KR102296783B1 - 지층 분류 데이터 생성 방법 및 그 장치 - Google Patents

Abstract

지층 분류 데이터 생성 방법 및 그 장치가 제공 된다. 본 발명의 일 실시예에 따른 지층 분류 데이터 생성 방법은 지층 구조와 관련된 적어도 하나의 로그 데이터를 획득하는 단계, 상기 로그 데이터를 비지도 학습을 수행하는 신경망에 입력하여 지층별 군집화 데이터를 획득하는 단계 및 상기 지층별 군집화 데이터를 이용하여 상기 로그 데이터와 대응되는 지층 분류 데이터를 생성하는 단계를 포함한다.

Description

지층 분류 데이터 생성 방법 및 그 장치{ METHOD AND APPARATUS FOR GENERATING GEOLOGICAL CLASSIFICATION DATA }

본 발명은 지층 분류 데이터를 생성하는 방법 및 그 장치에 관한 것이다. 보다 자세하게는, 유정 로그 데이터를 이용하여 인공 신경망을 통해 지층 분류를 수행하는 방법 및 그 장치에 관한 것이다.

유정으로 통해 획득한 로그 데이터를 이용하여 지층을 분석 및 추정하기 위하여는 주변 유정 코어 분석을 통해 획득한 지층 정보를 이용하여야 하나, 유정 코어 분석은 과도한 시간 및 비용이 소요된다는 문제가 존재한다. 이에 따라 신경망을 통해 유정 로그 데이터를 이용해 지층을 분류하는 기술 개발이 수행되고 있으나, 지층 분류를 수행하는 신경망의 학습을 위해 유정 로그 데이터에 대한 라벨링 및/또는 태깅 작업이 필요하다는 한계가 존재한다.

전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

본 발명의 실시예들은 유정 로그 데이터에 대한 라벨링을 수행하지 않고 신경망을 이용하여 지층을 추정하고 분류하는 방법 및 그 장치를 제공한다.

본 발명의 일 실시예에 따른 지층 분류 데이터 생성 방법에 있어서, 지층 구조와 관련된 적어도 하나의 로그 데이터를 획득하는 단계, 상기 로그 데이터를 비지도 학습을 수행하는 신경망에 입력하여 지층별 군집화 데이터를 획득하는 단계 및 상기 지층별 군집화 데이터를 이용하여 상기 로그 데이터와 대응되는 지층 분류 데이터를 생성하는 단계를 포함할 수 있다.

일 실시예에서 상기 지층별 군집화 데이터를 획득하는 단계는, 상기 군집화 데이터와 관련된 하나 이상의 파라미터 값을 획득하는 단계 및 상기 하나 이상의 파라미터 값을 기초로 상기 신경망으로부터 상기 지층별 군집화 데이터를 획득하는 단계를 포함할 수 있다.

일 실시예에서 상기 하나 이상의 파라미터는, 군집의 개수, 이폭(epoch), 앙상블 방식에 이용되는 신경망의 개수, 신경망의 복잡성, 군집화 정도 및 데이터 확산 정도 중 적어도 하나와 관련된 파라미터일 수 있다.

일 실시예에서 상기 로그 데이터와 상기 지층별 군집화 데이터간 상관 관계와 관련된 레이어 및 정규화 레이어를 포함할 수 있다.

일 실시예에서 상기 지층 분류 데이터를 생성하는 단계는, 상기 지층별 군집화 데이터의 오차 허용률을 획득하는 단계 및 상기 오차 허용률을 기초로 상기 로그 데이터와 대응되는 지층 분류 데이터를 생성하는 단계를 포함할 수 있다.

본 발명의 다른 실시예에 따른 지층 분류 데이터 생성 장치는 프로세서를 포함하고, 상기 프로세서는, 유정의 지층 구조와 관련된 적어도 하나의 로그 데이터를 획득하고, 상기 로그 데이터를 비지도 학습을 수행하는 신경망에 입력하여 지층별 군집화 데이터를 획득하고, 상기 지층별 군집화 데이터를 이용하여 상기 로그 데이터와 대응되는 지층 분류 데이터를 생성할 수 있다.

전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.

