅데이터를 분석한 사례들이 다수 있었으며, 딥러닝 기술을 활용하는 방안들 또한 검토되고 있었다. 스마트시티 분야에서는 3개의 도시를 통합관리하는 운영시스템을 개발하여 시민들의 삶의 질을 향상할 수 있도록 교통량 분석이나 방범 위치를 확인하는 등에 머신러닝 기술을 활용하였다.
	머신러닝이란 무엇인가?	머신러닝은 컴퓨터가 사용자의 의도에 의해 축적된 데이터로부터 스스로 학습하는 기술이며, 인공지능(Artificial intelligence) 기술의 하나로서 1980년대부터 개발되기 시작했다. 머신러닝에서 사용되는 학습 방법은 크게 지도 학습(Supervised learning), 비지도 학습(Unsupervised leaning), 강화 학습(Reinforcement learning)으로 구분할 수 있다[Fig.
	머신러닝에서 사용되는 학습 방법에는 어떠한 것들이 있는가?	머신러닝은 컴퓨터가 사용자의 의도에 의해 축적된 데이터로부터 스스로 학습하는 기술이며, 인공지능(Artificial intelligence) 기술의 하나로서 1980년대부터 개발되기 시작했다. 머신러닝에서 사용되는 학습 방법은 크게 지도 학습(Supervised learning), 비지도 학습(Unsupervised leaning), 강화 학습(Reinforcement learning)으로 구분할 수 있다[Fig. 1].

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 머신러닝 기술의 광업 분야 도입을 위한 활용사례 분석
Case Analysis for Introduction of Machine Learning Technology to the Mining Industry 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (8)

표/그림 (8)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 머신러닝 기술의 광업 분야 도입을 위한 활용사례 분석 Case Analysis for Introduction of Machine Learning Technology to the Mining Industry 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (8) 모든 표/그림 보기

표/그림 (8) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

이채영 (1) 최요순 (27)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 머신러닝 기술의 광업 분야 도입을 위한 활용사례 분석
Case Analysis for Introduction of Machine Learning Technology to the Mining Industry 원문보기

초록
AI-Helper

표/그림 (8)

표/그림 (8)

AI 본문요약
AI-Helper