KR101770507B1 - Method of lithological classification using bi-directional training of hidden Markov mode - Google Patents
Method of lithological classification using bi-directional training of hidden Markov mode Download PDFInfo
- Publication number
- KR101770507B1 KR101770507B1 KR1020160037614A KR20160037614A KR101770507B1 KR 101770507 B1 KR101770507 B1 KR 101770507B1 KR 1020160037614 A KR1020160037614 A KR 1020160037614A KR 20160037614 A KR20160037614 A KR 20160037614A KR 101770507 B1 KR101770507 B1 KR 101770507B1
- Authority
- KR
- South Korea
- Prior art keywords
- probability
- rock phase
- rock
- backward
- calculating
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 title description 2
- 239000011435 rock Substances 0.000 claims abstract description 85
- 230000007704 transition Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000005855 radiation Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 16
- 210000004205 output neuron Anatomy 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 2
- 238000005253 cladding Methods 0.000 claims 1
- 230000008878 coupling Effects 0.000 claims 1
- 238000010168 coupling process Methods 0.000 claims 1
- 238000005859 coupling reaction Methods 0.000 claims 1
- 239000007787 solid Substances 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000006698 induction Effects 0.000 description 6
- 230000002457 bidirectional effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 125000003473 lipid group Chemical group 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G06N3/0472—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
- E21B49/02—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells by mechanically taking samples of the soil
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G01V2001/40—
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Pure & Applied Mathematics (AREA)
- Geology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geochemistry & Mineralogy (AREA)
- Algebra (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Soil Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
Description
본 발명은 양방향 은닉마르코프모델을 이용한 암상 분류 방법에 관한 것으로, 보다 자세하게는 양방향 학습된 은닉마르코프모델 및 인공신경망 기술을 지질학적 암상분류에 적용하여 보다 정확한 암상 예측이 가능한 양방향 은닉마르코프모델을 이용한 암상 분류 방법에 관한 것이다.The present invention relates to a method of classifying an undershoot HMM using a bidirectional HMM. More particularly, the present invention relates to a method of classifying an HMM using a bidirectional HMM and an artificial neural network And a classification method.
지층 내의 암상에 대한 정보를 그 종류와 상태에 따라 분류하기 위한 종래의 방법은 대부분이 소수 지질전문가의 경험적 판단에 의존해 수행되어 왔으며, 결과적으로 정량적인 수치에 근거를 두지 못하여 정성적인 방법으로서의 한계를 보여 왔다.Conventional methods for classifying information on rocks in the strata according to their types and conditions have been largely performed depending on empirical judgment of the hydrogeologists, and as a result, they can not be based on quantitative values, I have shown.
지하 지층의 암석 물리적 특성을 파악하기 위해서는 시추공을 뚫은 후 기기를 시추공에 삽입하여 시추공 내지층의 물리 화학적인 속성을 전자기기로 분석하여 물리검층자료로 형성하는 방법이 있다.In order to understand the physical properties of rocks in underground strata, it is necessary to drill the boreholes and insert them into the boreholes to analyze the physicochemical properties of the boreholes or layers with electronic devices and form them as physical logging data.
시추공의 물리검층 자료 가운데 특히 암석물리학적 특성을 반영하는 속성은 조직, 암석의 광물조성, 퇴적구조, 공극 내의 유체 등에 따라 민감한 정도가 서로 다르게 되며, 따라서 검층자료의 속성조합을 이용하여 검층 구간을 지질학적으로 의미 있는 지층단위로 구별하기 위한 다양한 방법이 제시되었다.Among the physical logging data of the borehole, the properties that reflect the physical properties of the rock are different depending on the texture, the mineral composition of the rock, the sedimentary structure, the fluid in the pore, etc. Therefore, Various methods for distinguishing geologically significant strata units have been proposed.
검층자료를 일정한 속성값의 조합에 따라 구분된 각 지층의 단위를 검층상(Electrofacies)이라 한다. 검층구간의 검층상 분류를 위해 디지털화된 검층자료를 통계적으로 분류하는 방법은 군집분석법과 판별분석법 등으로 나누어진다.The units of each stratum classified according to the combination of certain property values are called the loggeries (Electrofacies). The method of statistical classification of the digitized logging data for the logging classification of the logging section is divided into the cluster analysis method and the discriminant analysis method.
도 1은 종래 기술에 따른 은닉마르코프모델의 그래프 모델을 나타낸다. 도면에 도시된 바와 같이 기계학습을 이용하여 암상을 예측하는 방법이 존재하나, 도 1은 관찰된 지구 물리학적 데이터(Geophysical data)를 바탕으로 암상을 추론하는 것이 목적이며, 한방향 특성만 이용하여 암상을 추론하였기 때문에 비정확하고, 암상의 방향에 따라 특정 시퀀스가 달라지므로 신뢰성 측면에서 문제점이 있다.1 shows a graph model of a hidden Markov model according to the prior art. As shown in the figure, there is a method of predicting a rock phase by using machine learning. However, FIG. 1 aims at inferring a rock phase based on observed geophysical data, Therefore, there is a problem in terms of reliability because a specific sequence changes according to the direction of the rock phase.
