[논문]머신러닝을 사용한 단층 탐지 기술 연구 동향 분석

배우람; 하완수

doi:10.9719/eeg.2020.53.4.479

머신러닝을 사용한 단층 탐지 기술 연구 동향 분석
Research Trend Analysis for Fault Detection Methods Using Machine Learning 원문보기

자원환경지질 = Economic and environmental geology, v.53 no.4, 2020년, pp.479 - 489

배우람 (부경대학교 에너지자원공학과) , 하완수 (부경대학교 에너지자원공학과)

초록
AI-Helper

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 단층 감지 및 정보 해석이 가능할 것으로 기대된다.

Abstract ▼ AI-Helper

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.

주제어

표/그림 (11)

그림 Fig. 1. The fault detection results using 14 attributes-based (a) Support Vector Machine (SVM) classifier and (b) Multi-Layer Perceptron (MLP) model in the Great south basin data set of New Zealand.
표 Table 1. Results of 10 deep neural network models having different structures
표 Table 2. Results using attribute-based convolutional neural network model (Huang et al., 2017)
그림 Fig. 2. (a) Three slices of synthetic seismic cube data with two planar faults and a conical fault. (b) Prediction result of the trained model (Guo et al., 2018).
그림 Fig. 3. The architecture of the convolutional neural network model using the Local response normalization (Xiong et al., 2018).
그림 Fig. 4. The input point O of convolutional neural network consists of inline, crossline, and time slices (Xiong et al., 2018).
그림 Fig. 5. The architecture of FaultSeg3D model for fault detection in 3D seismic data cubes (Wu et al., 2019a).
그림 Fig. 6. Generation of a 3D synthetic data for FaultSeg3D.
그림 Fig. 7. (a) A 3D view of a subset extracted from the Netherlands offshore F3 block seismic data. Fault detection results using (b) the trained FaultSeg3D, (c) fault likelihood and (d) thinned fault likelihood.
그림 Fig. 8. An architecture of convolutional neural network model for estimating fault orientation in a 2D seismic patch.
그림 Fig. 9. (a) Wu et al. (2018) extracted patches to generate a training dataset. They applied (b) the trained convolutional neural network model, (c) 1-semblance and (d) fault likelihood to estimate fault orientation in given seismic image.

AI 본문요약
AI-Helper

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

문제 정의

또한 합성곱 모델의 결과에 이미지 처리 기술을 적용하여 결과를 향상시키거나, 단층의 위치, 경사와 주향을 함께 해석하는 방법들을 사용할 수 있다. U-Net을 사용한 경우와 단층의 위치뿐만 아니라 다른 정보까지 해석한 연구는 뒤에서 살펴보고, 본 절에서는 독자적인 합성곱 신경망 모델을 사용한 단층 위치 해석 연구에 대해 알아본다.
U-Net 모델의 가장 큰 특징은 수축 단계의 풀링층이 적용되기 전 결과를 반대편 확장 단계의 같은 크기에 연결시켜 확장 단계의 연산에 사용하는 것이다. 본 절에서는 탄성파 자료의 단층 위치 해석에 이미지 처리 분야에서 뛰어난 성능이 증명된 U-Net 모델의 구조를 활용한 연구들을 설명한다. U-Net 모델은 단층 위치해석 문제에 사용하기에 필요 이상으로 구조가 복잡하기 때문에 다음과 같은 연구자들은 계산 효율을 위하여 U-Net 구조를 단순화하여 사용하였다.
탄성파 자료의 단층 위치 해석에서 합성곱 신경망 모델이 보인 우수한 결과를 바탕으로, 여러 연구자가 단층의 위치와 단층의 기타 정보를 함께 해석하는 방법을 제안하였다. 본 절에서는 합성곱 신경망을 사용하여 단층의 위치와 여러 가지 단층의 정보를 함께 해석하는 방법들을 설명한다.
두 방법의 명확한 장단점 때문에, 일부 연구자들은 인공 자료로 훈련된 모델에 전이학습을 적용하여 구성한 모델을 실제 자료로 훈련을 진행하는 방법을 사용한다. 이 논문에서 탄성파 자료의 단층 위치 해석을 위해 다양한 구조의 머신러닝 모델을 사용한 논문들을 조사하고 분석하여, 효과적으로 머신러닝 기술을 적용하는 방법과 가장 적합한 머신러닝 기술을 알아본다.
6) 인공 탄성파 데이터셋을 사용했다. 훈련된두 모델의 성능을 확인하기 위해서, 브라질 캄포스 분지 자료와 뉴질랜드의 오푸나케 지역의 자료로 테스트를 진행했다. 두 방법 모두 유사성과 단층가능성을 사용한 방법보다 더 높은 정확도로 단층의 위치를 해석 했다(Fig.

