Geophysics and Geophysical Exploration ISSN:1229-1064(Print) 2384-051X(Online) 지구물리와 물리탐사

물리검층은 시추공을 통해 지중에 대한 정보를 얻는 과정을 의미한다. 밀도, 공극률, 유체포화도 등과 같은 특성들을 측정하고, 이는 특히 지중에 존재하는 다양한 암상을 식별하고 분류하는데 있어 매우 유용하다. 암상 분류는 저류층 특성화 및 석유나 가스 탐사에 매우 중요한 역할을 한다. 하지만 코어 샘플링 등과 같은 전통적인 분류 방법은 시간과 비용이 많이 소요된다. 본 연구에서는 머신러닝 알고리즘을 활용하여 물리검층 자료로부터 암상을 분류하는 방법을 연구하였다. 이를 위해 자기조직화 지도(Self-Organizing Map, SOM)라는 인공신경망 알고리즘을 적용하였으며, 비지도 학습 방식으로 진행하였다. 다양한 입력 변수를 고려하여 모델을 학습시켰으며, 이를 통해 암상 분류를 예측한 후 사전에 주어진 암상 자료와 비교하여 예측 정확도를 평가하였다. 또한, 하이퍼파라미터의 영향을 최소화하기 위해 앙상블 기법을 활용하여 SOM 100 모델을 구성하였다. 이 방법을 통해 단일 모델이 가지는 불확실성을 줄이고, 보다 신뢰도 높은 암상 분류 결과를 도출하고자 하였다.

전통적인 전파형 역산의 한계를 극복하기 위해 제안된 딥러닝 기반 탄성파 역산 기술들은 인공 합성 자료들을 대상으로 우수한 역산 성능을 입증하였다. 그러나, 송신원 추정 문제를 다루는 딥러닝 기반 탄성파 역산 연구는 거의 찾아볼 수 없다. 특히 현장 탐사 자료의 성공적인 역산을 위해서는 정확한 송신 파형을 사용하는 것이 중요하다. 역산에 사용되는 송신원의 파형이 실제 송신원과 크게 다를 경우 역산 결과가 참 속도 모델에 수렴하지 못하거나 계산 비용이 증가할 수 있다. 따라서, 본 연구는 딥러닝 기반 탄성파 역산에서 송신 파형의 불확실성이 역산 정확도에 미치는 영향을 분석하기 위해 수행하였다. 특히, 훈련 자료에 민감한 지도학습 기반 탄성파 역산에 초점을 맞추었으며, 라플라스 영역에서의 송신원 추정을 전처리 단계로 통합하였다. 시간이나 주파수 영역과 달리 라플라스 영역에서 송신 파형은 진폭 정보만을 가지므로 송신원 추정이 보다 단순하고 계산 효율적이다. 송신원 추정 알고리즘은 기존 라플라스 영역 완전 파형 역산에서 사용하는 것과 동일한 알고리즘을 채택하였으며, 뉴턴법을 이용하여 송신원 매개변수를 반복적으로 갱신하였다. 또한, 라플라스 영역 딥러닝 기반 탄성파 역산을 위한 새로운 심층 신경망을 제안하여 선행 연구와 정량적으로 비교 분석하였다. 제안된 신경망을 이용해 라플라스 영역 역산에서 더욱 효율적이고 우수한 역산 성능을 달성하였으며, 두 가지 벤치마크 모델을 이용한 수치 예제를 통해 송신원 추정의 중요성과 제안된 접근법의 효과성을 입증하였다.

지하 저류층의 불확실성은 층서 기하, 암상 분포, 그리고 공극률 등 다양한 지하 물성으로부터 기인될 수 있다. 최근 탄성파 자료의 용량이 증가함에 따라 기계학습을 기반으로 하는 탄성파 층서 해석 기법들이 연구되고 있다. 해당 연구들은 해석 층서들의 저류층 특성화 과정에서의 적용성에 대한 검증이 부족하다는 한계를 보인다. 이에 본 연구는 기계학습 해석층서, 암상 분포, 그리고 공극률의 불확실성을 종합적으로 평가하는 워크플로우를 제시한다. 해당 워크플로우는 지구통계학적 기법 기반의 3차원 모델 구축, Sequential indicator simulation 기반의 암상 분포 모델링, Gaussian random function simulation 기반의 암석물성 모델링 과정으로 구성되어 있으며, 각 과정의 모델링 결과의 분석을 통해 사용 변수 및 기법의 타당성을 검증하였고 최종 저류층 공극 부피 계산을 통한 불확실성 정량화가 수행되었다.