본 발명은 상술한 과제를 해결하기 위하여 안출된 것으로, 본 발명의 목적은 양방향 은닉 마르코프 모델(Hidden Markov Model: HMM)과 인공신경망(artificial neural network:ANN)을 이용한 양방향 은닉마르코프모델을 이용한 암상 분류 방법을 제공하는 것이다.SUMMARY OF THE INVENTION The present invention has been made in order to solve the above-mentioned problems, and an object of the present invention is to provide a method and system for classifying a rock-shaped object using a bidirectional Hidden Markov Model (HMM) and an artificial neural network (ANN) Method.
발명의 실시예에 따른 양방향 은닉마르코프모델을 이용한 암상 분류 방법은 방사확률 획득부가 초기확률 및 인공신경망을 통해 방사확률을 획득하는 단계; 추이확률 계산부가 정방향 및 역방향 추이확률을 계산하는 단계; 상기 초기확률, 방사확률 및 추이확률을 통해 암상의 정방향 및 역방향 존재확률을 계산하는 단계; 및 암상 존재확률 계산부가 상기 정방향 및 역방향 존재확률을 통해 암상의 존재확률을 계산하는 단계를 포함한다.According to an embodiment of the present invention, there is provided a method of classifying an image using a bi-directional Hidden Markov model, comprising: obtaining a radiation probability through an initial probability and an artificial neural network; Calculating forward and backward transition probabilities by the transition probability calculation unit; Calculating forward and backward existence probabilities of the rock phase through the initial probability, radiation probability, and transition probability; And a step of calculating a probability of existence of a shadow through the forward and backward presence probabilities.
발명의 실시예에 따른 양방향 은닉마르코프모델을 이용한 암상 분류 방법에 따르면 암상에 대한 물리예측자료를 쉽게 정확하며 신속하게 신뢰성 높은 결과물로 산출할 수 있는 효과가 있다.According to an embodiment of the present invention, it is possible to accurately and quickly calculate the physical prediction data of the rock phase as a reliable result, according to the method of classifying the rock phase using the bi-directional Hidden Markov model.
도 1은 종래 기술에 따른 은닉마르코프모델의 그래프 모델을 나타낸다.
도 2는 지질구조의 일예를 나타내는 도면이다.
도 3은 발명의 실시예에 따른 인공신경망의 구성을 나타낸 도면이다.
도 4는 발명의 실시예에 따른 은닉마르코프모델의 그래프 모델을 나타낸다.
도 5는 발명의 실시예에 따른 양방향 은닉마르코프모델을 이용한 암상 분류 방법을 나타내는 도면이다.1 shows a graph model of a hidden Markov model according to the prior art.
2 is a view showing an example of a geological structure.
3 is a diagram illustrating a configuration of an artificial neural network according to an embodiment of the present invention.
4 shows a graph model of a hidden Markov model according to an embodiment of the present invention.
FIG. 5 is a diagram illustrating a method of classifying an image using an interactive hiding Markov model according to an embodiment of the present invention. Referring to FIG.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.It is noted that the technical terms used in the present invention are used only to describe specific embodiments and are not intended to limit the present invention. In addition, the technical terms used in the present invention should be construed in a sense generally understood by a person having ordinary skill in the art to which the present invention belongs, unless otherwise defined in the present invention, Should not be construed to mean, or be interpreted in an excessively reduced sense. In addition, when a technical term used in the present invention is an erroneous technical term that does not accurately express the concept of the present invention, it should be understood that technical terms can be understood by those skilled in the art. In addition, the general terms used in the present invention should be interpreted according to a predefined or prior context, and should not be construed as being excessively reduced.
또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서, "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들, 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.Furthermore, the singular expressions used in the present invention include plural expressions unless the context clearly dictates otherwise. In the present invention, terms such as "comprising" or "comprising" and the like should not be construed as encompassing various elements or various steps of the invention, Or may further include additional components or steps.
또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.In the following description, well-known functions or constructions are not described in detail since they would obscure the invention in unnecessary detail. It is to be noted that the accompanying drawings are only for the purpose of facilitating understanding of the present invention, and should not be construed as limiting the scope of the present invention with reference to the accompanying drawings.
도 2는 지질구조의 일 예를 나타내는 도면이다. 도 2에 도시된 바와 같이, 깊이가 깊어짐에 따라 분포하는 암상의 종류가 달라짐을 확인할 수 있다. 구체적으로, 표면에서 깊이 10m까지는 5번 암상, 10m 내지 15m 사이에는 4번 암상, 15m 내지 20m 사이에는 3번 암상임을 확인할 수 있다.2 is a view showing an example of a lipid structure. As shown in FIG. 2, it can be seen that the type of the rocks distributed varies as the depth increases. Specifically, it can be confirmed that the rock surface is 5 times from the surface to a depth of 10 m, the rock surface is 4 between 10 m and 15 m, and the cancer is between 3 and 15 m to 20 m.