제안 방법

이때 하나의 모델을 구성하는 은닉층의 뉴런 개수를 일정하게 설정했다. 구성한 모델들을 단층이 존재하는 3차원 인공 자료로 훈련과 테스트를 진행하여 각각의 성능을 비교했다(Table 1). 그 결과, 은닉층 4개와 256개의 뉴런를 사용한 모델의 성능이 가장 높게 나타났다.
서포트벡터머신 분류기는 단층 위치 해석을 위해 경계 검출, 기하학적 특성, 질감 등으로 분류되는 단층과 관련된 14개의 특성을 사용하였다. 다층퍼셉트론 모델은 단층 위치 해석을 위해서 유사도, 주파수, 굴곡도 등 단층과 관련된 22개의 특성을 사용하였다. 구성한 두 모델의 훈련을 위해서, 각각 뉴질랜드 그레이트 사우스 분지 자료와 미국 서부 텍사스의 스트래턴 자료를 사용했다.
두 가지 경우 모두 데이터 증식을 위해 깊이나 시간 축을 기준으로 90°, 180°, 270° 회전을 적용했다.
모델의 훈련을 위해서, 인공 자료로 3차원 탄성파 큐브를 형성하고 여러 점을 선택하여 구성한 데이터셋을 사용하였다. 모델은 데이터셋의 각 점을 기준으로 3개의 단면(종방향, 횡방향, 시간)을 사용하여 각 점들의 단층 유무를 해석하였다. 훈련된 모델의 성능을 확인하기 위해서 뉴질랜드의 그레이트 사우스 분지의 자료를 사용하여 테스트를 진행하였고, 그 결과 높은 정확도로 단층 위치를 해석했다.
심층 신경망 모델은 모델을 구성하는 은닉층 개수와 뉴런 개수에 따라 성능이 달라지기 때문에, 해결하고자 하는 문제에 따라 적합하게 구성한 모델을 사용해야 한다. 본문에서 언급한 심층 신경망 모델은 구조를 쉽게 변경하기 위해서, 한 모델의 모든 은닉층의 뉴런 개수를 동일하게 설정하여 사용했다. 이때 합성곱 신경망의 합성곱층과 유사하게, 심층 신경망의 얕은 은닉층의 저수준 특성이 깊은 은닉층의 고수준 특성에 합쳐질 수 있도록, 은닉층 깊이에 따라 뉴런의 개수를 조정하는 방법을 사용할 수 있을 것이다.
(2014)은 탄성파 자료의 단층 위치 해석 문제를 이진 분류 문제로 간주하여, 서포트벡터머신 분류기와 3개의 은닉층을 가지는 다층퍼셉트론 모델을 구성하고 단층과 관련된 많은 특성을 함께 사용하는 단층 위치 해석 방법을 제안하였다. 서포트벡터머신 분류기는 단층 위치 해석을 위해 경계 검출, 기하학적 특성, 질감 등으로 분류되는 단층과 관련된 14개의 특성을 사용하였다. 다층퍼셉트론 모델은 단층 위치 해석을 위해서 유사도, 주파수, 굴곡도 등 단층과 관련된 22개의 특성을 사용하였다.
세 가지 모델의 훈련을 위해서 뉴질랜드의 그레이트 사우스 분지 자료로 구성한 데이터셋을 사용하였고, 데이터 증식 기술인 수평방향 뒤집기를 적용했다. 세 가지 모델의 성능을 확인하기 위해 실제 자료만 사용하여 훈련을 진행한 모델과 함께 실제 자료로 테스트를 진행하고 결과를 비교했다. 그 결과, 전이학습을 적용한 세 가지 모델이 더 높은 정확도로 단층을 해석했고, 세 가지 방법 중 서포트벡터머신 분류기를 사용한 방법의 정확도가 가장 높게 나타났다.
두 번째와 세 번째는 훈련된 모델을 각각 서포트벡터머신, 다층퍼셉트론과 함께 특성 추출기로 사용하는 전략이다. 세 가지 모델의 훈련을 위해서 뉴질랜드의 그레이트 사우스 분지 자료로 구성한 데이터셋을 사용하였고, 데이터 증식 기술인 수평방향 뒤집기를 적용했다. 세 가지 모델의 성능을 확인하기 위해 실제 자료만 사용하여 훈련을 진행한 모델과 함께 실제 자료로 테스트를 진행하고 결과를 비교했다.