도 1은 본 발명의 일 실시예에 따른 지층 분류 데이터 생성 방법을 수행하는 지층 분류 데이터 생성 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 지층 분류 데이터 생성 장치의 하드웨어 구성 및 동작을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 지층 분류 데이터 생성 방법의 순서도이다.
도 4는 본 발명의 일 실시예에 따라 인공 신경망을 이용하여 지층별 군집화 데이터를 생성 방법을 설명하기 위한 도면이다.
도 5 및 도 6은 본 발명의 일 실시예에 따라 지층별 군집화를 수행하는 신경망의 입력값을 설명하기 위한 도면이다.
도 7 및 도 8은 본 발명의 일 실시예에 따른 지층별 군집화 데이터의 일 예시를 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 지층 분류 데이터를 표시하는 GUI의 일 예시를 설명하기 위한 예시도이다.
도 10은 본 발명의 일 실시예에 따른 지층 분류 데이터를 설명하기 위한 도면이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.

본 발명에서 개시하는 인공 지능(artificial intelligence, AI)은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미할 수 있고, 기계 학습(machine learning)은 인공지능 기술의 한 분야로서 컴퓨팅 장치가 데이터를 통해 학습하여 특정 대상 혹은 조건을 이해할 수 있게 하거나 데이터의 패턴을 찾아내 분류하는 기술적 방식으로써 컴퓨터가 데이터를 분석할 수 있게 하는 알고리즘일 수 있다. 본 발명에서 개시하는 기계 학습은 인공지능 모델을 학습하기 위한 동작 방법을 포함하는 의미로서 이해될 수 있다.

이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 지층 분류 데이터 생성 방법을 수행하는 지층 분류 데이터 생성 시스템을 설명하기 위한 도면이다.

본 발명의 몇몇 실시예에 따른 지층 분류 데이터 생성 장치(100)는 지하 지질 구조(10)와 관련된 로그 데이터(20)를 이용하여 지층 분류 데이터(30)를 생성할 수 있다. 일 실시예에서 지하 지질 구조와 관련된 로그 데이터는 유정(Oil Well)에서 획득한 데이터일 수 있다. 본 실시예에 따른 지층 분류 데이터 생성 장치(100)는 유정의 지층 구조와 관련된 적어도 하나의 로그 데이터를 신경망(200)에 입력하여 유사한 특성을 갖는 구간에 대한 군집화 데이터를 생성할 수 있고, 지층 분류를 수행하여 로그 데이터를 기초로 각 구간에 대한 지층 분류 데이터를 생성할 수 있다. 일 실시예에 따른 지층 분류 데이터 생성 장치(100)는 비지도 학습을 수행하는 신경망을 이용하여 지층별 군집화 데이터를 생성할 수 있다. 즉 본 실시예에 따른 지층 분류 데이터 생성 장치(100)에 저장된 신경망(200)은 비지도 학습을 수행함으로써 획득된 로그 데이터에 대한 라벨링 및/또는 태깅을 수행하기 위한 별도의 전처리 수행을 최소화 할 수 있다.

또한 일 실시예에 따른 지층 분류 데이터 생성 장치(100)는 군집화 정도와 관련된 하나 이상의 파라미터를 이용하여 지층별 군집화 데이터를 추정할 수 있다. 또한 지층 분류 데이터 생성 장치(100)는 지층별 군집화 데이터를 이용하여 상술한 로그 데이터와 대응되는 지층 분류 데이터를 생성할 수 있다. 예를 들어 상기 로그 데이터가 깊이 별 지질 구조와 관련된 경우, 지층 분류 데이터 생성 장치(100)는 깊이 별 지층 정보를 포함하는 지층 분류 데이터를 생성할 수 있다.

이하 도 2를 참조하여 지층 분류 데이터 생성 장치의 하드웨어 구성에 대하여 상세히 설명한다.

일 실시예에서 지층 분류 데이터 생성 장치(100)는 메모리(110), 입출력 인터페이스(120), 프로세서(130) 및 통신 모듈(140)을 포함할 수 있다. 메모리(110)는 컴퓨터에서 판독 가능한 기록 매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 또한, 메모리(110)에는 지층 분류 데이터 생성 장치(100)를 제어하기 위한 프로그램 코드 및 설정, 로그 데이터, 지층별 군집화 데이터 및 지층 분류 데이터가 일시적 또는 영구적으로 저장될 수 있다.