이러한 지질구조의 측정을 통해, 암상간의 상관관계를 통한 추이확률(transition probability)을 표로 나타내면 하기의 표 1 및 표 2와 같다. 추이 확률은 마르코프 과정(Markov process)인 하나의 상태에서 다른 상태로 옮아가는 확률(transition probability)을 의미하며 아래방향과 윗방향의 보어홀(borehole)로부터의 암상 측정을 통해 얻어진다.Table 1 and Table 2 show the transition probabilities of the correlation between the rock phases through the measurement of the geological structure. The probability of transition is the transition probability from one state to another in the Markov process and is obtained from the borehole measurement from the downward and upward boreholes.
상기의 표는 아래방향을 향한 암상간의 확률 매트릭스를 나타낸다. 구체적으로, 특정한 암상이 존재하는 경우, 상기 특정한 암상의 아래에 존재할 수 있는 암상의 종류를 확률로 나타낸다.The above table shows the probability matrix between the rocks facing downward. Specifically, when a specific rock phase is present, a probability of a rock phase that may exist below the specific rock phase is indicated.
예를 들어, 암상 1이 존재하는 경우, 상기 암상 1의 아래에 위치하는 암상이 암상 1일 확률은 99.67%이고, 상기 암상 1의 아래에 위치하는 암상이 암상 2일 확률은 0.33%이며, 상기 암상 1의 아래에 위치하는 암상이 암상 3 내지 암상 5일 확률은 0%이다.For example, when the
다음으로, 암상 2가 존재하는 경우, 상기 암상 2의 아래에 위치하는 암상이 암상 1일 확률은 13.47%이고, 상기 암상 2의 아래에 위치하는 암상이 암상 2일 확률은 73.18%이며, 상기 암상 2의 아래에 위치하는 암상이 암상 4일 확률은 13.44%이고, 상기 암상 2의 아래에 위치하는 암상이 암상 3 및 암상 5일 확률은 0%이다.Next, when the
이와 같은 방법으로 상기의 표 1을 참조하여 암상 1 내지 암상 5의 분포확률을 구할 수 있다.In this way, the distribution probability of the
상기의 표는 윗방향을 향한 암상간의 확률 매트릭스를 나타낸다. 구체적으로, 특정한 암상이 존재하는 경우, 상기 특정한 암상의 위에 존재할 수 있는 암상의 종류를 확률로 나타낸다.The above table shows the probability matrix between the upper and lower rocks. Specifically, when a specific rock phase is present, a probability of the rock phase that may be present on the rock phase is indicated.
예를 들어, 암상 1이 존재하는 경우, 상기 암상 1의 위에 위치하는 암상이 암상 1일 확률은 85.43%이고, 상기 암상 1의 위에 위치하는 암상이 암상 2일 확률은 14.57%이며, 상기 암상 1의 위에 위치하는 암상이 암상 3 내지 암상 5일 확률은 0%이다.For example, when the
다음으로, 암상 2가 존재하는 경우, 상기 암상 2의 위에 위치하는 암상이 암상 1일 확률은 0.26%이고, 상기 암상 2의 위에 위치하는 암상이 암상 2일 확률은 73.18%이며, 상기 암상 2의 위에 위치하는 암상이 암상 4일 확률은 26.55%이고, 상기 암상 2의 위에 위치하는 암상이 암상 3 및 암상 5일 확률은 0%이다.Next, when the
상기의 표 1 및 표 2에서 알 수 있는 바와 같이, 아래방향의 암상 분포확률과 윗방향의 암상 분포확률은 상이하다. 본 발명의 실시예에서는 양방향 훈련을 통해 암상의 분포확률을 계산한다.As can be seen from the above Tables 1 and 2, the probability of the downward rocking probability distribution differs from that of the downward rocking probability distribution. In the embodiment of the present invention, the distribution probability of the rock phase is calculated through the bidirectional training.
도 3은 발명의 실시예에 따른 인공신경망의 구성을 나타낸 도면이다. 본 발명의 실시예에서 인공신경망은 지구 물리학적 데이터와 암상간의 관계를 확률로 만들기 위해 접목된 기술로써, 이를 통해 지구 물리학적 데이터와 암상간의 확률 분포를 나타내는 확률을 예측하고, 암상과 시그널 사이의 상관성을 확률로 산출한다.3 is a diagram illustrating a configuration of an artificial neural network according to an embodiment of the present invention. In the embodiment of the present invention, the artificial neural network is a technique that is used to make the relationship between the geophysical data and the rock phase probable, and thereby predicts the probability representing the probability distribution between the geophysical data and the rock phase, The correlation is calculated with probability.