모델의 훈련을 위해서 사우디 아람코에서 제공한 실제 자료로 3차원 탄성파 큐브를 만들고 여러 점을 선택하여 구성한 데이터셋을 사용하였다. 이 모델은 Zhou et al. (2019)의 모델과 유사하게, 각 점을 기준으로 3개의 단면(종방향, 횡방향, 시간) 을 사용(Fig. 4)하여 각 점들의 단층 유무를 해석하였다. 훈련된 모델의 성능을 확인하기 위해 실제 자료를 사용하여 테스트를 진행하였고, 응집성을 사용한 방법보다 높은 정확도로 단층의 위치를 해석할 수 있었다.
(2017)은 합성곱층, 풀링층, 완전연결 층으로 구성된 합성곱 신경망 모델을 구성했다. 이 모델은 단층 가능성, 단층의 경사, 단층의 주향 등을 포함한 단층과 관련된 9개의 특성을 개별적으로 사용하였다(Table 2). 그 결과, 단층 가능성과 단층의 경사를 사용했을 때 정확도가 가장 높았다.
다층퍼셉트론 모델은 입력된 데이터셋으로 은닉층에서 출력을 계산하고 정답과의 오차를 계산한다. 이후 각 은닉층이 오차에 기여한 정도를 측정하여, 오차가 감소하도록 은닉층의 가중치를 갱신하는 방식으로 훈련을 진행한다.
Zhao(2019)는 2개의 합성곱 신경망 모델을 사용하여 3차원 탄성파 이미지에서 단층의 위치, 주향, 경사를 해석하는 방법을 제안하였다. 첫번째 모델로 단층의 위치를 해석하고, 두번째 모델은 해석한 단층의 위치로 단층의 주향과 경사를 해석하였다. 두 모델의 훈련을 위해 습곡과 단층이 존재(Fig.
탄성파 자료의 단층 위치 해석에서 합성곱 신경망 모델이 보인 우수한 결과를 바탕으로, 여러 연구자가 단층의 위치와 단층의 기타 정보를 함께 해석하는 방법을 제안하였다. 본 절에서는 합성곱 신경망을 사용하여 단층의 위치와 여러 가지 단층의 정보를 함께 해석하는 방법들을 설명한다.
두 가지 경우 모두 데이터 증식을 위해 깊이나 시간 축을 기준으로 90°, 180°, 270° 회전을 적용했다. 훈련된 두 가지 모델의 성능을 확인하기 위해서 네덜란드 근해 F3 지역의 자료, 코스타리카 오사반도 자료 등을 사용하여 테스트를 진행하고 FaultSeg3D에 적용한 결과를 단층 가능성과 비교했다(Fig. 7). 그 결과, 두가지 방법 모두 단층 가능성을 사용한 방법보다 잡음이 적었고 더 높은 정확도로 단층의 위치를 해석했다.
Di (2018)는 SpiDat으로 훈련된 SpiNet 모델의 가중치를 초기 가중치로 사용하여 단층 위치 해석을 위한 합성곱 신경망 모델을 구성하고 모델 훈련에 SipDat의 단층 자료를 사용하였다. 훈련된 모델의 성능 확인을 위해서 뉴질랜드의 그레이트 사우스 분지 자료를 사용해 테스트를 진행하고 SpiNet과 결과를 비교했다. 그 결과, SpiNet보다 월등히 높은 정확도로 많은 단층의 위치를 해석하는 것을 확인하였다.
이 모델의 훈련을 위해 실제 자료로 구성한 데이터셋을 사용했다. 훈련된 모델의 성능을 확인하기 위해, 실제 자료로 테스트를 진행 했고, 그 결과 높은 정확도로 단층의 위치를 해석했다.
모델은 데이터셋의 각 점을 기준으로 3개의 단면(종방향, 횡방향, 시간)을 사용하여 각 점들의 단층 유무를 해석하였다. 훈련된 모델의 성능을 확인하기 위해서 뉴질랜드의 그레이트 사우스 분지의 자료를 사용하여 테스트를 진행하였고, 그 결과 높은 정확도로 단층 위치를 해석했다.