프로세서(130)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(110) 또는 통신 모듈(140)에 의해 프로세서(130)로 제공될 수 있다. 예를 들어 프로세서(130)는 메모리(110)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다. 일 실시예에 따른 지층 분류 데이터 생성 장치(100)의 프로세서(130)는 유정의 지층 구조와 관련된 적어도 하나의 로그 데이터를 획득하고, 상기 로그 데이터를 비지도 학습을 수행하는 신경망에 입력하여 지층별 군집화 데이터를 획득하고, 상기 지층별 군집화 데이터를 이용하여 상기 로그 데이터와 대응되는 지층 분류 데이터를 생성할 수 있다.

통신 모듈(140)은 네트워크를 통해 외부 장치와 통신하기 위한 기능을 제공할 수 있다. 일례로, 지층 분류 데이터 생성 장치(100)의 프로세서(130)가 메모리(110)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이 통신 모듈(140)의 제어에 따라 네트워크를 통해 외부 장치로 전달될 수 있다. 역으로, 외부 장치의 프로세서의 제어에 따라 제공되는 제어 신호나 명령, 컨텐츠, 파일 등이 네트워크를 거쳐 통신 모듈(140)을 통해 지층 분류 데이터 생성 장치(100)로 수신될 수 있다. 예를 들어 통신 모듈(140)을 통해 수신된 외부 장치의 제어 신호나 명령 등은 프로세서(130)나 메모리(110)로 전달될 수 있고, 컨텐츠나 파일 등은 지층 분류 데이터 생성 장치(100)가 더 포함할 수 있는 저장 매체로 저장될 수 있다.

또한, 통신 모듈(140)은 외부 장치와 네트워크를 통해 통신할 수 있다. 통신 방식은 제한되지 않지만, 네트워크는 근거리 무선통신망일 수 있다. 예를 들어, 네트워크는 블루투스(Bluetooth), BLE(Bluetooth Low Energy), Wifi 통신망일 수 있다.

입출력 인터페이스(120)는 사용자의 입력을 수신하고, 출력 데이터를 디스플레이 할 수 있다. 일 실시예에 따른 입출력 인터페이스(120)는 사용자로부터 가상 블록의 크기에 대한 정보를 입력 받을 수 있고, 디스플레이에 가상 블록을 오버레이(overlay) 하여 표시할 수 있다.

또한, 다른 실시예들에서 지층 분류 데이터 생성 장치(100)는 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 지층 분류 데이터 생성 장치(100)는 지층 분류 데이터 생성 장치의 내부 구성요소들에 전력을 공급하는 배터리 및 충전 장치를 포함할 수 있고, 상술한 입출력 장치 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), GPS(Global Positioning System) 모듈, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.

도 3은 본 발명의 일 실시예에 따른 지층 분류 데이터 생성 방법의 순서도이다.

단계 S110에서 지층 분류 데이터 생성 장치는 유정과 관련된 적어도 하나의 로그 데이터를 획득할 수 있다. 일 실시예에서 상술한 로그 데이터는 유정에서 측정된 로그 데이터를 포함할 수 있고, 유정의 지층 구조와 관련된 로그 데이터를 포함할 수도 있으며, 유정을 통해 측정된 로그 데이터와 동일 또는 유사한 종류의 로그 데이터를 포함할 수도 있다. 예를 들어 상술한 로그 데이터는 감마선, 음파, 중성자, 밀도 및 저항 중 적어도 하나와 관련된 로그 데이터를 포함할 수 있다.

단계 S120에서 지층 분류 데이터 생성 장치는 로그 데이터를 비지도 학습을 수행하는 신경망에 입력할 수 있다. 본 발명의 몇몇 실시예에 따른 지층 분류 데이터 생성 장치는 라벨 정보를 포함하지 않는 로그 데이터를 신경망에 입력할 수 있다. 이를 통해 로그 데이터에 라벨링을 수행하기 위한 별도의 전처리 동작의 수행을 최소화 할 수 있다. 또한, 이 경우 신경망은 비지도 학습을 수행할 수 있다.