도 3에 도시된 바와 같이, 인공신경망에는 입력 데이터를 수용하는 입력층(input layer)과 출력데이터를 만드는 출력층(output layer), 이들 사이에 위치한 은닉층(hidden layer)이 존재하며 각 층은 하나 이상의 노드(node)들로 구성되어 있다. 은닉층의 각 노드들은 입력층과 출력층의 노드들과 연결되어 있으며 각 연결들에는 가중치(weight)가 부여되어 있다.As shown in FIG. 3, the artificial neural network includes an input layer for receiving input data, an output layer for generating output data, and a hidden layer disposed therebetween, And nodes. Each node of the hidden layer is connected to nodes of the input layer and the output layer, and each connection is given a weight.
은닉층과 출력층의 각 노드들은 전단계의 노드들로부터 이러한 연결들을 통해 입력을 받은 뒤 이를 가공하여 출력값을 만드는데 이때 활성화 함수(activation function)라 불리는 함수를 적용한다. 이러한 인공신경망을 실제로 활용하려면 먼저, 다양한 입력값과 그 입력값에 대응하는 출력값을 함께 묶어 놓은 샘플집합을 이용하여 인공신경망을 훈련시키는 과정이 필요하다.Each node of the hidden layer and the output layer receives input from the nodes at the previous stage through these connections, processes it, and generates an output value. At this time, a function called an activation function is applied. In order to actually use such an artificial neural network, it is necessary to train an artificial neural network using a sample set in which various input values and output values corresponding to the input values are grouped together.
본 발명의 실시예에서 인공신경망은 지구 물리학적 데이터가 몇번 리솔로지가되는지에 관한 확률값을 나타내는 방사 확률(emission probability)을 구하기 위해 사용된다.In an embodiment of the present invention, the artificial neural network is used to determine an emission probability that represents a probability value as to how many times the geophysical data is resolved.
방사 확률은 입력자료(지구물리학 데이터)와 리솔로지 자료 간의 상관정도를 나타낸다. 구체적으로, 셰일, 사암, 역암 등 다양한 리솔로지가 존재를 하는데 이들은 각각의 특성들이 상이하므로 각 리솔로지마다 어떤 지구 물리학적 데이터 값들이 다르게 나타나기 때문에 지구 물리학적 데이터 값들이 주어지면 이 값들이 어떤 리솔로지로부터 나왔는지를 추적할 수 있다.Radiation probability indicates the degree of correlation between the input data (geophysical data) and the resolusion data. In particular, there are various solo societies, such as shale, sandstone, and conglomerate, which differ in their characteristics, so that given the geophysical data values, You can track whether it came from a solo.
이와 같이, 지구 물리학적 데이터 값과 리솔로지 간의 상관성을 방사 확률이라고 한다. 예를 들어 특정 지구 물리학적 데이터 값이 주어졌을 때, 이 데이터 값이 리솔로지 1번에 해당될 확률이 70%, 리솔로지 2번에 해당될 확률이 15%, 리솔로지 3번에 해당될 확률이 15%로 각각 계산된 경우, 이 데이터 값은 리솔로지 1번에 매칭된다고 판단할 수 있다.Thus, the correlation between the geophysical data values and the resolutions is called the radiation probability. For example, given a particular geophysical data value, the probability that this data value will correspond to the first solu- tion of solo is 70%, the probability of solving solo solo 2 is 15%, the solo solo 3 If this probability is 15%, it can be judged that this data value is matched to the
인공신경망은 방사 확률을 계산하는 방법으로, 첫번째 레이어는 입력정보(지구 물리학적 데이터)를 받아들이는 뉴런(노드)들로 구성되어 있다. 여기서 바이어스 뉴런(-1)을 제외하고 뉴런이 2개 있는데 이는 입력정보의 차원이 2차원임을 의미한다. 이를 지구 물리학적 데이터를 입력정보로 해서 마지막 출력(out) 레이어에서 리솔로지를 분류해 내는 문제에 적용하여 설명하면 입력 뉴런이 2개이므로 두 가지 종류의 지구 물리학적 데이터가 입력 자료로 이용된다고 볼 수 있다.An artificial neural network is a method of calculating the radiation probability. The first layer consists of neurons (nodes) that accept input information (geophysical data). Here, except for the bias neuron (-1), there are two neurons, which means that the dimension of the input information is two-dimensional. This is applied to the problem of classifying the solo logos in the last out (output) layer using the geophysical data as input information. Since two input neurons are used, two types of geophysical data are used as input data. .
그리고 중간 레이어는 은닉 뉴런으로 구성된 은닉 레이어이다. 은닉 뉴런의 개수는 인공신경망 학습기를 통해 만들어지는 결정경계의 복잡성을 조절한다. 따라서 은닉 뉴런 개수를 늘릴수록 해당 학습기의 결정경계가 고차원의 형태로 출력된다. 이는 설계자가 다양한 테스트 등을 실시하면서 결정하는 사항으로 분류문제에 따라 다르게 설정될 수 있다.The middle layer is a hidden layer composed of hidden neurons. The number of concealed neurons controls the complexity of the crystal boundaries created by artificial neural network learners. Therefore, as the number of hidden neurons increases, the decision boundaries of the learning device are output in a higher dimensional form. This can be set differently depending on the classification problem as the designer decides on various tests and the like.