대상 데이터

The AUC and IoU show performance of each model. The asterisked case used 10,000 samples for training and 2,000 samples for test. The others used 16,000 samples for training and 4,000 samples for test.
다층퍼셉트론 모델은 단층 위치 해석을 위해서 유사도, 주파수, 굴곡도 등 단층과 관련된 22개의 특성을 사용하였다. 구성한 두 모델의 훈련을 위해서, 각각 뉴질랜드 그레이트 사우스 분지 자료와 미국 서부 텍사스의 스트래턴 자료를 사용했다. 그 결과, 훈련된 두 모델은 사용한 특성을 개별적으로 사용할 때 보다 더 높은 정확도로 단층의 위치를 해석했다.
(2018)과 동일한 구조로 3차원 탄성파 이미지에서 단층의 위치, 주향, 경사를 함께 해석하고, 단층이 없는 클래스를 포함하여 577개의 클래스로 분류하였다. 두 모델의 훈련을 위해 각각 습곡과 단층이 존재하는 2차원과 3차원(Fig. 6) 인공 탄성파 데이터셋을 사용했다. 훈련된두 모델의 성능을 확인하기 위해서, 브라질 캄포스 분지 자료와 뉴질랜드의 오푸나케 지역의 자료로 테스트를 진행했다.
첫번째 모델로 단층의 위치를 해석하고, 두번째 모델은 해석한 단층의 위치로 단층의 주향과 경사를 해석하였다. 두 모델의 훈련을 위해 습곡과 단층이 존재(Fig. 6)하는 인공 탄성파 데이터셋을 사용했고 데이터 증식 기술인 무작위 자르기, 뒤집기 등을 적용했다. 훈련된 모델의 성능을 확인하기 위해 뉴질랜드의 그레이트 사우스 분지 자료와 네덜란드 북해 자료로 테스트를 진행했다.
(2019)은 U-Net 모델을 간소화한 모델을 사용하여 2차원 탄성파 자료의 단층 위치를 해석하는 방법을 제안하였다. 두 모델의 훈련을 위해 실제 자료로 구성한 데이터셋을 사용하였다. Li et al.
이 모델의 모든 풀링층에서 가장 높은 픽셀값에 지역 응답 정규화(Local response normalization)을 적용하였다. 모델의 훈련을 위해서 사우디 아람코에서 제공한 실제 자료로 3차원 탄성파 큐브를 만들고 여러 점을 선택하여 구성한 데이터셋을 사용하였다. 이 모델은 Zhou et al.
(2019)은 합성곱 신경망 모델로 3차원 탄성파 이미지의 단층 위치를 해석하는 방법을 제안하였다. 모델의 훈련을 위해서, 인공 자료로 3차원 탄성파 큐브를 형성하고 여러 점을 선택하여 구성한 데이터셋을 사용하였다. 모델은 데이터셋의 각 점을 기준으로 3개의 단면(종방향, 횡방향, 시간)을 사용하여 각 점들의 단층 유무를 해석하였다.
(2019b)은 FaultSeg3D 모델에 잔차 블록 3개를 추가하여, 3차원 탄성파 이미지의 단층 위치, 평활화된 탄성파 이미지, 법선 벡터를 함께 해석하는 방법을 제안하였다. 이 두 가지 모델의 훈련을 위해서, 습곡과 단층이 존재(Fig. 6)하는 인공 탄성파 데이터셋을 사용 하였다. 두 가지 경우 모두 데이터 증식을 위해 깊이나 시간 축을 기준으로 90°, 180°, 270° 회전을 적용했다.
6)하는 인공 탄성파 데이터셋을 사용했고 데이터 증식 기술인 무작위 자르기, 뒤집기 등을 적용했다. 훈련된 모델의 성능을 확인하기 위해 뉴질랜드의 그레이트 사우스 분지 자료와 네덜란드 북해 자료로 테스트를 진행했다. 그 결과, 응집성을 사용한 방법보다 더 높은 정확도로 단층의 위치를 해석했다.

이론/모형

3) 을 사용하여 3차원 탄성파 이미지의 단층 위치를 해석 하는 방법을 제안하였다. 이 모델의 모든 풀링층에서 가장 높은 픽셀값에 지역 응답 정규화(Local response normalization)을 적용하였다. 모델의 훈련을 위해서 사우디 아람코에서 제공한 실제 자료로 3차원 탄성파 큐브를 만들고 여러 점을 선택하여 구성한 데이터셋을 사용하였다.