단계 S130에서 지층 분류 데이터 생성 장치는 신경망으로부터 지층별 군집화 데이터를 획득할 수 있다. 일 실시예에서 상술한 신경망은 로그 데이터와 지층별 군집화 데이터간 상관 관계와 관련된 레이어 및 신경망의 정규화를 수행하는 레이어를 포함할 수 있다. 또한 신경망 모델은 앙상블 방식을 통해 정해질 수 있다. 예를 들어 신경망은 심층 신경망 클러스터링 알고리즘을 이용하여 지층별 군집화 데이터를 생성할 수 있다. 다만, 이는 신경망 구조의 일 예시일 뿐 본 발명의 몇몇 실시예에 따라 지층별 군집화 데이터를 생성하는 신경망 모델의 구조 및 동작이 이에 한정되는 것은 아님에 유의한다. 다른 실시예에서 지층 분류 데이터 생성 장치는 상기 군집화 데이터와 관련된 하나 이상의 파라미터 값을 획득할 수 있고, 획득한 파라미터 값을 기초로 지층별 군집화 데이터를 획득할 수 있다. 예를 들어 상술한 파라미터는 군집의 개수, 이폭(epoch), 앙상블 방식에 이용되는 신경망의 개수, 신경망의 복잡성, 군집화 정도 및 데이터 확산 정도 중 적어도 하나와 관련된 파라미터일 수 있다. 보다 상세한 설명은 도 6에서 후술한다.

단계 S140에서 지층 분류 데이터 생성 장치는 지층별 군집화 데이터를 이용하여 로그 데이터와 대응되는 지층 분류 데이터를 생성할 수 있다. 일 실시예에서 지층 분류 데이터의 데이터 포맷은 상기 획득한 로그 데이터의 데이터 포맷과 유사할 수 있다. 예를 들어 로그 데이터가 깊이 별 감마선 로그 데이터를 포함하는 경우. 지층 분류 데이터는 깊이 별로 분류된 지층 정보를 포함할 수 있다. 다른 실시예에서 지층 분류 데이터 생성 장치는 군집화 데이터의 오차 허용률 정보를 더 획득할 수 있다. 본 실시예에서 지층 분류 데이터 생성 장치는 상술한 오차 혀용률을 기초로 지층 분류 데이터를 생성할 수 있다. 상술한 오차 허용률에 따라 근접한 지층간 경계를 표시하는 마커의 생성 정도가 정해질 수 있다. 예를 들어 오차 허용률이 작을수록 마커의 개수가 많고, 마커간 간격이 작을 수 있다. 반대로 오차 허용률이 클수록 마커의 개수가 작고, 마커간 간격이 넓을 수 있다. 보다 상세한 설명은 도 9 내지 도 10에서 후술한다.

도 4는 본 발명의 일 실시예에 따라 인공 신경망을 이용하여 지층별 군집화 데이터를 생성 방법을 설명하기 위한 도면이다.

일 실시예에 따른 지층 분류 데이터 생성 장치는 유정의 지층 구조와 관련된 적어도 하나의 로그 데이터(210)를 신경망(200)에 입력하여 유사한 특징을 갖는 로그 데이터끼리 클러스터링을 수행하여 군집화 데이터(220)를 획득할 수 있다. 이후 지층 분류 데이터 생성 장치는 상술한 군집화 데이터(220)를 이용하여 로그 데이터(210)와 대응되는 지층 분류 데이터(230)를 생성할 수 있다.

일 실시예에서 지층별 군집화 데이터를 생성하는 신경망(200)은 입력된 하나 이상의 로그 데이터간 유사성을 기초로 클러스터링을 수행할 수 있다. 본 발명의 몇몇 실시예에 따른 신경망(200)은 비지도 학습을 수행하므로 클러스터링을 수행하더라도 로그 데이터의 라벨 정보는 고려하지 않는다. 일 실시예에서 신경망은 심층 신경망 기반의 클러스터링 알고리즘을 이용할 수 있다. 예를 들어 신경망은 IMSAT (Information Maximizing Self-Augmented Training) 알고리즘을 이용할 수 있다.

또한, 일 실시예에서 신경망(200)은 복수의 모델을 통합하는 앙상블 방식을 통해 생성된 모델일 수 있다. 일 예로 신경망(200)은 앙상블 방식의 IMSAT 알고리즘 기반 클러스터링 모델일 수 있다.

한편, 일 실시예에 따른 지층 분류 데이터 생성 장치에 저장된 신경망(200)은 두 개 이상의 신경망 레이어를 포함할 수 있다. 하나는 입력되는 로그 데이터와 출력되는 지층별 군집화 데이터간 상관 관계와 관련된 레이어를 포함할 수 있고, 다른 하나는 입력 데이터의 경향에 영향을 받지 않기 위해 신경망을 정규화하는 레이어를 포함할 수 있다. 보다 구체적으로 신경망(200)은 입력 데이터와 출력 데이터간 상관 관계를 최대화하는 레이어를 포함할 수 있다. 일 실시예에서 상관 관계 정보 I (X; Y)는 Y가 주어진 X로 부터 얻은 정보의 양을 의미하며 후술되는 [수식 1]로 정의될 수 있다.