그리고 마지막 출력 레이어는 최종적으로 어떤 리솔로지로 분류되었는지를 나타내는 레이어이다. 만약 3개의 리솔로지를 분류하는 문제라면 출력 레이어의 뉴런개수는 3개가 될 것이고 첫 번째 뉴런은 리솔로지 1번, 두 번째 뉴런은 리솔로지 2번, 세 번째 뉴런은 리솔로지 3번을 의미한다.And the last output layer is a layer that indicates what sort of final solos are ultimately classified. If the problem is to classify the three resolons, the number of neurons in the output layer will be three, the first neuron is the first soliton, the second neuron is the solos, and the third neuron is the solos. it means.
특정 지구 물리학적 데이터값이 입력되었을 때, 입력된 데이터가 리솔로지 1번과 매칭되는 자료라면 첫 번째 뉴런의 값이 가장 크고 나머지 뉴런은 작은 값들로 연산되어 최종적인 결과를 나타낸다.When a particular geophysical data value is input, if the input data is data that matches
최종 출력 뉴런에서 나오는 값은 하기의 수학식으로 나타낼 수 있다. The value from the final output neuron can be expressed by the following equation.
상기 수학식에서 k는 리솔로지 번호를, wij 및 vjk는 뉴런들의 연결 강도, w0j 및 v0k는 각각 은닉 뉴런과 출력 뉴런으로의 연결 강도를 의미하고, φh 및 φ0는 활성함수, M 및 N은 주어진 인공신경망 네트워크에서의 은닉 뉴런 개수 및 입력되는 지구 물리학적 데이터의 종류 개수를 의미한다.Where wj and vjk are connection strengths of neurons, w0j and v0k are connection strengths to hidden neurons and output neurons, respectively, and < RTI ID = 0.0 & The number of concealed neurons in the artificial neural network and the number of types of geophysical data input.
리솔로지를 3개로 분류하는 경우 k는 1부터 3까지 존재하고, 따라서 세 개의 출력 뉴런은 각각 C1, C2, C3에 해당하며 이에 해당하는 결과값이 하기의 수학식을 통해서 계산된다.When the resolons are classified into three, k exists from 1 to 3, and thus three output neurons correspond to C 1 , C 2 , and C 3 , respectively, and the corresponding result is calculated by the following equation.
도 4는 발명의 실시예에 따른 은닉마르코프모델의 그래프 모델을 나타낸다.4 shows a graph model of a hidden Markov model according to an embodiment of the present invention.
도 4에 도시된 바와 같이, 본 발명의 실시예에 따른 은닉마르코프 모델을 이용하여 관찰된(Observed) 지구 물리학적 데이터(x)로부터 은닉(hidden) 리솔로지(Lithology)의 확률 값을 산출한다.As shown in FIG. 4, a probability value of hidden hidden lithology is calculated from observed geophysical data (x) using a hidden Markov model according to an embodiment of the present invention .
표 1 및 표 2의 순방향(Forward direction) 추이 확률(TH1) 및 역방향(Backward direction) 추이 확률(TH2)을 통해 암석의 존재확률을 나타내면 하기와 같다.The probabilities of presence of rocks through the forward direction transition probability T H1 and the backward direction transition probability T H2 in Tables 1 and 2 are as follows.
상기 수학식에서 yn은 리솔로지와 같은 분류별 숨은 변수(categorical hidden variable)이고, N은 선형 사슬(linear chain)에서 간격의 수를 나타낸다.In the above equation, y n is a categorical hidden variable such as solo, and N represents the number of intervals in a linear chain.
상기 수학식과 같이, xn의 위치에 존재하는 암상의 분포확률(p(yn,x))은 순방향 알고리즘 및 역방향 알고리즘의 곱으로 나타낼 수 있다. 구체적으로, 순방향 유도의 전개(α) 및 역방향 유도의 전개(β)의 곱으로 나타낼 수 있다.The distribution probability p (y n , x) of the rock phase existing at the location of x n can be expressed by the product of the forward algorithm and the backward algorithm, as in the above equation. Specifically, it can be expressed as the product of forward development induction (α) and reverse induction development (β).
순방향 유도의 전개(α)는 방사 확률, 정방향 추이 확률, 초기 확률의 곱으로 나타낼 수 있고, 역방향 유도의 전개(β)는 방사 확률, 역방향 추이 확률, 초기 확률의 곱으로 나타낼 수 있다.The evolution of the forward induction (α) can be expressed as the product of the radiation probability, the forward trend probability and the initial probability, and the evolution of the inverse induction (β) can be expressed as the product of the radiation probability, the reverse trend probability and the initial probability.