성능/효과

훈련된 모델의 성능 확인을 위해서 뉴질랜드의 그레이트 사우스 분지 자료를 사용해 테스트를 진행하고 SpiNet과 결과를 비교했다. 그 결과, SpiNet보다 월등히 높은 정확도로 많은 단층의 위치를 해석하는 것을 확인하였다.
1). 그 결과, 다층퍼셉트론 모델이 더 높은 정확도로 더 많은 단층을 해석했다.
이 모델은 단층 가능성, 단층의 경사, 단층의 주향 등을 포함한 단층과 관련된 9개의 특성을 개별적으로 사용하였다(Table 2). 그 결과, 단층 가능성과 단층의 경사를 사용했을 때 정확도가 가장 높았다.
(2018)은 네덜란드 근해 F3 지역의 자료를 사용하여 테스트를 진행했다. 그 결과, 두 모델 모두 높은 정확도로 단층의 위치를 해석했다. Zhao and Mukhopadhyay (2018)의 모델을 사용한 결과를 응집성을 사용한 결과와 비교했을 때, 잡음이 더 적었고 높은 정확도로 단층의 위치를 해석해낼 수 있었다.
7). 그 결과, 두가지 방법 모두 단층 가능성을 사용한 방법보다 잡음이 적었고 더 높은 정확도로 단층의 위치를 해석했다.
구성한 모델들을 단층이 존재하는 3차원 인공 자료로 훈련과 테스트를 진행하여 각각의 성능을 비교했다(Table 1). 그 결과, 은닉층 4개와 256개의 뉴런를 사용한 모델의 성능이 가장 높게 나타났다.
훈련된 모델의 성능을 확인하기 위해 뉴질랜드의 그레이트 사우스 분지 자료와 네덜란드 북해 자료로 테스트를 진행했다. 그 결과, 응집성을 사용한 방법보다 더 높은 정확도로 단층의 위치를 해석했다.
세 가지 모델의 성능을 확인하기 위해 실제 자료만 사용하여 훈련을 진행한 모델과 함께 실제 자료로 테스트를 진행하고 결과를 비교했다. 그 결과, 전이학습을 적용한 세 가지 모델이 더 높은 정확도로 단층을 해석했고, 세 가지 방법 중 서포트벡터머신 분류기를 사용한 방법의 정확도가 가장 높게 나타났다.
구성한 두 모델의 훈련을 위해서, 각각 뉴질랜드 그레이트 사우스 분지 자료와 미국 서부 텍사스의 스트래턴 자료를 사용했다. 그 결과, 훈련된 두 모델은 사용한 특성을 개별적으로 사용할 때 보다 더 높은 정확도로 단층의 위치를 해석했다. Di et al.
훈련된두 모델의 성능을 확인하기 위해서, 브라질 캄포스 분지 자료와 뉴질랜드의 오푸나케 지역의 자료로 테스트를 진행했다. 두 방법 모두 유사성과 단층가능성을 사용한 방법보다 더 높은 정확도로 단층의 위치를 해석 했다(Fig. 9). Wu et al.
본문에서 언급한 논문들을 분석한 결과, 탄성파 자료에 존재하는 단층의 위치 해석에 가장 적합한 머신 러닝 기술은 합성곱 신경망인 것을 확인했다. 특히 많은 이미지 처리 분야에서 성능이 검증된 U-Net 모델의 구조를 활용한 모델들이 2차원 · 3차원 탄성파 자료 모두에서 뛰어난 성능을 보였다.
특히 많은 이미지 처리 분야에서 성능이 검증된 U-Net 모델의 구조를 활용한 모델들이 2차원 · 3차원 탄성파 자료 모두에서 뛰어난 성능을 보였다. 인공 자료로 구성된 데이터셋으로 훈련을 진행한 합성곱 신경망 모델이 실제 자료에서도 뛰어난 성능을 보일 수 있음을 확인했고, 합성곱 신경망을 사용하여 단층의 위치 이외의 추가 정보도 함께 해석할 수 있음을 확인했다.
4)하여 각 점들의 단층 유무를 해석하였다. 훈련된 모델의 성능을 확인하기 위해 실제 자료를 사용하여 테스트를 진행하였고, 응집성을 사용한 방법보다 높은 정확도로 단층의 위치를 해석할 수 있었다.