[수식 1]

수식 1에 대하여 H (Y)는 한계 엔트로피이고, H (Y | X)는 조건부 엔트로피 이다. 따라서 본 발명의 몇몇 실시예에 따라 한계 엔트로피 H (Y)를 최대화하고 조건부 엔트로피 H (Y | X)를 최소화함으로써 상관 관계를 최대화 할 수 있다. 또한, 본 실시예에서 신경망(200)을 이용하여 클러스터링을 수행하는 경우 한계 엔트로피를 증가시킴으로써 출력 데이터가 균일하게 분배될 수 있다.

또한, 일 실시예에 따른 지층 분류 데이터 생성 장치에 저장된 신경망(200)에 포함된 정규화 레이어는 자체 보강 훈련(self-augmented training)을 통해 신경망을 정규화할 수 있다. 클러스터링을 수행하는 신경망의 경우 입력 데이터의 작은 변화에 따라 완전히 상이한 군집을 지정할 수 있으므로, 본 발명의 몇몇 실시예에 따른 신경망(200)은 가상의 적대 벡터를 이용하는 자체 보강 훈련을 통해 출력되는 데이터의 정규화를 보장할 수 있다. 일 예시로 IMSAT 알고리즘을 이용하는 신경망(200)의 경우 후술되는 수식 2를 통해 가중치가 적용된 손실 항을 이용하여 클러스터링을 수행할 수 있다. 손실 항의 가중치는 수식 2의 계수 α를 이용하여 지정될 수 있다. 이때, 출력 데이터의 크기는 클러스터의 개수와 동일할 수 있다.

[수식 2]

일 실시예에서 지층별 군집화 데이터를 생성하는 신경망(200)은 앙상블 방식을 통해 정해진 모델일 수 있다. 예를 들어 상술한 신경망(200)은 직접 투표(hard voting) 방법을 사용할 수 있다. 다만 이는 일 예시일 뿐 본 발명의 몇몇 실시예에 따라 지층별 군집화 데이터를 획득하는 신경망이 이에 한정되는 것은 아님에 유의한다.

도 5 및 도 6은 본 발명의 일 실시예에 따라 지층별 군집화를 수행하는 신경망의 입력값을 설명하기 위한 도면이다.

도 5를 참조할 때, 본 발명의 몇몇 실시예에 따라 신경망에 입력되는 로그 데이터는 지질 구조와 관련된 데이터일 수 있다. 상술한 로그 데이터는 감마선, 음파, 중성자, 밀도 및 저항 중 적어도 하나와 관련된 로그 데이터를 포함할 수 있다. 예를 들어 도시된 바와 같이 로그 데이터는 감마선 (GR), 심층 저항률 (ILD_log10), 중성자 밀도 (Delta PHI), 평균 중성자 밀도(PHIND) 또는 광전 효과 (PE)와 같은 유선 로그 데이터일 수 있다. 본 실시예에 따른 지층 분류 데이터 장치(100)는 지질 구조와 관련된 데이터를 유사한 특징을 기준으로 지질 구조 유형에 따른 클러스터링을 수행할 수 있다.

도 6은 일 실시예에 따른 군집화 데이터 생성에 이용되는 파라미터의 일 예시를 설명하기 위한 도면이다. 일 실시예에 따라 신경망을 통해 생성되는 군집화 데이터는 외부 장치 및/또는 사용자 입력에 의해 수신된 파라미터에 의해 달라질 수 있다. 예를 들어 지층별 군집화 데이터는 군집의 개수, 이폭(epoch), 앙상블 학습에 이용되는 신경망의 개수, 신경망의 복잡성, 군집화 정도 및 데이터 확산 정도 중 적어도 하나와 관련된 파라미터에 따라 생성되는 데이터가 달라질 수 있다.

예를 들어 지층 분류 데이터 생성 장치를 사용하는 사용자는 도 6에 도시된 파라미터(212) 'Number of Clusters', 'Epochs', 'Ensembles', 'Model Complexity', 'Clusterability'및 'Spreadability'의 값을 설정 및 변경할 수 있다. 이를 통해 사용자는 동일한 신경망 모델을 이용하여 필요한 지층별 군집화 데이터를 선택적으로 획득할 수 있다.

도 7은 본 발명의 일 실시예에 따른 지층별 군집화 데이터의 일 예시를 설명하기 위한 도면이다.

본 발명의 일 실시예에 따라 신경망을 통해 생성된 지층별 군집화 데이터는 상기 신경망에 입력된 로그 데이터의 특징을 기초로 군집화 된 데이터일 수 있다. 즉, 전술한 바와 같이 본 실시예에 따른 지층 분류 데이터 생성 장치는 입력된 로그 데이터의 라벨 정보 없이 해당 로그 데이터의 유사성만을 기초로 클러스터링을 수행할 수 있다.

예를 들어 도 7에 도시된 바와 같이 상술한 파라미터를 기초로 신경망을 통해 클러스터링 된 지층별 군집화 데이터(231)가 생성될 수 있고, 이 경우 하나의 클래스는 하나의 군집을 의미한다. 따라서 상술한 파라미터를 변경하는 경우 생성되는 군집의 개수 및 군집 별 특징도 상이해질 수 있다.

도 8은 본 발명의 일 실시예에 따른 지층 분류 데이터의 일 예시를 설명하기 위한 도면이다.

일 실시예에 따라 지층별 군집화 데이터가 생성된 경우, 지층 분류 데이터 생성 장치는 로그 데이터의 정보를 기초로 지정된 기준에 따른 지층 분류 데이터(232)를 생성할 수 있다. 예를 들어 지층 분류 데이터 생성 장치가 깊이에 따른 로그 데이터를 이용하여 지층별 군집화 데이터를 획득한 경우, 지층 분류 데이터 생성 장치는 깊이에 따른 지층 분류 데이터를 생성할 수 있다. 예를 들어 도 8에 도시된 바를 참조하면 지층 분류 데이터는 깊이에 따른 지층 정보를 포함할 수 있다. 예를 들어 지하 깊이 2774.5부터 2784. 5 까지는 클래스 0, 지하 깊이 2784.5부터 2801 까지는 클래스 4, 지하 깊이 2801부터 2805 까지는 클래스 2 그리고 지하 깊이 2805부터 2807 까지는 클래스 3에 각각 대응되는 지층으로 분류될 수 있다.

도 9는 본 발명의 일 실시예에 따른 지층 분류 데이터를 표시하는 GUI(240)의 일 예시를 설명하기 위한 예시도이다.

일 실시예에 따라 생성된 지층 분류 데이터가 사용자 단말을 통해 디스플레이 되는 경우, 유정과 관련된 로그 데이터 및 지층 분류 데이터를 동시에 디스플레이 할 수 있다. 특히 본 발명의 몇몇 실시예에 따라 생성되는 지층 분류 데이터는 상술한 로그 데이터에 대응하여 생성되므로, 상기 지층 분류 데이터와 상기 로그 데이터를 대응되도록 디스플레이 될 수 있다.

예를 들어 지층 분류 데이터 장치가 깊이에 따른 감마선 (GR), 심층 저항률 (ILD_log10), 중성자 밀도 (Delta PHI), 평균 중성자 밀도 (PHIND) 및 광전 효과 (PE)과 관련된 로그 데이터 이용하여 지층 분류 데이터가 생성된 경우, 깊이를 기준으로 상술한 로그 데이터 및 지층 분류 데이터를 표시할 수 있다. 또한, 일 실시예에 따른 지층 분류 데이터는 오차 허용률을 더 이용하여 생성될 수 있다. 일 예로 지층 분류 데이터 생성 장치는 사용자 입력(241)에 응답하여 오차 허용률을 결정할 수 있다.

보다 상세하게 도 10을 참조하여 오차 허용률에 따라 상이한 지층 분류 데이터(242, 243, 244)가 생성되는 실시예에 대하여 설명한다. 도 10은 첫 번째 지층 분류 데이터(242), 두 번째 지층 분류 데이터(243) 그리고 세 번째 지층 분류 데이터(244) 순서로 오차 허용률이 작은 경우를 도시하고 있다. 일 실시예에서 오차 허용률에 따라 지층의 분류 정도가 결정될 수 있다. 즉, 오차 허용률에 따라 근접한 지층간 경계를 표시하는 마커의 생성 정도가 정해질 수 있다. 예를 들어 오차 허용률이 작을수록 마커의 개수가 많고, 마커간 간격이 작을 수 있다. 반대로 오차 허용률이 클수록 마커의 개수가 작고, 마커간 간격이 넓을 수 있다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (7)