이때, 상기 확률들을 이용해서 리솔로지를 추론하기 위해 사용되는 최종적인 알고리즘이 순방향 및 역방향 알고리즘(feed-forward algorithm)이다. yn이 어떤 리솔로지인지를 추론하기 위해서는 x1부터 xn까지의 정보와 xn +1부터 이후의 지구 물리학적 데이터를 따로 이용한다.At this time, the final algorithm used to infer the resolutions using the probabilities is a forward-and-backward algorithm. y n are used separately geophysical data, after which Lee solo acquaintances from information and x n +1 in order to deduce whether from x 1 to x n.
yn을 기준으로 이전 위치에 분포하는 자료들을 이용해서 yn을 추론하는 것이 순방향 알고리즘에 해당되고 이후 위치에 분포하는 자료들을 이용해서 yn을 추론하는 것이 역방향 알고리즘에 해당한다. yn +1이 어떤 리솔로지인지, yn -1이 어떤 리솔리지인지에 따라 yn 리솔로지가 영향을 받기 때문에 이러한 추론과정이 필요하다. 발명의 실시예에 따른 양방향 은닉마르코프모델을 이용한 암상 분류 방법에서는 순방향 및 역방향에 각각 TH1, TH2를 사용한다.y n corresponds to the forward algorithm is to infer the y n using the data distribution for the previous position relative to and to infer y n using the data distribution for the position since the algorithm in reverse. This inference process is needed because y n solos are affected by y n +1 , which is the solos, and y n -1 , which resolves. In the method of classifying an image using a bi-directional Hidden Markov model according to an embodiment of the present invention, T H1 and T H2 are used in the forward direction and the reverse direction, respectively.
상기 알고리즘에서 αn은 αn -1이 어떤 리솔로지로 결정되었는지에 따라 달리 추론되고 βn도 βn +1이 어떤 리솔로지로 결정되었는지에 따라 달리 추론되기 때문에 각 α, β식에 이전 추론과정에서의 α, β식이 포함되어 있는 알고리즘 형태로 표현된다.In this algorithm, α n is inferred differently depending on which resolver α n -1 is determined, and β n is differentially inferred according to which resolver β n +1 is determined. Therefore, It is expressed in the form of an algorithm that includes the α and β expressions in the process.
상기 수학식에 나타난 바와 같이, 정방향으로 암상의 분포확률을 구하는 경우와 역방향으로 암상의 분포확률을 구하는 경우의 추이 확률은 상이하다.As shown in the above equation, the probability of occurrence of the distribution probability of the rock phase in the forward direction is different from that in the case of obtaining the distribution probability of the rock phase in the reverse direction.
상기와 같이 순방향 유도의 전개(α) 및 역방향 유도의 전개(β)의 곱으로, 즉, 포워드 알고리즘과 백워드 알고리즘을 곱하여 최종적으로 지구 물리학적 데이터 x가 입력되었을 때, y 리솔로지가 무엇인지에 대한 확률 값을 최종적으로 나타낸다.As described above, when the geophysical data x is finally input by multiplying the forward induction evolution (?) And the reverse induction evolution (?), That is, the forward algorithm and the backward algorithm, And the probability value for the last time.
도 5는 발명의 실시예에 따른 양방향 은닉마르코프모델을 이용한 암상 분류 방법을 나타내는 도면이다. 도시된 바와 같이, 초기확률(Initial probability) 및 인공신경망을 이용하여 방사확률을 얻는다(S100).FIG. 5 is a diagram illustrating a method of classifying an image using an interactive hiding Markov model according to an embodiment of the present invention. Referring to FIG. As shown, the radiation probability is obtained using the initial probability and the artificial neural network (S100).
초기확률은 지구물리학 데이터가 주어지지 않았을 때 전체 리솔로지 중 특정 리솔로지가 차지하는 비율을 계산하여 얻어진다. 즉, 리솔로지 1번이 나올 확률은 리솔로지를 로깅한 보어홀 자료에서 리솔로지 1번이 분포하고 있는 비율을 계산하여 구할 수 있다. 따라서 리솔로지 1번에 대한 초기 확률은 전체 리솔로지 중 1번이 차지하고 있는 비율을 계산하여 얻어진다.The initial probability is obtained by calculating the percentage of the total solos in the total solos when the geophysical data is not given. In other words, the probability of
다음으로, 정방향 추이확률 및 역방향 추이확률을 얻는다(S200). 정방향 추이확률 및 역방향 추이확률은 암상간의 확률 매트릭스를 통해 얻어질 수 있다.Next, a forward transition probability and a reverse transition probability are obtained (S200). The forward transition probability and the reverse transition probability can be obtained through a probability matrix between the subbands.
다음으로, 초기확률, 방사확률 및 추이확률을 통해 정방향 및 역방향의 암상 존재확률을 계산하고(S300), 정방향 및 역방향 존재확률을 곱하여 암상의 존재확률을 계산한다(S400).Next, the presence probability of the forward direction and the backward direction is calculated (S300) through the initial probability, the radiation probability, and the transition probability (S300), and the presence probability of the rock phase is calculated by multiplying the forward and backward presence probabilities (S400).