후속연구

둘째, 데이터를 어떻게 전처리하고 어떤 형식으로 신경망에 입력할 것인지도 중요한 연구 주제가 될 수 있다. 기존에 영상 분야에서 학습된 신경망을 이용하는 전이학습을 적용하고 효율적인 신경망 구조에 대한 연구를 더하면 단층 위치 및 기타 정보 해석 정확도를 높일 수 있을 것이다. 이를 통해 단층 위치 및 정보 추출을 위한 비용과 시간을 크게 절감할 수 있을 것으로 예상된다.
그러나 구조가 단순한 만큼 빠르게 모델 훈련을 진행할 수 있었다. 따라서 단층 위치 해석에 사용할 수 있는 여러 특성들을 신경망 모델에 적용하기 전에, 비교적 구조가 간단한 서포트벡터머신과 다층퍼셉트론 모델에 적용하여 단층 위치 해석에 가장 적합한 특성 및 특성 조합을 찾을 수 있을 것이다.
후자의 방법을 사용한 모델이 상대적으로 단순한 구조를 가지지만, 아직 같은 데이터셋으로 훈련을 진행하고 결과를 비교한 연구가 없기 때문에 두 방법 중 어떤 방법이 더 뛰어난 성능을 가진다고 단정하기는 어렵다. 앞으로 이러한 주제의 비교 연구도 필요할 것이다.
첫째, 영상 처리 문제에서 뛰어난 성능이 검증된 U-Net 모델의 구조를 활용한 합성곱 신경망 모델을 사용하여 2차원 및 3차원 탄성파 자료에 존재하는 단층의 위치를 해석하는 연구를 진행할 수 있다. 이때 데이터 확보를 위해 탄성파 자료를 이미지로 간주하고 이미지 패딩 및 패치 추출, 크기 조정, 회전 등의 데이터 증식 등의 기술을 적용 하여 탄성파 이미지 데이터셋을 구성할 수 있을 것이다. 둘째, 데이터를 어떻게 전처리하고 어떤 형식으로 신경망에 입력할 것인지도 중요한 연구 주제가 될 수 있다.
본문에서 언급한 심층 신경망 모델은 구조를 쉽게 변경하기 위해서, 한 모델의 모든 은닉층의 뉴런 개수를 동일하게 설정하여 사용했다. 이때 합성곱 신경망의 합성곱층과 유사하게, 심층 신경망의 얕은 은닉층의 저수준 특성이 깊은 은닉층의 고수준 특성에 합쳐질 수 있도록, 은닉층 깊이에 따라 뉴런의 개수를 조정하는 방법을 사용할 수 있을 것이다.
이러한 조사 결과를 바탕으로 도출할 수 있는 향후 연구 방향은 다음과 같다. 첫째, 영상 처리 문제에서 뛰어난 성능이 검증된 U-Net 모델의 구조를 활용한 합성곱 신경망 모델을 사용하여 2차원 및 3차원 탄성파 자료에 존재하는 단층의 위치를 해석하는 연구를 진행할 수 있다. 이때 데이터 확보를 위해 탄성파 자료를 이미지로 간주하고 이미지 패딩 및 패치 추출, 크기 조정, 회전 등의 데이터 증식 등의 기술을 적용 하여 탄성파 이미지 데이터셋을 구성할 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	단층은 어떠한 역할을 할 수 있는 지질구조인가?	근원암에서 형성된 석유 · 가스 등 탄화수소가 이동하는 통로의 역할과 탄화수소를 가두는 덮개암의 역할을 할 수 있는 지질구조인 단층은 탄화수소가 축적된 저류층을 찾기 위한 탄성파 탐사의 주요 대상이다. 탄성파 영상에서 단층은 측면 방향 불연속성이 나타나기 때문에 일반적으로 단층의 위치 해석을 위해 유사성 (Marfurt et al.
	어떠한 특징을 바탕으로 다양한 분야에서 머신러닝 기술들이 활용되고 있는가?	서포트 벡터머신은 선형 혹은 비선형 분류와 회귀, 다층퍼셉트론과 심층 신경망은 복잡한 비선형 분류와 회귀, 합성곱 신경망은 이미지 처리 분야에서 뛰어난 성능을 보이고 있다. 한번 훈련을 진행한 머신러닝 모델은 재사용이 가능하기 때문에 장기적으로 시간과 계산 비용을 절약할 수 있다. 또한 훈련된 모델 구조의 일부 또는 전체를 유사한 문제를 해결하기 위한 머신러닝 모델의 구조로 사용하는 전이학습을 통해 훈련에 필요한 시간과 계산 비용을 절약할 수 있다. 이러한 특징을 바탕으로, 많은 연구자가 다양한 분야에서 머신러닝 기술들을 활용하고 있다(Géron, 2017).
	탄성파 자료의 측면 방향 불연속성을 활용하는 단층 감지 방법은 어떠한 문제가 있는가?	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.

참고문헌 (42)

Aqrawi, A.A. and Boe, T.H. (2011). Improved fault segmentation using a dip guided and modified 3D Sobel filter. In SEG Technical Program Expanded Abstracts 2011 (pp. 999-1003). Society of Exploration Geophysicists.
Araya-Polo, M., Dahlke, T., Frogner, C., Zhang, C., Poggio, T. and Hohl, D. (2017). Automated fault detection without seismic processing. The Leading Edge, v.36(3), p.208-214.

상세보기
Chang, D.K., Yang, W.Y., Yong, X.S., Li, H.S., Wang, Y.H. and Chen, D.W. (2019, December). Semantic segmentation network for 3D seismic fault system detection. In SEG 2019 Workshop: Fractured Reservoir & Unconventional Resources Forum: Prospects and Challenges in the Era of Big Data, Lanzhou, China, 1-3 September 2019 (pp. 113-116). Society of Exploration Geophysicists.
Chang, D., Yang, W., Yong, X. and Yang, Q. (2018, December). Seismic fault detection using deep learning technology. In International Geophysical Conference, Beijing, China, 24-27 April 2018 (pp. 1770-1773). Society of Exploration Geophysicists and Chinese Petroleum Society.
Choi, Y., Seol, S.J., Byun, J. and Kim, Y. (2019). Vertical resolution enhancement of seismic data with convolutional U-net. In SEG Technical Program Expanded Abstracts 2019 (pp. 2388-2392). Society of Exploration Geophysicists.
Cunha, A., Pochet, A., Lopes, H. and Gattass, M. (2020). Seismic fault detection in real data using transfer learning from a convolutional neural network pretrained with synthetic seismic data. Computers and Geosciences, .135, 104344.

상세보기
Di, H. (2018). Developing a seismic pattern interpretation network (SpiNet) for automated seismic interpretation. arXiv preprint arXiv:1810.08517.
Di, H., Shafiq, M.A. and AlRegib, G. (2017). Seismic-fault detection based on multiattribute support vector machine analysis. In SEG Technical Program Expanded Abstracts 2017 (pp. 2039-2044). Society of Exploration Geophysicists.
Di, H., Shafiq, M.A., Wang, Z. and AlRegib, G. (2019). Improving seismic fault detection by super-attributebased classification. Interpretation, v.7(3), SE251-SE267.

상세보기
Fehler, M. and Larner, K. (2008). SEG advanced modeling (SEAM): Phase I first year update. The Leading Edge, v.27(8), p.1006-1007.

상세보기
Geron, A. (2017). Hands-On Machine Learning with Scikit-Learn and TensorFlow. O'Reilly Media, California, United States
Gersztenkorn, A. and Marfurt, K.J. (1999). Eigenstructurebased coherence computations as an aid to 3-D structural and stratigraphic mapping. Geophysics, v.64(5), p.1468-1479.

상세보기
Guo, B., Liu, L. and Luo, Y. (2018, December). Automatic seismic fault detection with convolutional neural network. In International Geophysical Conference, Beijing, China, 24-27 April 2018 (pp. 1786-1789). Society of Exploration Geophysicists and Chinese Petroleum Society.
Hale, D. (2009). Structure-oriented smoothing and semblance. CWP report, 635(635).
Hale, D. (2013). Methods to compute fault images, extract fault surfaces, and estimate fault throws from 3D seismic images. Geophysics, v.78(2), O33-O43.

상세보기
Huang, L., Dong, X. and Clee, T.E. (2017). A scalable deep learning platform for identifying geologic features from seismic attributes. The Leading Edge, v.36(3), p.249-256.

상세보기
Hwang, H.S., Lee, S.K., Lee, T.S. and Sung, N.H. (2000). Minimisation Technique for Seismic Noise Using a Neural Network. Geophysics and Geophysical Exploration, v.3(3), p.83-87.
Karimi, P., Fomel, S., Wood, L. and Dunlap, D. (2015). Predictive coherence: Interpretation, 3. SAE1-SAE7, http://dx. doi. org/10.1190/INT-2015-0030.1.
Kim, T.Y. and Yoon, W.J. (1999). Seismic Traveltime Tomography using Neural Network. Geophysics and Geophysical Exploration, v.2(4), p.167-173.
Lee, H. and Shin, C.H. (2019a). Investigation of Advanced Seismic Interpretation Using Machine Learning Technology. Proceedings of Fall Meeting, The Korean Institute of Gas, p.126-126.
Lee, H. and Shin, C.H. (2019b). Investigation of Quality Improvement Techniques of Seismic Data Using Machine Learning Technology. Proceedings of Fall Meeting, The Korean Institute of Gas, p.124-124.
Lee, H., Mo, C.H., Park S.S. and Shin, C.H. (2018). Methods to Improve the Quality of Seismic Data Using Machine Learning Techniques. Proceedings of Fall Meeting, The Korean Institute of Gas, p.151-151.
Li, F. and Lu, W. (2014). Coherence attribute at different spectral scales. Interpretation, v.2(1), SA99-SA106.