1. 컴퓨팅 장치에서 수행되는 지층 분류 데이터 생성 방법에 있어서,
   지층 구조와 관련된 적어도 하나의 로그 데이터를 획득하는 단계;
   상기 로그 데이터를 비지도 학습을 수행하는 신경망에 입력하여 지층별 군집화 데이터를 획득하는 단계; 및
   상기 지층별 군집화 데이터를 이용하여 상기 로그 데이터와 대응되는 지층 분류 데이터를 생성하는 단계를 포함하고,
   상기 신경망은,
   상기 로그 데이터와 상기 군집화 데이터간 상관 관계를 최대화하는 제1 레이어 및 정규화 레이어인 제2 레이어를 포함하고, 수식

   

   에 따라 가중치(

   

   )가 적용된 손실 항을 이용하여 클러스터링을 수행하고,
   상기 제1 레이어는,
   수식

   

   에 의해 정의된 상기 로그 데이터와 상기 지층별 군집화 데이터간 상관 관계와 관련된 레이어를 포함하고, 상기 I (X; Y)는 상관 관계 정보, 상기 H (Y)는 한계 엔트로피, 상기 H (Y | X)는 조건부 엔트로피이며,
   상기 제2 레이어는,
   가상의 적대 벡터를 이용하여 자체 보강 훈련을 통해 정규화된 레이어를 포함하는,
   지층 분류 데이터 생성 방법.
   
2. 제1 항에 있어서,
   상기 지층별 군집화 데이터를 획득하는 단계는,
   상기 군집화 데이터와 관련된 하나 이상의 파라미터 값을 획득하는 단계; 및
   상기 하나 이상의 파라미터 값을 기초로 상기 신경망으로부터 상기 지층별 군집화 데이터를 획득하는 단계를 포함하는,
   지층 분류 데이터 생성 방법.
   
3. 제2 항에 있어서,
   상기 하나 이상의 파라미터는,
   군집의 개수, 이폭(epoch), 앙상블 방식에 이용되는 신경망의 개수, 신경망의 복잡성, 군집화 정도 및 데이터 확산 정도 중 적어도 하나와 관련된 파라미터인,
   지층 분류 데이터 생성 방법.
   
4. 제1 항에 있어서,
   상기 신경망은,
   상기 로그 데이터와 상기 지층별 군집화 데이터간 상관 관계와 관련된 레이어 및 정규화 레이어를 포함하는,
   지층 분류 데이터 생성 방법.
   
5. 제1 항에 있어서,
   상기 지층 분류 데이터를 생성하는 단계는,
   상기 지층별 군집화 데이터의 오차 허용률을 획득하는 단계; 및
   상기 오차 허용률을 기초로 상기 로그 데이터와 대응되는 지층 분류 데이터를 생성하는 단계를 포함하는,
   지층 분류 데이터 생성 방법.
   
6. 프로세서; 를 포함하고,
   상기 프로세서는,
   지층 구조와 관련된 적어도 하나의 로그 데이터를 획득하고, 상기 로그 데이터를 비지도 학습을 수행하는 신경망에 입력하여 지층별 군집화 데이터를 획득하고, 상기 지층별 군집화 데이터를 이용하여 상기 로그 데이터와 대응되는 지층 분류 데이터를 생성하고,
   상기 신경망은,
   상기 로그 데이터와 상기 군집화 데이터간 상관 관계를 최대화하는 제1 레이어 및 정규화 레이어인 제2 레이어를 포함하고, 수식

   

   에 따라 가중치(

   

   )가 적용된 손실 항을 이용하여 클러스터링을 수행하고,
   상기 제1 레이어는,
   수식

   

   에 의해 정의된 상기 로그 데이터와 상기 지층별 군집화 데이터간 상관 관계와 관련된 레이어를 포함하고, 상기 I (X; Y)는 상관 관계 정보, 상기 H (Y)는 한계 엔트로피, 상기 H (Y | X)는 조건부 엔트로피이며,
   상기 제2 레이어는,
   가상의 적대 벡터를 이용하여 자체 보강 훈련을 통해 정규화된 레이어를 포함하는,
   지층 분류 데이터 생성 장치.
   
7. 컴퓨터를 이용하여 제1항 내지 제5항 중 어느 한 항의 방법을 실행시키기 위하여 기록매체에 저장된 컴퓨터 프로그램.

Images