상술한 실시예에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시예에 포함되며, 반드시 하나의 실시예에만 한정되는 것은 아니다. 나아가, 각 실시예에서 예시된 특징, 구조, 효과 등은 실시예들이 속하는 분야의 통상의 지식을 가지는 자에 의하여 다른 실시예들에 대해서도 조합 또는 변형되어 실시 가능하다.The features, structures, effects and the like described in the foregoing embodiments are included in at least one embodiment of the present invention and are not necessarily limited to one embodiment. Further, the features, structures, effects, and the like illustrated in the embodiments may be combined or modified in other embodiments by those skilled in the art to which the embodiments belong.
따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다. 또한, 이상에서 실시예들을 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시예들에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부한 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.Therefore, it should be understood that the present invention is not limited to these combinations and modifications. While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is clearly understood that the same is by way of illustration and example only and is not to be construed as limiting the scope of the present invention. It can be seen that various modifications and applications are possible. For example, each component specifically shown in the embodiments may be modified and implemented. It is to be understood that the present invention may be embodied in many other specific forms without departing from the spirit or essential characteristics thereof.
Claims (8)
추이확률 계산부가 정방향 및 역방향 추이확률을 계산하는 단계;
상기 초기확률, 방사확률 및 추이확률을 통해 암상의 정방향 및 역방향 존재확률을 계산하는 단계; 및
암상 존재확률 계산부가 상기 정방향 및 역방향 존재확률을 통해 암상의 존재확률을 계산하는 단계를 포함하는 것을 특징으로 하는 양방향 은닉마르코프모델을 이용한 암상 분류 방법.
Obtaining a radiation probability through an initial probability and an artificial neural network;
Calculating forward and backward transition probabilities by the transition probability calculation unit;
Calculating forward and backward existence probabilities of the rock phase through the initial probability, radiation probability, and transition probability; And
And calculating a probability of presence of a shadow through the forward and backward presence probabilities.
상기 정방향 및 역방향 추이확률은 암상간의 확률 매트릭스를 통해 얻어지는 것을 특징으로 하는 양방향 은닉마르코프모델을 이용한 암상 분류 방법.
The method according to claim 1,
Wherein the forward and backward transition probabilities are obtained through a probability matrix between the cladding phases.
상기 암상의 존재확률을 계산하는 단계는 상기 정방향 및 역방향 존재확률의 곱으로 얻어지는 것을 특징으로 하는 양방향 은닉마르코프모델을 이용한 암상 분류 방법.
The method according to claim 1,
Wherein the step of calculating the probability of presence of the rock phase is obtained as a product of the forward and backward presence probabilities.
상기 정방향 및 역방향 추이확률은 양방향 은닉마르코프모델을 통해 얻어지는 것을 특징으로 하는 양방향 은닉마르코프모델을 이용한 암상 분류 방법.
The method according to claim 1,
Wherein the forward and backward transition probabilities are obtained through a bi-directional Hidden Markov model.
상기 초기확률은 리솔로지를 로깅한 보어홀 자료에서 전체 리솔로지 중 특정 리솔로지가 차지하는 비율을 계산하여 얻어지는 것을 특징으로 하는 양방향 은닉마르코프모델을 이용한 암상 분류 방법.
The method according to claim 1,
Wherein the initial probability is obtained by calculating a ratio of a specific resolone among all resolons in a borehole log which is logarithmically logarithmic.
상기 인공신경망의 출력 뉴런(ck)은 하기의 수학식을 만족하는 것을 특징으로 하는 양방향 은닉마르코프모델을 이용한 암상 분류 방법.
(상기 수학식에서 k는 리솔로지 번호, wij 및 vjk는 뉴런들의 연결 강도, w0j 및 v0k는 각각 은닉 뉴런과 출력 뉴런으로의 연결 강도, φh 및 φ0는 활성함수, M 및 N은 주어진 인공신경망 네트워크에서의 은닉 뉴런 개수 및 입력되는 지구 물리학적 데이터의 종류 개수)
The method according to claim 1,
Wherein the output neuron (c k ) of the artificial neural network satisfies the following equation.
W0j and v0k are the coupling strengths to the hidden neurons and the output neurons, respectively, phi h and phi 0 are the activation functions, M and N are the connection strengths of the given neural network < RTI ID = 0.0 > And the number of types of geophysical data to be input)
상기 암상이 어떤 리솔로지인지를 추론하기 위해서는 상기 암상 이전까지의 지구 물리학적 데이터와 상기 암상 이후의 지구 물리학적 데이터를 따로 이용하는 것을 특징으로 하는 양방향 은닉마르코프모델을 이용한 암상 분류 방법.
The method of claim 3,
Wherein the geophysical data before the rock phase and the geophysical data after the rock phase are separately used in order to infer which rock phase is a rock solid.
상기 암상 이전까지의 지구 물리학적 데이터는 암상의 정방향 존재확률을 계산하고, 상기 암상 이후의 지구 물리학적 데이터는 암상의 역방향 존재확률을 계산하는 것을 특징으로 하는 양방향 은닉마르코프모델을 이용한 암상 분류 방법.