상세보기
Li, S., Yang, C., Sun, H. and Zhang, H. (2019). Seismic fault detection using an encoder-decoder convolutional neural network with a small training set. Journal of Geophysics and Engineering, v.16(1), p.175-189.

상세보기
Marfurt, K.J., Kirlin, R.L., Farmer, S.L. and Bahorich, M.S. (1998). 3-D seismic attributes using a semblancebased coherency algorithm. Geophysics, v.63(4), p.1150-1165.

상세보기
Marfurt, K.J., Sudhaker, V., Gersztenkorn, A., Crawford, K.D. and Nissen, S.E. (1999). Coherency calculations in the presence of structural dip. Geophysics, v.64(1), p.104-111.

상세보기
Park, J., Yoon, D., Seol, S.J. and Byun, J. (2019). Reconstruction of seismic field data with convolutional UNet considering the optimal training input data. In SEG Technical Program Expanded Abstracts 2019 (pp. 4650-4654). Society of Exploration Geophysicists.
Pochet, A., Diniz, P.H., Lopes, H. and Gattass, M. (2018). Seismic fault detection using convolutional neural networks trained on synthetic poststacked amplitude maps. IEEE Geoscience and Remote Sensing Letters, v.16(3), p.352-356.
Randen, T., Pedersen, S.I. and Sonneland, L. (2001). Automatic extraction of fault surfaces from threedimensional seismic data. In SEG Technical Program Expanded Abstracts 2001 (pp. 551-554). Society of Exploration Geophysicists.
Ronneberger, O., Fischer, P. and Brox, T. (2015, October). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention (pp. 234-241). Springer, Cham.
Van Bemmel, P.P. and Pepper, R.E. (2000). Seismic signal processing method and apparatus for generating a cube of variance values., U.S. Patent No. 6,151,555.
Wu, X. (2017). Directional structure-tensor-based coherence to detect seismic faults and channels. Geophysics, v.82(2), p.A13-A17.

상세보기
Wu, X. and Hale, D. (2016). 3D seismic image processing for faults. Geophysics, v.81(2), IM1-IM11.

상세보기
Wu, X., Liang, L., Shi, Y. and Fomel, S. (2019a). FaultSeg3D: Using synthetic data sets to train an end-to-end convolutional neural network for 3D seismic fault segmentation. Geophysics, v.84(3), IM35-IM45.

상세보기
Wu, X., Liang, L., Shi, Y., Geng, Z. and Fomel, S. (2019b). Multitask learning for local seismic image processing: fault detection, structure-oriented smoothing with edge-preserving, and seismic normal estimation by using a single convolutional neural network. Geophysical Journal International, v.219(3), p.2097-2109.

상세보기
Wu, X., Shi, Y., Fomel, S. and Liang, L. (2018). Convolutional neural networks for fault interpretation in seismic images. In SEG Technical Program Expanded Abstracts 2018 (pp. 1946-1950). Society of Exploration Geophysicists.
Wu, X., Shi, Y., Fomel, S., Liang, L., Zhang, Q. and Yusifov, A.Z. (2019c). FaultNet3D: predicting fault probabilities, strikes, and dips with a single convolutional neural network. IEEE Transactions on Geoscience and Remote Sensing, v.57(11), p.9138-9155.

상세보기
Xiong, W., Ji, X., Ma, Y., Wang, Y., AlBinHassan, N.M., Ali, M.N. and Luo, Y. (2018). Seismic fault detection with convolutional neural network. Geophysics, v.83(5), O97-O103.

상세보기
Zhao, T. (2019). 3D convolutional neural networks for efficient fault detection and orientation estimation. In SEG Technical Program Expanded Abstracts 2019 (pp. 2418-2422). Society of Exploration Geophysicists.
Zhao, T. and Mukhopadhyay, P. (2018). A fault detection workflow using deep learning and image processing. In SEG Technical Program Expanded Abstracts 2018 (pp. 1966-1970). Society of Exploration Geophysicists.
Zheng, Z.H., Kavousi, P. and Di, H.B. (2014). Multiattributes and neural network-based fault detection in 3D seismic interpretation. In Advanced Materials Research (Vol. 838, pp. 1497-1502). Trans Tech Publications Ltd.
Zhou, R., Cai, Y., Yu, F. and Hu, G. (2019). Seismic fault detection with iterative deep learning. In SEG Technical Program Expanded Abstracts 2019 (pp. 2503-2507). Society of Exploration Geophysicists.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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