8. The method of claim 7,
Wherein the geophysical data before the rock phase calculates the forward probability of the rock phase and the geophysical data after the rock phase calculates the reverse rock probability of the rock phase.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160037614A KR101770507B1 (en) | 2016-03-29 | 2016-03-29 | Method of lithological classification using bi-directional training of hidden Markov mode |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160037614A KR101770507B1 (en) | 2016-03-29 | 2016-03-29 | Method of lithological classification using bi-directional training of hidden Markov mode |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101770507B1 true KR101770507B1 (en) | 2017-08-23 |
Family
ID=59759211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160037614A KR101770507B1 (en) | 2016-03-29 | 2016-03-29 | Method of lithological classification using bi-directional training of hidden Markov mode |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101770507B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112257745A (en) * | 2020-09-11 | 2021-01-22 | 煤炭科学技术研究院有限公司 | Hidden Markov-based method and device for predicting health degree of underground coal mine system |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101131517B1 (en) | 2010-11-29 | 2012-04-04 | 한국지질자원연구원 | Processing system and method for subsurface information in oil sands reservoir using statistical analysis of well logging data |
| CN105569650A (en) | 2014-11-07 | 2016-05-11 | 中国石油化工股份有限公司 | Interwell sedimentary sequence research method based on Markov chain mathematic model |
-
2016
- 2016-03-29 KR KR1020160037614A patent/KR101770507B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101131517B1 (en) | 2010-11-29 | 2012-04-04 | 한국지질자원연구원 | Processing system and method for subsurface information in oil sands reservoir using statistical analysis of well logging data |
| CN105569650A (en) | 2014-11-07 | 2016-05-11 | 中国石油化工股份有限公司 | Interwell sedimentary sequence research method based on Markov chain mathematic model |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112257745A (en) * | 2020-09-11 | 2021-01-22 | 煤炭科学技术研究院有限公司 | Hidden Markov-based method and device for predicting health degree of underground coal mine system |
| CN112257745B (en) * | 2020-09-11 | 2023-09-12 | 煤炭科学技术研究院有限公司 | Hidden Markov-based coal mine underground system health degree prediction method and device |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Abdulraheem et al. | Prediction of rock mechanical parameters for hydrocarbon reservoirs using different artificial intelligence techniques | |
| Lim | Reservoir properties determination using fuzzy logic and neural networks from well data in offshore Korea | |
| Raeesi et al. | Classification and identification of hydrocarbon reservoir lithofacies and their heterogeneity using seismic attributes, logs data and artificial neural networks | |
| Lee et al. | Electrofacies characterization and permeability predictions in complex reservoirs | |
| GB2577437A (en) | Deep learning based reservoir modeling | |
| Chu et al. | Determination of an infill well placement using a data-driven multi-modal convolutional neural network | |
| AU2005287335A1 (en) | Method for creating facies probability cubes based upon geologic interpretation | |
| Kiaei et al. | 3D modeling of reservoir electrofacies using integration clustering and geostatistic method in central field of Persian Gulf | |
| Ilkhchi et al. | A fuzzy logic approach for estimation of permeability and rock type from conventional well log data: an example from the Kangan reservoir in the Iran Offshore Gas Field | |
| Bize-Forest et al. | Using machine-learning for depositional facies prediction in a complex carbonate reservoir | |
| J Al-Mudhafar | Integrating lithofacies and well logging data into smooth generalized additive model for improved permeability estimation: Zubair formation, South Rumaila oil field | |
| Bagheripour et al. | Fuzzy ruling between core porosity and petrophysical logs: Subtractive clustering vs. genetic algorithm–pattern search | |
| Ouadfeul et al. | Lithofacies classification using the multilayer perceptron and the self-organizing neural networks | |
| Randle et al. | Can uncertainty in geological cross-section interpretations be quantified and predicted? | |
| Liu et al. | An advanced prediction model of shale oil production profile based on source-reservoir assemblages and artificial neural networks | |
| Elkatatny et al. | An artificial intelligent approach to predict static Poisson's ratio | |
| Purba et al. | A new hierarchical method for rock classification using well-log-based rock fabric quantification | |
| KR101770507B1 (en) | Method of lithological classification using bi-directional training of hidden Markov mode | |
| Sfidari et al. | Electrofacies clustering and a hybrid intelligent based method for porosity and permeability prediction in the South Pars Gas Field, Persian Gulf | |
| Bahar et al. | Journey from well logs/cores to integrated geological and petrophysical properties simulation: a methodology and application | |
| Garcia et al. | Enhanced formation evaluation in the Permian basin using a novel field-scale workflow including wells with missing data | |
| Andersen et al. | Method for conditioning the reservoir model on 3D and 4D elastic inversion data applied to a fluvial reservoir in the North Sea | |
| Son et al. | Application of artificial neural network in Geology: Porosity estimation and lithological facies classification | |
| Guo et al. | A new methodology for identification of potential pay zones from well logs: Intelligent system establishment and application in the Eastern Junggar Basin, China | |
| Kakouei et al. | Lithological facies identification in Iranian largest gas field: A comparative study of neural network methods |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |