KR102622486B1 - Method and apparatus for estimating missing section of oil well logging data - Google Patents
Method and apparatus for estimating missing section of oil well logging data Download PDFInfo
- Publication number
- KR102622486B1 KR102622486B1 KR1020220116102A KR20220116102A KR102622486B1 KR 102622486 B1 KR102622486 B1 KR 102622486B1 KR 1020220116102 A KR1020220116102 A KR 1020220116102A KR 20220116102 A KR20220116102 A KR 20220116102A KR 102622486 B1 KR102622486 B1 KR 102622486B1
- Authority
- KR
- South Korea
- Prior art keywords
- log data
- missing
- section
- data
- target log
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000003129 oil well Substances 0.000 title description 4
- 238000013528 artificial neural network Methods 0.000 claims abstract description 57
- 238000012795 verification Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000002372 labelling Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005553 drilling Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- E21B41/00—Equipment or details not covered by groups E21B15/00 - E21B40/00
-
- 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
- G06N3/08—Learning methods
-
- 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
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Operations Research (AREA)
Abstract
결측 데이터 추정 방법 및 그 장치가 제공 된다. 본 발명의 일 실시예에 따른 결측 데이터 추정 방법은 적어도 하나의 결측 구간을 포함하는 타겟 로그 데이터 및 적어도 하나의 비결측 구간을 포함하는 유효 로그 데이터를 획득하는 단계 및 상기 타겟 로그 데이터 및 상기 유효 로그 데이터를 비지도 학습을 수행하는 신경망에 입력하여 상기 타겟 로그 데이터의 결측 구간을 추정하는 단계를 포함할 수 있다. A missing data estimation method and device are provided. A missing data estimation method according to an embodiment of the present invention includes obtaining target log data including at least one missing section and valid log data including at least one non-missing section, and the target log data and the valid log. It may include inputting data into a neural network that performs unsupervised learning to estimate a missing section of the target log data.
Description
본 발명은 유정 로그 데이터의 결측 구간 추정 방법 및 그 장치에 관한 것이다. 보다 자세하게는, 유정 로그 데이터의 결측 구간을 추정하고 누락된 유정 로그 데이터를 생성하는 방법 및 그 장치에 관한 것이다. The present invention relates to a method and device for estimating missing sections of well log data. More specifically, it relates to a method and device for estimating missing sections of well log data and generating missing well log data.
석유 탐사 및 시추 작업에는 천문학적 비용이 소요됨에도 불구하고 낮은 적확성과 안전성의 문제가 존재한다. 이에 따라 석유 산업의 효율성을 향상시키기 위해 유정 로그 데이터의 분석을 통해 석유 탐사 및 시추 작업을 수행하고 있으나, 다양한 원인에 의한 특정 로그 데이터의 누락 및 결측 구간의 발생이 빈번하게 발생한다. 종래, 인공 신경망을 이용하여 로그 데이터의 결측 구간을 추정하기 위한 개발이 활발히 진행되었으나, 로그 데이터의 결측 구간을 추정하기 위하여는 누락 없는 완전한 로그 데이터가 필요하다는 한계가 존재한다. Despite the astronomical costs of oil exploration and drilling, there are problems with low accuracy and safety. Accordingly, in order to improve the efficiency of the oil industry, oil exploration and drilling operations are performed through analysis of well log data, but omission and missing sections of specific log data frequently occur due to various reasons. Conventionally, development has been actively conducted to estimate the missing section of log data using artificial neural networks, but there is a limitation in that complete log data without omission is required to estimate the missing section of log data.
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. The above-mentioned background technology is technical information that the inventor possessed for deriving the present invention or acquired in the process of deriving the present invention, and cannot necessarily be said to be known art disclosed to the general public before filing the application for the present invention.
본 발명의 실시예들은 완전한 로그 데이터 및 해당 로그 데이터에 대한 라벨링 없이 타겟 로그 데이터의 결측 구간을 추정하는 방법 및 그 장치를 제공한다. Embodiments of the present invention provide a method and apparatus for estimating a missing section of target log data without complete log data and labeling of the log data.
본 발명의 일 실시예에 따른 결측 데이터 추정 방법은 적어도 하나의 결측 구간을 포함하는 타겟 로그 데이터 및 적어도 하나의 비결측 구간을 포함하는 유효 로그 데이터를 획득하는 단계 및 상기 타겟 로그 데이터 및 상기 유효 로그 데이터를 비지도 학습을 수행하는 신경망에 입력하여 상기 타겟 로그 데이터의 결측 구간을 추정하는 단계를 포함할 수 있다. A missing data estimation method according to an embodiment of the present invention includes obtaining target log data including at least one missing section and valid log data including at least one non-missing section, and the target log data and the valid log. It may include inputting data into a neural network that performs unsupervised learning to estimate a missing section of the target log data.
일 실시예에서 상기 유효 로그 데이터를 획득하는 단계는, 상기 유효 로그 데이터의 비결측 구간에 포함된 비신뢰 구간의 정보를 더 획득하는 단계를 포함하고, 상기 타겟 로그 데이터의 결측 구간을 추정하는 단계는, 상기 타겟 로그 데이터 및 상기 비신뢰 구간의 로그 데이터를 제외한 유효 로그 데이터를 상기 신경망에 입력하여 상기 타겟 로그 데이터의 결측 구간을 추정하는 단계를 포함할 수 있다. In one embodiment, the step of obtaining the valid log data includes further obtaining information on an untrusted section included in the non-missing section of the valid log data, and estimating a missing section of the target log data. may include estimating a missing section of the target log data by inputting valid log data excluding the target log data and log data of the untrusted section into the neural network.
일 실시예에서 상기 타겟 로그 데이터의 결측 구간을 추정하는 단계는, 상기 유효 로그 데이터의 비신뢰 구간을 더 추정하는 단계를 포함할 수 있다. In one embodiment, estimating the missing section of the target log data may include further estimating an untrusted section of the valid log data.
일 실시예에서 상기 타겟 로그 데이터의 결측 구간을 추정하는 단계는, 상기 유효 로그 데이터에 결측 구간이 포함된 경우, 상기 유효 로그 데이터의 결측 구간을 더 추정하는 단계를 포함할 수 있다. In one embodiment, estimating the missing section of the target log data may include further estimating the missing section of the valid log data when the valid log data includes a missing section.
일 실시예에서 상기 타겟 로그 데이터를 획득하는 단계는, 상기 타겟 로그 데이터의 비결측 구간에 포함된 검증 구간의 정보를 더 획득하는 단계를 포함하고, 상기 타겟 로그 데이터의 결측 구간을 추정하는 단계는, 상기 검증 구간의 로그 데이터를 제외한 타겟 로그 데이터 및 유효 로그 데이터를 신경망에 입력하여 상기 타겟 로그 데이터의 결측 구간 및 상기 검증 구간을 추정하는 단계를 포함할 수 있다. In one embodiment, the step of acquiring the target log data includes further obtaining information on a verification section included in the non-missing section of the target log data, and the step of estimating the missing section of the target log data includes: , It may include the step of inputting target log data and valid log data excluding log data of the verification section into a neural network to estimate the missing section of the target log data and the verification section.
일 실시예에서 상기 타겟 로그 데이터에 비결측 구간이 없는 경우, 상기 타겟 로그 데이터를 획득하는 단계는, 상기 타겟 로그 데이터의 라벨 정보를 획득하는 단계를 더 포함하고, 상기 타겟 로그 데이터의 결측 구간을 추정하는 단계는, 상기 유효 로그 데이터를 이용하여 가상의 타겟 로그 데이터를 생성하는 단계를 포함할 수 있다. In one embodiment, when there is no non-missing section in the target log data, the step of acquiring the target log data further includes obtaining label information of the target log data, and selecting the missing section of the target log data. The estimating step may include generating virtual target log data using the valid log data.
본 발명의 다른 실시예에 따른 결측 데이터 추정 장치는 프로세서를 포함하고, 상기 프로세서는, 적어도 하나의 결측 구간을 포함하는 타겟 로그 데이터 및 적어도 하나의 비결측 구간을 포함하는 유효 로그 데이터를 획득하고, 상기 타겟 로그 데이터 및 상기 유효 로그 데이터를 비지도 학습을 수행하는 신경망에 입력하여 상기 타겟 로그 데이터의 결측 구간을 추정할 수 있다. A missing data estimation device according to another embodiment of the present invention includes a processor, wherein the processor acquires target log data including at least one missing section and valid log data including at least one non-missing section, The missing section of the target log data can be estimated by inputting the target log data and the valid log data into a neural network that performs unsupervised learning.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다. Other aspects, features and advantages in addition to those described above will become apparent from the following drawings, claims and detailed description of the invention.
도 1은 본 발명의 일 실시예에 따른 결측 데이터 추정 방법을 수행하는 결측 데이터 추정 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 결측 데이터 추정 장치의 하드웨어 구성 및 동작을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 결측 데이터 추정 방법의 순서도이다.
도 4는 본 발명의 일 실시예에 따라 로그 데이터의 결측 구간을 추정하는 방법을 설명하기 위한 도면이다.
도 5 및 도 6은 본 발명의 일 실시예에 따라 누락된 로그 데이터를 가상으로 생성하는 방법을 설명하기 위한 도면이다.
도 7 및 도 8은 본 발명의 일 실시예에 따라 로그 데이터의 결측 구간을 추정하는 방법의 일 예시를 설명하기 위한 예시도이다.
도 9 및 도 10은 본 발명의 일 실시예에 따라 가상의 로그 데이터를 생성하는 방법의 일 예시를 설명하기 위한 예시도이다. 1 is a diagram for explaining a missing data estimation system that performs a missing data estimation method according to an embodiment of the present invention.
Figure 2 is a diagram for explaining the hardware configuration and operation of a missing data estimation device according to an embodiment of the present invention.
Figure 3 is a flowchart of a missing data estimation method according to an embodiment of the present invention.
Figure 4 is a diagram for explaining a method of estimating a missing section of log data according to an embodiment of the present invention.
5 and 6 are diagrams for explaining a method of virtually generating missing log data according to an embodiment of the present invention.
7 and 8 are diagrams illustrating an example of a method for estimating a missing section of log data according to an embodiment of the present invention.
9 and 10 are diagrams illustrating an example of a method for generating virtual log data according to an embodiment of the present invention.
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. The detailed description of the present invention described below refers to the accompanying drawings, which show by way of example specific embodiments in which the present invention may be practiced. These embodiments are described in sufficient detail to enable those skilled in the art to practice the invention. It should be understood that the various embodiments of the present invention are different from one another but are not necessarily mutually exclusive. For example, specific shapes, structures and characteristics described herein may be implemented with changes from one embodiment to another without departing from the spirit and scope of the invention. Additionally, it should be understood that the location or arrangement of individual components within each embodiment may be changed without departing from the spirit and scope of the present invention. Accordingly, the detailed description described below is not to be taken in a limiting sense, and the scope of the present invention should be taken to encompass the scope claimed by the claims and all equivalents thereof. Like reference numbers in the drawings indicate identical or similar elements throughout various aspects.
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. Artificial intelligence (AI) disclosed in the present invention may refer to the field of researching artificial intelligence or methodologies for creating it, and machine learning is a field of artificial intelligence technology that uses computing devices. It can be an algorithm that allows computers to analyze data by learning from data to understand specific objects or conditions, or by finding and classifying patterns in data. Machine learning disclosed in the present invention can be understood as including an operation method for learning an artificial intelligence model.
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. Hereinafter, several embodiments of the present invention will be described in detail with reference to the attached drawings in order to enable those skilled in the art to easily practice the present invention.
이하 도 1을 참조하여 본 발명의 일 실시예에 따른 결측 데이터 추정 장치를 포함하는 결측 데이터 추정 시스템에 대하여 상세히 설명한다. Hereinafter, a missing data estimation system including a missing data estimation device according to an embodiment of the present invention will be described in detail with reference to FIG. 1.
유정 로그 데이터는 지하 지층 구조(10)와 관련된 적어도 하나 이상의 로그 데이터를 포함할 수 있다. 예를 들어 유정 로그 데이터는 감마선, 음파, 중성자, 밀도 및 저항 중 적어도 하나와 관련된 로그 데이터를 포함할 수 있다. 유정 로그 데이터(20)는 본 발명의 몇몇 실시예에 따라 후술되는 타겟 로그 데이터(30, 40) 및 유효 로그 데이터(20)를 포함할 수 있다. 일 실시예에서 결측 데이터 추정 장치(100)는 타겟 로그 데이터(30)의 결측 구간을 추정하기 위해 유정 로그 데이터(20)에 포함된 적어도 하나의 유효 로그 데이터를 이용할 수 있다. The well log data may include at least one log data related to the underground geological structure 10. For example, well log data may include log data related to at least one of gamma rays, acoustic waves, neutrons, density, and resistivity. The well log data 20 may include target log data 30 and 40 and valid log data 20, which will be described later according to some embodiments of the present invention. In one embodiment, the missing data estimation apparatus 100 may use at least one valid log data included in the well log data 20 to estimate the missing section of the target log data 30.
보다 상세하게 일 실시예에 따른 결측 데이터 추정 장치(100)는 적어도 하나의 결측 구간을 포함하는 타겟 로그 데이터 및 적어도 하나의 비결측 구간을 포함하는 유효 로그 데이터를 획득할 수 있다. 이후, 결측 데이터 추정 장치(100)는 타겟 로그 데이터 및 유효 로그 데이터를 비지도 학습을 수행하는 신경망(200)에 입력할 수 있고, 이후 결측 데이터 추정 장치(100)는 신경망의 출력 데이터를 이용하여 타겟 로그 데이터의 결측 구간을 추정할 수 있다. In more detail, the missing data estimation apparatus 100 according to an embodiment may acquire target log data including at least one missing section and valid log data including at least one non-missing section. Thereafter, the missing data estimation device 100 may input target log data and valid log data into the neural network 200 that performs unsupervised learning, and then the missing data estimation device 100 may use the output data of the neural network to The missing section of target log data can be estimated.
이 경우, 일 실시예에 따른 결측 데이터 추정 장치(100)는 타겟 로그 데이터 및 유효 로그 데이터에 대한 라벨링(Labeling) 및/또는 태깅(Tagging)을 수행하지 않고 신경망(200)에 입력할 수 있다. 즉, 본 실시예에 따라 로그 데이터의 결측 구간을 추정하는 신경망은 비지도 학습을 수행할 수 있다. 이 때, 상술한 신경망은 입력되는 로그 데이터 및 출력되는 로그 데이터간 상관관계를 더 학습할 수 있고, 이후 결측 데이터 추정 장치(100)는 로그 데이터의 종류에 관계없이 단일 신경망에 상술한 유효 로그 데이터 및 타겟 로그 데이터를 입력할 수 있다. 이에 반해, 종래 로그 데이터의 결측 구간을 추정하기 위한 방법은 입력 데이터 및/또는 학습 데이터에 대한 라벨링을 수행하여 지도 학습을 수행하였고, 로그 데이터의 결측 구간의 측정시마다 입력 데이터 및 출력 데이터에 대한 라벨링이 수행되었다. 따라서 종래에는 입력되는 로그 데이터와 출력 되는 로그 데이터의 종류에 따라 각각 상이한 신경망을 이용하여 결측 구간을 추정하였다. In this case, the missing data estimation apparatus 100 according to an embodiment may input target log data and valid log data into the neural network 200 without performing labeling and/or tagging. That is, according to this embodiment, the neural network that estimates the missing section of log data can perform unsupervised learning. At this time, the above-described neural network can further learn the correlation between the input log data and the output log data, and then the missing data estimation device 100 can apply the above-described valid log data to a single neural network regardless of the type of log data. and target log data can be entered. In contrast, the conventional method for estimating the missing section of log data performed supervised learning by labeling the input data and/or training data, and labeling the input data and output data was performed each time the missing section of the log data was measured. This was done. Therefore, in the past, missing intervals were estimated using different neural networks depending on the types of input log data and output log data.
또한 본 발명의 일 실시예에 따른 결측 데이터 추정 장치(100)는 결측 구간을 포함하는 로그 데이터를 이용하여 타겟 로그 데이터의 결측 구간을 추정할 수 있다. 이를 통해 본 발명의 몇몇 실시예에 따른 결측 데이터 추정 장치(100)는 석유 탐사 및 시추 작업을 위한 완전한 로그 데이터를 확보할 필요가 없다. Additionally, the missing data estimation apparatus 100 according to an embodiment of the present invention can estimate the missing section of target log data using log data including the missing section. Through this, the missing data estimation device 100 according to some embodiments of the present invention does not need to secure complete log data for oil exploration and drilling operations.
다른 실시예에서 결측 데이터 추정 장치(100)는 적어도 하나의 유효 로그 데이터(20)를 이용하여 전체가 누락된 타겟 로그 데이터(40)를 생성할 수 있다. 이 경우에도 타겟 로그 데이터 및 유효 로그 데이터에 대한 별도의 라벨링 및/또는 태깅을 수행할 필요가 없음은 물론이다. 또한, 일 실시예에 따른 결측 데이터 추정 장치(100)는 결측 구간을 포함하는 유효 로그 데이터(20)를 이용하여 상술한 타겟 로그 데이터(40)를 생성할 수 있다. In another embodiment, the missing data estimation apparatus 100 may use at least one valid log data 20 to generate target log data 40 that is entirely missing. Of course, in this case as well, there is no need to perform separate labeling and/or tagging of target log data and valid log data. Additionally, the missing data estimation apparatus 100 according to an embodiment may generate the above-described target log data 40 using valid log data 20 including a missing section.
상술한 각 실시예에 대한 보다 상세한 설명은 후술되는 도 4 내지 도 10에서 서술한다. A more detailed description of each of the above-described embodiments is provided in FIGS. 4 to 10 described later.
*이하 도 2를 참조하여 본 발명의 일 실시예에 따른 결측 데이터 추정 장치(100)의 구성에 대하여 상세히 설명한다. *Hereinafter, the configuration of the missing data estimation device 100 according to an embodiment of the present invention will be described in detail with reference to FIG. 2.
일 실시예에서 결측 데이터를 추정하는 결측 데이터 추정 장치(100)는 메모리(110), 입출력 인터페이스(120), 프로세서(130) 및 통신 모듈(140)을 포함할 수 있다. In one embodiment, the missing data estimation apparatus 100 for estimating missing data may include a memory 110, an input/output interface 120, a processor 130, and a communication module 140.
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 결측 데이터 추정 장치(100)를 제어하기 위한 프로그램 코드 및 설정, 유효 로그 데이터 및 타겟 로그 데이터가 일시적 또는 영구적으로 저장될 수 있다. The memory 110 is a computer-readable recording medium and may include a non-permanent mass storage device such as random access memory (RAM), read only memory (ROM), and a disk drive. Additionally, the memory 110 may temporarily or permanently store program codes and settings for controlling the missing data estimation device 100, valid log data, and target log data.
또한, 입출력 인터페이스(120)는 일 실시예에서 사용자 또는 외부 장치의 입력을 수신하고, 출력 데이터를 디스플레이 할 수 있다. 일 실시예에 따른 입출력 인터페이스(120)는 사용자로부터 가상으로 생성하고자 하는 누락된 타겟 로그 데이터와 관련된 라벨 정보를 입력 받을 수 있고, 디스플레이에 추정된 로그 데이터의 결측 구간 또는 가상으로 생성된 타겟 로그 데이터를 표시할 수 있다. Additionally, in one embodiment, the input/output interface 120 may receive input from a user or an external device and display output data. The input/output interface 120 according to an embodiment may receive label information related to missing target log data to be virtually generated from the user, and display the missing section of the estimated log data or the virtually generated target log data. can be displayed.
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 프로세서(130)는 도3 의 결측 데이터 추정 방법이 포함하는 단계들(S110 내지 S140)을 수행하도록 결측 데이터 추정 장치(100)를 제어할 수 있다. 예를 들어, 프로세서(130)는 메모리(110)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다. 프로세서(130)의 구성요소들은 결측 데이터 추정 장치(100)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(130)에 의해 수행되는 프로세서(130)의 서로 다른 기능들(different functions)의 표현들일 수 있다. 일 실시예에서 결측 데이터 추정 장치(100)의 프로세서(130)는 적어도 하나의 결측 구간을 포함하는 타겟 로그 데이터 및 적어도 하나의 비결측 구간을 포함하는 유효 로그 데이터를 획득하고, 상기 타겟 로그 데이터 및 상기 유효 로그 데이터를 비지도 학습을 수행하는 신경망에 입력하여 상기 타겟 로그 데이터의 결측 구간을 추정할 수 있다. 프로세서(130)의 내부 구성 및 구체적인 동작에 대해서는 도 3의 결측 데이터 추정 방법 및 도 4 내지 도 10 의 실시예를 참조하여 설명하기로 한다. The processor 130 may be configured to process instructions of a computer program by performing basic arithmetic, logic, and input/output operations. Commands may be provided to the processor 130 by the memory 110 or the communication module 140. For example, the processor 130 may be configured to execute received instructions according to program codes stored in a recording device such as memory 110. The processor 130 according to one embodiment may control the missing data estimation device 100 to perform steps S110 to S140 included in the missing data estimation method of FIG. 3. For example, the processor 130 may be implemented to execute instructions according to the code of an operating system included in the memory 110 and the code of at least one program. The components of the processor 130 may be expressions of different functions of the processor 130 that are performed by the processor 130 according to instructions provided by the program code stored in the missing data estimation device 100. there is. In one embodiment, the processor 130 of the missing data estimation apparatus 100 obtains target log data including at least one missing section and valid log data including at least one non-missing section, and the target log data and The missing section of the target log data can be estimated by inputting the valid log data into a neural network that performs unsupervised learning. The internal configuration and specific operation of the processor 130 will be described with reference to the missing data estimation method of FIG. 3 and the embodiments of FIGS. 4 to 10.
통신 모듈(140)은 네트워크를 통해 외부 장치와 통신하기 위한 기능을 제공할 수 있다. 일례로, 결측 데이터 추정 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 결측 데이터 추정 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 결측 데이터 추정 장치(100)가 더 포함할 수 있는 저장 매체로 저장될 수 있다. The communication module 140 may provide a function for communicating with an external device through a network. For example, a request generated by the processor 130 of the missing data estimation device 100 according to a program code stored in a recording device such as the memory 110 is transmitted to an external device through the network under the control of the communication module 140. It can be. Conversely, control signals, commands, content, files, etc. provided under the control of a processor of an external device may be received by the missing data estimation device 100 through the communication module 140 via the network. For example, control signals or commands from an external device received through the communication module 140 may be transmitted to the processor 130 or memory 110, and content or files may be further processed by the missing data estimation device 100. It can be stored in a storage medium that can contain.
또한, 통신 모듈(140)의 통신 방식은 제한되지 않는다. 예를 들어, 일 실시예에 따른 네트워크는 근거리 무선통신망일 수 있고, 이 경우 네트워크는 블루투스(Bluetooth), BLE(Bluetooth Low Energy), Wifi 통신망일 수 있다. Additionally, the communication method of the communication module 140 is not limited. For example, the network according to one embodiment may be a short-range wireless communication network, and in this case, the network may be a Bluetooth, Bluetooth Low Energy (BLE), or Wifi communication network.
또한, 다른 실시예들에서 결측 데이터 추정 장치(100)는 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 결측 데이터 추정 장치(100)는 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. Additionally, in other embodiments, the missing data estimation apparatus 100 may include more components than those shown in FIG. 2 . However, there is no need to clearly show most prior art components. For example, the missing data estimation device 100 may include a battery and a charging device that supplies power to internal components, and may be implemented to include at least some of the above-mentioned input/output devices or a transceiver, GPS, etc. It may further include other components such as (Global Positioning System) modules, various sensors, and databases.
이하 도 3은 본 발명의 일 실시예에 따른 결측 데이터 추정 방법을 시계열적으로 나타낸 도면이다. Figure 3 below is a diagram illustrating a method for estimating missing data in time series according to an embodiment of the present invention.
단계 S110에서 결측 데이터 추정 장치는 적어도 하나의 결측 구간을 포함하는 타겟 로그 데이터를 획득할 수 있다. 일 실시예에서 유정 로그 데이터는 상술한 타겟 로그 데이터 및 유효 로그 데이터를 포함할 수 있다. 유정 로그 데이터는 지질의 물성과 관련된 로그 데이터일 수 있으나 본 발명의 몇몇 실시예에 따른 타겟 로그 데이터 및 유효 로그 데이터의 종류나 개수가 한정되는 것은 아니다. 예를 들어 타겟 로그 데이터는 감마선, 음파, 중성자, 밀도 및 저항 중 적어도 하나와 관련된 로그 데이터를 포함할 수 있다. 본 발명의 일 실시예에 따라 추정되는 타겟 로그 데이터의 결측 구간은 전체 로그 데이터의 일부일 수도 있고, 다른 실시예에서 특정 타겟 로그 데이터 전체가 누락 또는 결측된 경우 상술한 타겟 로그 데이터를 가상으로 생성할 수도 있다. 예를 들어 타겟 로그 데이터 전체를 누락한 경우 결측 데이터 추정 장치는 타겟 로그 데이터에 비결측 구간이 없다고 판단할 수 있다. 이 경우 결측 데이터 추정 장치는 추정하고자 하는 타겟 로그 데이터의 라벨 정보를 더 획득할 수 있고, 상기 라벨 정보를 기초로 가상의 타겟 로그 데이터를 생성할 수 있다. 보다 상세한 설명은 이하 관련 도면에서 후술한다. In step S110, the missing data estimation device may acquire target log data including at least one missing section. In one embodiment, the well log data may include the target log data and valid log data described above. Oil well log data may be log data related to geological properties, but the type or number of target log data and effective log data according to some embodiments of the present invention is not limited. For example, the target log data may include log data related to at least one of gamma rays, sound waves, neutrons, density, and resistance. According to one embodiment of the present invention, the missing section of the estimated target log data may be a part of the entire log data, and in another embodiment, if the entire specific target log data is missing or missing, the above-described target log data can be virtually generated. It may be possible. For example, if the entire target log data is missing, the missing data estimation device may determine that there is no non-missing section in the target log data. In this case, the missing data estimation device can further obtain label information of the target log data to be estimated and generate virtual target log data based on the label information. A more detailed description is provided below in the related drawings.
단계 S120에서 결측 데이터 추정 장치는 적어도 하나의 비결측 구간을 포함하는 유효 로그 데이터를 획득 할 수 있다. 일 실시예에서 타겟 로그 데이터의 결측 구간을 추정하기 위해 이용되는 유효 로그 데이터는 적어도 하나의 비결측 구간을 포함할 수 있다. 즉, 일 실시예에서 유효 로그 데이터는 결측 구간이 없는 완전한 로그 데이터일 수 있다. 다만, 유효 로그 데이터에 일부 결측 구간이 포함되더라도 본 발명의 몇몇 실시예에 따른 결측 데이터 추정 장치는 상술한 유효 로그 데이터를 이용하여 타겟 로그 데이터의 결측 구간을 추정할 수 있다. 즉, 본 발명의 몇몇 실시예에 따른 결측 데이터 추정 방법은 종래 기술과 달리 비결측 구간으로만 구성된 완전한 로그 데이터를 구비할 필요가 없다. 이에 따라 신경망에 데이터를 입력하기 전에 추가적으로 수행해야 하는 전처리 작업을 최소화 할 수 있다. 본 발명의 몇몇 실시예에 따른 유효 로그 데이터의 종류 및 개수도 상술한 바 한정되지 않는다, 예를 들어 유효 로그 데이터는 감마선, 음파, 중성자, 밀도 및 저항 중 적어도 하나와 관련된 로그 데이터를 포함할 수 있다. In step S120, the missing data estimation device may acquire valid log data including at least one non-missing section. In one embodiment, valid log data used to estimate the missing section of target log data may include at least one non-missing section. That is, in one embodiment, valid log data may be complete log data with no missing sections. However, even if the valid log data includes some missing sections, the missing data estimation device according to some embodiments of the present invention can estimate the missing section of the target log data using the above-described valid log data. That is, unlike the prior art, the missing data estimation method according to some embodiments of the present invention does not need to have complete log data consisting only of non-missing sections. Accordingly, the additional preprocessing work that must be performed before inputting data into the neural network can be minimized. The type and number of effective log data according to some embodiments of the present invention are not limited to those described above. For example, effective log data may include log data related to at least one of gamma rays, sound waves, neutrons, density, and resistance. there is.
단계 S130에서 결측 데이터 추정 장치는 타겟 로그 데이터 및 유효 로그 데이터를 비지도 학습을 수행하는 신경망에 입력할 수 있다. 본 발명의 몇몇 실시예에 따른 결측 데이터 추정 장치는 상술한 타겟 로그 데이터 및 유효 로그 데이터와 관련된 라벨링 및 태깅을 수행하지 않고 인공신경망에 입력할 수 있다. 종래 입력되는 로그 데이터 및 출력되는 로그 데이터간의 상관관계를 학습하기 위해 지도 학습을 수행했던 것과는 달리 본 발명의 몇몇 실시예에 따른 인공신경망은 비지도 학습을 수행할 수 있다. 본 발명의 몇몇 실시예에 따른 신경망은 생성 모델일 수 있으나 구체적인 신경망의 구조는 한정되지 않는다. 예를 들어 상술한 신경망은 VAE(Variational Auto-Encoder) 기반의 생성 모델일 수 있다. In step S130, the missing data estimation device may input target log data and valid log data into a neural network that performs unsupervised learning. A missing data estimation device according to some embodiments of the present invention can input target log data and valid log data into an artificial neural network without performing labeling and tagging related to the above-described target log data and valid log data. Unlike conventional supervised learning to learn the correlation between input log data and output log data, artificial neural networks according to some embodiments of the present invention can perform unsupervised learning. The neural network according to some embodiments of the present invention may be a generation model, but the specific structure of the neural network is not limited. For example, the above-mentioned neural network may be a generation model based on VAE (Variational Auto-Encoder).
단계 S140에서 결측 데이터 추정 장치는 타겟 로그 데이터의 결측 구간을 추정할 수 있다. 구체적으로 결측 데이터 추정 장치에 저장된 신경망의 출력 데이터를 이용하여 타겟 로그 데이터의 결측 구간을 추정할 수 있다. 일 실시예에서 타겟 로그 데이터에 복수의 결측 구간이 존재하는 경우, 본 발명의 몇몇 실시예에 따른 결측 데이터 추정 장치는 타겟 로그 데이터에 존재하는 상술한 복수의 결측 구간을 동시에 추정할 수 있다. In step S140, the missing data estimation device may estimate the missing section of the target log data. Specifically, the missing section of the target log data can be estimated using the output data of the neural network stored in the missing data estimation device. In one embodiment, when a plurality of missing sections exist in the target log data, the missing data estimation device according to some embodiments of the present invention can simultaneously estimate the above-described plurality of missing sections present in the target log data.
다른 실시예에서 결측 데이터 추정 장치는 외부 장치 및/또는 사용자 입력을 통해 유효 로그 데이터의 비결측 구간에 포함된 비신뢰 구간의 정보를 더 획득할 수 있다. 이 경우, 결측 데이터 추정 장치는 상술한 유효 로그 데이터의 비신뢰 구간의 정보를 신경망에 입력하지 않는다. 즉, 본 실시예에서 결측 데이터 추정 장치는 타겟 로그 데이터 및 비신뢰 구간의 로그 데이터를 제외한 유효 로그 데이터를 상술한 신경망에 입력할 수 있다. 또한, 일 실시예에서 결측 데이터 추정 장치는 상술한 신경망을 통해 유효 로그 데이터에 포함된 비신뢰 구간도 추정할 수 있다. 이후, 결측 데이터 추정 장치는 신경망을 통해 추정된 유효 로그 데이터의 비신뢰 구간과 기 획득된 유효 로그 데이터를 비교하여 신경망의 정확도를 향상시킬 수 있다. In another embodiment, the missing data estimation device may further obtain information about the untrusted section included in the non-missing section of valid log data through an external device and/or user input. In this case, the missing data estimation device does not input information about the above-described untrusted interval of valid log data into the neural network. That is, in this embodiment, the missing data estimation device can input valid log data excluding target log data and log data in the untrusted section into the neural network described above. Additionally, in one embodiment, the missing data estimation device can also estimate the unreliable interval included in valid log data through the above-described neural network. Afterwards, the missing data estimation device can improve the accuracy of the neural network by comparing the untrusted interval of the valid log data estimated through the neural network with the previously obtained valid log data.
또 다른 실시예에서 결측 데이터 추정 장치는 타겟 로그 데이터뿐만 아니라 유효 로그 데이터의 결측 구간도 추정할 수 있다. 이 경우, 본 실시예에 따른 결측 데이터 추정 장치는 복수의 결측 구간을 동시에 추정할 수 있다. 종래 복수의 결측 구간을 추정하기 위해 결측 구간의 개수만큼 반복하여 추정을 수행한 것과 달리, 본 발명의 몇몇 실시예에 따른 결측 데이터 추정 장치는 한 번에 복수의 결측 구간의 로그 데이터를 모두 추정할 수 있다. In another embodiment, the missing data estimation device can estimate not only the target log data but also the missing section of the valid log data. In this case, the missing data estimation device according to this embodiment can simultaneously estimate a plurality of missing sections. Unlike the conventional method of repeatedly performing estimation as many times as the number of missing sections to estimate multiple missing sections, the missing data estimation device according to some embodiments of the present invention can estimate all log data of multiple missing sections at once. You can.
또 다른 실시예에서 결측 데이터 추정 장치는 타겟 로그 데이터의 비결측 구간에 포함된 검증 구간의 정보를 더 획득할 수 있다. 이 경우 결측 데이터 추정 장치는 신경망에 입력하는 타겟 로그 데이터 중 검증 구간의 로그 데이터를 제외할 수 있다. 이에 따라 결측 데이터 추정 장치는 신경망을 통해 타겟 로그 데이터의 비결측 구간에 포함된 검증 구간의 로그 데이터를 더 추정할 수 있다. 이후, 결측 데이터 추정 장치는 상기 추정된 검증 구간의 로그 데이터 및 기 획득된 검증 구간의 로그 데이터를 비교하여 신경망의 정확도를 측정할 수 있다. In another embodiment, the missing data estimation device may further obtain information about the verification section included in the non-missing section of the target log data. In this case, the missing data estimation device may exclude the log data of the verification section from the target log data input to the neural network. Accordingly, the missing data estimation device can further estimate log data of the verification section included in the non-missing section of the target log data through a neural network. Thereafter, the missing data estimation device can measure the accuracy of the neural network by comparing log data of the estimated verification interval and log data of the previously obtained verification interval.
이하, 도 4 내지 도 6을 참조하여 본 발명의 일 실시예에 따라 로그 데이터의 결측 구간을 추정하는 방법에 대하여 상세히 설명한다. Hereinafter, a method for estimating a missing section of log data according to an embodiment of the present invention will be described in detail with reference to FIGS. 4 to 6.
도 4를 참조할 때, 유정을 통해 획득한 지하 지질의 물성과 관련된 복수의 로그 데이터는 다양한 원인에 의해 복수의 결측 구간(201, 202, 203, 204)를 포함할 수 있다. 예를 들어 상기 로그 데이터는 감마선, 음파, 중성자, 밀도 및 저항 중 적어도 하나와 관련된 데이터를 포함할 수 있다. 도시된 바를 참조할 때, 본 발명의 일 실시예에 따른 결측 데이터 추정 장치는 결측 구간(201, 202, 203, 204)을 포함하는 로그 데이터 (a), (b), (c), (d)에 대하여, 각 로그 데이터의 의미 및 종류와 관련된 라벨링을 수행하기 위한 전처리 작업을 수행하지 않을 수 있다. 이후, 결측 데이터 추정 장치는 상술한 결측 구간(201, 202, 203, 204)을 포함하는 로그 데이터 (a), (b), (c), (d)를 신경망(200)에 입력할 수 있다. 본 실시예에서 신경망(200)은 VAE 기반의 생성 모델일 수 있고, 몇몇 실시예에 따른 신경망(200)은 비지도 학습을 통해 각 로그 데이터간 상관 관계 학습을 수행할 수 있다. 다양한 로그 데이터간 상관 관계 학습을 통해, 신경망(200)은 별도의 라벨링 없이 타겟 로그 데이터에 대한 결측 구간의 추정을 수행할 수 있다. Referring to FIG. 4, a plurality of log data related to the physical properties of underground geology obtained through an oil well may include a plurality of missing sections 201, 202, 203, and 204 due to various reasons. For example, the log data may include data related to at least one of gamma rays, sound waves, neutrons, density, and resistance. Referring to the figure, the missing data estimation device according to an embodiment of the present invention includes log data (a), (b), (c), and (d) including missing intervals 201, 202, 203, and 204. ), preprocessing work to perform labeling related to the meaning and type of each log data may not be performed. Afterwards, the missing data estimation device may input log data (a), (b), (c), and (d) including the above-described missing sections 201, 202, 203, and 204 into the neural network 200. . In this embodiment, the neural network 200 may be a VAE-based generation model, and the neural network 200 according to some embodiments may perform correlation learning between each log data through unsupervised learning. By learning the correlation between various log data, the neural network 200 can estimate the missing section for the target log data without separate labeling.
이하, 도 4에 도시된 로그 데이터 중 유효 로그 데이터가 (a), (b), (c) 이고, 타겟 로그 데이터가 (d)임을 가정하고 서술한다. 다만, 이는 본 발명의 명확한 이해를 위한 일 예시일 뿐, 유료 로그 데이터와 타겟 로그 데이터가 도 4 및 후술되는 설명에 의해 한정되는 것은 아니다. 타겟 로그 데이터가 (d)인 경우, 유효 로그 데이터인 (a), (b), (c)를 이용하여 타겟 로그 데이터 (d)의 결측 구간(204)을 추정하여 로그 데이터 (d')을 획득할 수 있다. 또한, 다른 실시예에서 본 발명의 몇몇 실시예에 따라 결측 데이터를 추정하는 신경망(200)은 유효 로그 데이터 (a), (b), (c) 가 포함하는 결측 구간(201, 202, 203)도 추정하여 로그 데이터 (a'), (b'), (c')도 획득할 수 있다. 이 경우, 상술한 신경망(200)은 유효 로그 데이터에 포함된 결측 구간(201, 202, 203)과 타겟 로그 데이터에 포함된 결측 구간(204)을 동시에 추정할 수 있다. Hereinafter, the description will be made assuming that among the log data shown in FIG. 4, valid log data are (a), (b), and (c), and target log data is (d). However, this is only an example for a clear understanding of the present invention, and the paid log data and target log data are not limited by FIG. 4 and the description below. If the target log data is (d), log data (d') is estimated by estimating the missing section 204 of the target log data (d) using valid log data (a), (b), and (c). It can be obtained. In addition, in another embodiment, the neural network 200 that estimates missing data according to some embodiments of the present invention includes the missing intervals 201, 202, and 203 included in the valid log data (a), (b), and (c). By estimating , log data (a'), (b'), and (c') can also be obtained. In this case, the above-described neural network 200 can simultaneously estimate the missing sections 201, 202, and 203 included in the valid log data and the missing section 204 included in the target log data.
도 5 및 도 6은 본 발명의 일 실시예에 따라 가상의 타겟 로그 데이터를 생성하는 방법을 설명하기 위한 도면이다. 5 and 6 are diagrams for explaining a method of generating virtual target log data according to an embodiment of the present invention.
도 5을 참조할 때, 본 발명의 일 실시예에 따른 결측 데이터 추정 방법은 유효 로그 데이터를 이용하여 전체가 누락된 타겟 로그 데이터를 생성할 수 있다. 이 경우, 결측 데이터 추정 장치는 외부 장치 또는 사용자 입력을 통해 생성하고자 하는 타겟 로그 데이터와 관련된 정보를 획득할 수 있다. 본 발명의 몇몇 실시예에 따른 신경망(200)은 기존에 학습한 로그 데이터간 상관 관계를 이용하여 가상의 타겟 로그 데이터를 생성할 수 있다. 도시된 바를 참조하면 결측 데이터를 추정하는 신경망(200)은 유효 로그 데이터 (c), (d)를 이용하여 타겟 로그 데이터 (e')을 생성할 수 있다. 본 실시예에 따른 신경망(200)도 비지도 학습을 수행하며, 유효 로그 데이터에 대한 라벨링을 수행하지 않는다. Referring to FIG. 5, the missing data estimation method according to an embodiment of the present invention can generate target log data that is entirely missing using valid log data. In this case, the missing data estimation device can obtain information related to the target log data to be generated through an external device or user input. The neural network 200 according to some embodiments of the present invention may generate virtual target log data using correlations between previously learned log data. Referring to the figure, the neural network 200 that estimates missing data can generate target log data (e') using valid log data (c) and (d). The neural network 200 according to this embodiment also performs unsupervised learning and does not perform labeling on valid log data.
또한, 도 6을 참조할 때 가상의 타겟 로그 데이터를 생성하는 경우에도 결측 구간을 포함하는 유효 로그 데이터를 이용할 수 있다. 그리고 도시되지는 않았으나 본 발명의 몇몇 실시예에 따라 결측 데이터를 추정하는 신경망(200)은 가상의 타겟 로그 데이터를 생성하고 동시에 유효 로그 데이터에 포함된 결측 구간도 추정할 수 있다. 예를 들어 신경망(200)을 통해 유효 로그 데이터 (a), (b)를 이용하여 타겟 로그 데이터 (e'')을 추정할 수 있고, 동시에 유효 로그 데이터 (a)에 포함된 결측 구간도 추정할 수 있다. 특히, 본 발명의 몇몇 실시예에 따라 결측 구간을 추정하는 신경망(200)은 유효 로그 데이터에 포함된 하나 이상의 결측 구간 및 타겟 로그 데이터 전체를 추정하는 경우에도 결측 구간의 크기 및 개수에 무관하게 한 번에 결측된 로그 데이터를 전부 추정할 수 있다. Additionally, referring to FIG. 6, even when generating virtual target log data, valid log data including a missing section can be used. Although not shown, the neural network 200 that estimates missing data according to some embodiments of the present invention can generate virtual target log data and simultaneously estimate the missing section included in valid log data. For example, the target log data (e'') can be estimated using the valid log data (a) and (b) through the neural network 200, and at the same time, the missing section included in the valid log data (a) can be estimated. can do. In particular, the neural network 200 that estimates missing sections according to some embodiments of the present invention is independent of the size and number of missing sections even when estimating one or more missing sections included in valid log data and the entire target log data. All missing log data can be estimated.
도 7 및 도 8은 본 발명의 일 실시예에 따른 결측 데이터 추정 방법에 따라 추정된 로그 데이터를 디스플레이 하는 GUI(Graphic User Interface)의 일 예시도이다. 7 and 8 are exemplary diagrams of a graphic user interface (GUI) that displays log data estimated according to a missing data estimation method according to an embodiment of the present invention.
본 발명의 일 실시예에 따른 결측 데이터 추정 장치는 결측 데이터를 추정하기 전, 로그 데이터의 비결측 구간 중 비신뢰 구간을 지정할 수 있다. 본 실시예에 따른 결측 데이터 추정 장치는 비신뢰 구간을 제외한 비결측 구간의 로그 데이터를 신경망에 입력할 수 있다. 이후, 결측 데이터 추정 장치는 상기 신경망을 통해 로그 데이터의 비신뢰 구간에 대한 로그 데이터를 더 추정할 수 있고, 추정된 로그 데이터와 기 획득된 비신뢰 구간의 로그 데이터를 비교할 수 있고, 이를 통해 신경망의 정확도를 향상시킬 수 있다. 예를 들어 도 7에 도시된 바를 참조할 때, 유효 로그 데이터 및/또는 타겟 로그 데이터의 비결측 구간은 비신뢰 구간(330)을 포함할 수 있다. 또한 도 8에 도시된 바와 같이 본 발명의 몇몇 실시예에 따른 결측 데이터 추정 장치는 신경망을 통해 상술한 결측 구간(220) 및 비신뢰 구간(230)에 대응되는 로그 데이터를 추정할 수 있다. The missing data estimation device according to an embodiment of the present invention can specify an untrusted section among the non-missing sections of log data before estimating missing data. The missing data estimation device according to this embodiment can input log data of the non-missing section excluding the unreliable section into a neural network. Afterwards, the missing data estimation device can further estimate log data for the untrusted interval of the log data through the neural network, and compare the estimated log data with the previously obtained log data of the untrusted interval, through which the neural network accuracy can be improved. For example, referring to what is shown in FIG. 7, the non-missing section of valid log data and/or target log data may include an untrusted section 330. Additionally, as shown in FIG. 8, the missing data estimation device according to some embodiments of the present invention can estimate log data corresponding to the missing interval 220 and the untrusted interval 230 described above through a neural network.
또한, 본 발명의 몇몇 실시예에 따른 결측 데이터 추정 장치는 결측 데이터를 추정하기 전, 로그 데이터의 비결측 구간 중 검증 구간을 지정할 수 있다. 본 실시예에 따른 결측 데이터 추정 장치는 로그 데이터의 검증 구간을 제외한 비결측 구간의 로그 데이터를 신경망에 입력할 수 있다. 한편, 결측 데이터 추정 장치가 비신뢰 구간 및 검증 구간의 정보를 획득한 경우, 상술한 결측 데이터 추정 장치는 로그 데이터의 비신뢰 구간 및 검증 구간을 제외한 비결측 구간의 로그 데이터를 신경망에 입력할 수 있다. 이후, 결측 데이터 추정 장치는 상기 신경망을 통해 로그 데이터의 검증 구간에 대한 로그 데이터를 더 추정할 수 있고, 추정된 로그 데이터와 기 획득된 검증 구간의 로그 데이터의 비교를 수행하여 신경망의 정확도를 판단할 수 있다. 예를 들어 도 8에 도시된 바와 같이, 유효 로그 데이터 및/또는 타겟 로그 데이터의 비결측 구간은 검증 구간(240)을 포함할 수 있고, 몇몇 실시예에 따른 결측 데이터 추정 장치는 신경망을 통해 검증 구간(240)에 대응되는 로그 데이터를 추정할 수 있다. Additionally, the missing data estimation device according to some embodiments of the present invention can designate a verification section among the non-missing sections of log data before estimating missing data. The missing data estimation device according to this embodiment can input log data of the non-missing section excluding the verification section of the log data into a neural network. Meanwhile, when the missing data estimation device acquires information on the non-reliable interval and verification interval, the above-described missing data estimation device can input log data of the non-missing section excluding the non-reliable section and verification section of the log data into the neural network. there is. Afterwards, the missing data estimation device can further estimate log data for the verification section of the log data through the neural network, and determine the accuracy of the neural network by comparing the estimated log data with the log data of the previously obtained verification section. can do. For example, as shown in FIG. 8, the non-missing section of valid log data and/or target log data may include a verification section 240, and the missing data estimation device according to some embodiments performs verification through a neural network. Log data corresponding to the section 240 can be estimated.
도 9 및 도 10은 본 발명의 일 실시예에 따른 결측 데이터 추정 방법에 따라 생성된 타겟 로그 데이터를 디스플레이 하는 GUI의 일 예시도이다. 9 and 10 are exemplary diagrams of a GUI that displays target log data generated according to a missing data estimation method according to an embodiment of the present invention.
유정으로부터 로그 데이터를 획득하는 경우, 측정 환경에 따라 획득되는 로그 데이터의 개수 및 종류가 상이할 수 있다. 따라서 본 발명의 몇몇 실시예에 따른 결측 데이터 추정 장치는 특정 로그 데이터에 포함된 결측 구간을 추정할 뿐만 아니라, 전체가 누락된 타겟 로그 데이터를 가상으로 생성할 수도 있다. 이 경우 결측 데이터 추정 장치는 생성하고자 하는 가상의 타겟 로그 데이터와 관련된 정보를 더 획득할 수 있다. 예를 들어 결측 데이터 추정 장치는 외부 장치 및/또는 사용자 입력을 통해 상술한 타겟 로그 데이터의 라벨링 정보를 더 획득할 수 있다. When acquiring log data from an oil well, the number and type of log data obtained may vary depending on the measurement environment. Therefore, the missing data estimation device according to some embodiments of the present invention can not only estimate the missing section included in specific log data, but also virtually generate target log data that is missing entirely. In this case, the missing data estimation device can further obtain information related to the virtual target log data to be generated. For example, the missing data estimation device may further obtain labeling information of the above-described target log data through an external device and/or user input.
예를 들어 도 9에 도시된 바를 참조할 때, 'Gamma', 'Resistivity', 'Density'및 'Neutron'과 관련된 유효 로그 데이터를 이용하여 누락된 타겟 로그 데이터'Sonic'을 생성하는 경우를 가정한다. 본 발명의 몇몇 실시예에 따른 결측 데이터 추정 장치는 생성하고자 하는 타겟 로그 데이터 'Sonic'과 관련된 라벨 정보를 더 획득할 수 있고, 상술한 유효 로그 데이터를 모두 이용하여 상기 타겟 로그 데이터'Sonic'을 생성할 수 있다, 하지만 이 경우에도 결측 데이터 추정 장치는 유효 로그 데이터의 라벨과 관련된 정보는 수신하지 않을 수 있다. 즉, 본 실시예에 따라 결측 데이터를 추정하는 신경망도 비지도 학습을 수행하므로 생성하고자 하는 타겟 로그 데이터의 종류 또는 유효 로그 데이터의 종류에 따라 상이한 신경망 모델을 이용할 필요가 없다. For example, when referring to Figure 9, assume that missing target log data 'Sonic' is generated using valid log data related to 'Gamma', 'Resistivity', 'Density', and 'Neutron'. do. The missing data estimation device according to some embodiments of the present invention can further obtain label information related to the target log data 'Sonic' to be generated, and use all of the above-described valid log data to determine the target log data 'Sonic'. However, even in this case, the missing data estimation device may not receive information related to the label of valid log data. That is, since the neural network that estimates missing data according to this embodiment also performs unsupervised learning, there is no need to use a different neural network model depending on the type of target log data or valid log data to be generated.
이후, 본 발명의 몇몇 실시예에 따른 결측 데이터 추정 장치는 도 10에 도시된 바와 같이 가상의 타겟 로그 데이터를 추정하여 생성할 수 있다. 즉, 본 실시예에 따르면 기 학습한 로그 데이터간 상관 관계를 학습한 신경망이 입력된 유효 로그 데이터 'Gamma', 'Resistivity', 'Density'및 'Neutron'만을 이용하여 가상의 타겟 로그 데이터 Sonic'을 추정할 수 있다. 도시되지는 않았으나 본 발명의 몇몇 실시예에 따라 타겟 로그 데이터 전체를 추정하는 경우에도, 결측 데이터가 획득하는 유효 로그 데이터는 적어도 하나의 결측 구간을 포함할 수 있다. 또한, 결측 데이터 추정 장치는 가상의 타겟 로그 데이터를 생성하면서 동시에 상기 결측 구간에 대응되는 로그 데이터도 추정할 수 있다. Afterwards, the missing data estimation device according to some embodiments of the present invention can estimate and generate virtual target log data as shown in FIG. 10. That is, according to this embodiment, the neural network that learned the correlation between previously learned log data uses only the input valid log data 'Gamma', 'Resistivity', 'Density', and 'Neutron' to create the virtual target log data 'Sonic'. can be estimated. Although not shown, even when the entire target log data is estimated according to some embodiments of the present invention, valid log data obtained from missing data may include at least one missing section. Additionally, the missing data estimation device can generate virtual target log data and simultaneously estimate log data corresponding to the missing section.
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. The device described above may be implemented with hardware components, software components, and/or a combination of hardware components and software components. For example, devices and components described in embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA), etc. , may be implemented using one or more general-purpose or special-purpose computers, such as a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions. A processing device may execute an operating system (OS) and one or more software applications that run on the operating system. Additionally, a processing device may access, store, manipulate, process, and generate data in response to the execution of software. For ease of understanding, a single processing device may be described as being used; however, those skilled in the art will understand that a processing device includes multiple processing elements and/or multiple types of processing elements. It can be seen that it may include. For example, a processing device may include a plurality of processors or one processor and one controller. Additionally, other processing configurations, such as parallel processors, are possible.
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. Software may include a computer program, code, instructions, or a combination of one or more of these, which may configure a processing unit to operate as desired, or may be processed independently or collectively. You can command the device. Software and/or data may be used on any type of machine, component, physical device, virtual equipment, computer storage medium or device to be interpreted by or to provide instructions or data to a processing device. , or may be permanently or temporarily embodied in a transmitted signal wave. Software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.
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. The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable medium. Computer-readable media may include program instructions, data files, data structures, etc., singly or in combination. Program instructions recorded on the medium may be specially designed and configured for the embodiment or may be known and available to those skilled in the art of computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. -Includes optical media (magneto-optical media) and hardware devices specifically configured to store and execute program instructions, such as ROM, RAM, flash memory, etc. Examples of program instructions include machine language code, such as that produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter, etc. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
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. As described above, although the embodiments have been described with limited examples and drawings, various modifications and variations can be made by those skilled in the art from the above description. For example, the described techniques are performed in a different order than the described method, and/or components of the described system, structure, device, circuit, etc. are combined or combined in a different form than the described method, or other components are used. Alternatively, appropriate results may be achieved even if substituted or substituted by an equivalent.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다. Therefore, other implementations, other embodiments, and equivalents of the claims also fall within the scope of the claims described below.
Claims (7)
적어도 하나의 결측 구간을 포함하는 타겟 로그 데이터를 획득하는 단계;
적어도 하나의 비결측 구간을 포함하는 유효 로그 데이터를 획득하는 단계;
상기 타겟 로그 데이터의 비결측 구간에 포함된 검증 구간의 정보와 상기 유효 로그 데이터의 비결측 구간에 포함된 비신뢰 구간의 정보를 획득하는 단계;
상기 검증 구간의 로그 데이터를 제외한 타겟 로그 데이터 및 상기 비신뢰 구간의 로그 데이터를 제외한 유효 로그 데이터를 비지도 학습을 수행하는 신경망에 입력하여 상기 타겟 로그 데이터의 결측 구간과 상기 타겟 로그 데이터의 검증 구간을 추정하는 단계; 및
상기 추정된 타겟 로그 데이터의 검증 구간과 상기 획득된 타겟 로그 데이터의 검증 구간을 비교한 결과에 기초하여 상기 신경망의 정확도를 조정하는 단계를 포함하는,
결측 데이터 추정 방법.
In a missing data estimation method performed by a computing device,
Obtaining target log data including at least one missing section;
Obtaining valid log data including at least one non-missing section;
Obtaining information on a verification interval included in the non-missing section of the target log data and information on an untrusted section included in the non-missing section of the valid log data;
Target log data excluding the log data of the verification section and valid log data excluding the log data of the untrusted section are input into a neural network performing unsupervised learning to create a missing section of the target log data and a verification section of the target log data. estimating; and
Comprising the step of adjusting the accuracy of the neural network based on a result of comparing the verification section of the estimated target log data with the verification section of the obtained target log data,
Methods for estimating missing data.
상기 타겟 로그 데이터의 결측 구간을 추정하는 단계는,
상기 유효 로그 데이터의 비신뢰 구간을 더 추정하는 단계를 포함하는,
결측 데이터 추정 방법.
According to claim 1,
The step of estimating the missing section of the target log data is,
Comprising further estimating an untrusted interval of the valid log data,
Methods for estimating missing data.
상기 타겟 로그 데이터의 결측 구간을 추정하는 단계는,
상기 유효 로그 데이터에 결측 구간이 포함된 경우, 상기 유효 로그 데이터의 결측 구간을 더 추정하는 단계를 포함하는,
결측 데이터 추정 방법.
According to claim 1,
The step of estimating the missing section of the target log data is,
When the valid log data includes a missing section, further estimating the missing section of the valid log data,
Methods for estimating missing data.
상기 타겟 로그 데이터에 비결측 구간이 없는 경우,
상기 타겟 로그 데이터를 획득하는 단계는,
상기 타겟 로그 데이터의 라벨 정보를 획득하는 단계를 더 포함하고,
상기 타겟 로그 데이터의 결측 구간을 추정하는 단계는,
상기 유효 로그 데이터를 이용하여 가상의 타겟 로그 데이터를 생성하는 단계를 포함하는,
결측 데이터 추정 방법.
According to claim 1,
If there is no non-missing section in the target log data,
The step of acquiring the target log data is,
Further comprising obtaining label information of the target log data,
The step of estimating the missing section of the target log data is,
Including generating virtual target log data using the valid log data,
Methods for estimating missing data.
상기 프로세서는,
적어도 하나의 결측 구간을 포함하는 타겟 로그 데이터를 획득하고,
적어도 하나의 비결측 구간을 포함하는 유효 로그 데이터를 획득하고,
상기 타겟 로그 데이터의 비결측 구간에 포함된 검증 구간의 정보와 상기 유효 로그 데이터의 비결측 구간에 포함된 비신뢰 구간의 정보를 획득하고,
상기 검증 구간의 로그 데이터를 제외한 타겟 로그 데이터 및 상기 비신뢰 구간의 로그 데이터를 제외한 유효 로그 데이터를 비지도 학습을 수행하는 신경망에 입력하여 상기 타겟 로그 데이터의 결측 구간과 상기 타겟 로그 데이터의 검증 구간을 추정하고,
상기 추정된 타겟 로그 데이터의 검증 구간과 상기 획득된 타겟 로그 데이터의 검증 구간을 비교한 결과에 기초하여 상기 신경망의 정확도를 조정하는,
결측 데이터 추정 장치.
processor; Including,
The processor,
Obtain target log data including at least one missing interval,
Obtain valid log data including at least one non-missing section,
Obtaining information on a verification interval included in the non-missing section of the target log data and information on an untrusted section included in the non-missing section of the valid log data,
Target log data excluding the log data of the verification section and valid log data excluding the log data of the untrusted section are input into a neural network performing unsupervised learning to create a missing section of the target log data and a verification section of the target log data. Estimate ,
Adjusting the accuracy of the neural network based on the result of comparing the verification section of the estimated target log data and the verification section of the obtained target log data,
Missing data estimator.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220116102A KR102622486B1 (en) | 2020-02-10 | 2022-09-15 | Method and apparatus for estimating missing section of oil well logging data |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200015662A KR102445233B1 (en) | 2020-02-10 | 2020-02-10 | Method and apparatus for estimating missing section of oil well logging data |
| KR1020220116102A KR102622486B1 (en) | 2020-02-10 | 2022-09-15 | Method and apparatus for estimating missing section of oil well logging data |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200015662A Division KR102445233B1 (en) | 2020-02-10 | 2020-02-10 | Method and apparatus for estimating missing section of oil well logging data |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220129522A KR20220129522A (en) | 2022-09-23 |
| KR102622486B1 true KR102622486B1 (en) | 2024-01-10 |
Family
ID=77492455
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200015662A KR102445233B1 (en) | 2020-02-10 | 2020-02-10 | Method and apparatus for estimating missing section of oil well logging data |
| KR1020220116102A KR102622486B1 (en) | 2020-02-10 | 2022-09-15 | Method and apparatus for estimating missing section of oil well logging data |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200015662A KR102445233B1 (en) | 2020-02-10 | 2020-02-10 | Method and apparatus for estimating missing section of oil well logging data |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102445233B1 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230089265A (en) | 2021-12-13 | 2023-06-20 | 대한민국(농촌진흥청장) | Corn harvesting device measuring weight and quantity of harvesting corn |
| KR102593981B1 (en) | 2022-11-10 | 2023-10-25 | 주식회사 이노와이어리스 | method for processing missing value in network log data and analyzing root cause of communication defect thereby |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010217018A (en) * | 2009-03-17 | 2010-09-30 | Sooki:Kk | System for execution support of tunnel excavation using three-dimensional laser scanner |
| KR102039540B1 (en) * | 2019-04-23 | 2019-11-01 | (주)위세아이텍 | Device and method for automating process of detecting outlier values of big data |
-
2020
- 2020-02-10 KR KR1020200015662A patent/KR102445233B1/en active IP Right Grant
-
2022
- 2022-09-15 KR KR1020220116102A patent/KR102622486B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010217018A (en) * | 2009-03-17 | 2010-09-30 | Sooki:Kk | System for execution support of tunnel excavation using three-dimensional laser scanner |
| KR102039540B1 (en) * | 2019-04-23 | 2019-11-01 | (주)위세아이텍 | Device and method for automating process of detecting outlier values of big data |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102445233B9 (en) | 2022-12-27 |
| KR20220129522A (en) | 2022-09-23 |
| KR20210101557A (en) | 2021-08-19 |
| KR102445233B1 (en) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102622486B1 (en) | Method and apparatus for estimating missing section of oil well logging data | |
| US10650042B2 (en) | Image retrieval with deep local feature descriptors and attention-based keypoint descriptors | |
| US11668853B2 (en) | Petrophysical inversion with machine learning-based geologic priors | |
| EP3535607B1 (en) | Seismic data processing artificial intelligence | |
| CA3154977A1 (en) | Earth modeling methods using machine learning | |
| CN109416769B (en) | Computer-implemented method of generating an oil Field Development Plan (FDP) for producing hydrocarbon reservoirs | |
| MXPA01002528A (en) | System and method for delineating spatially dependent objects, such as hydrocarbon accumulations from seismic data. | |
| US20210302606A1 (en) | Method and system for automated velocity model updating using machine learning | |
| US20220178228A1 (en) | Systems and methods for determining grid cell count for reservoir simulation | |
| RU2014152037A (en) | SYSTEM AND METHOD FOR CLASSIFICATION OF FACES | |
| EP4237877A1 (en) | Confidence volumes for earth modeling using machine learning | |
| US8364442B2 (en) | Automated structural interpretation | |
| US11893495B2 (en) | Dual neural network architecture for determining epistemic and aleatoric uncertainties | |
| Birnie et al. | Bidirectional recurrent neural networks for seismic event detection | |
| US10908308B1 (en) | System and method for building reservoir property models | |
| US11754736B2 (en) | System and method for classifying seismic data by integrating petrophysical data | |
| US20220404515A1 (en) | Systems and methods for mapping seismic data to reservoir properties for reservoir modeling | |
| KR102296783B1 (en) | Method and apparatus for generating geological classification data | |
| Ahmed et al. | Machine seismic: an automatic approach for the identification of subsurface structural models | |
| CN112529315A (en) | Landslide prediction method, device, equipment and storage medium | |
| KR102645323B1 (en) | Apparatus and method for evaluating reliability of prediction result from prediction model | |
| EP4276759A1 (en) | Method and apparatus with object tracking | |
| US20230288594A1 (en) | Frequency-dependent machine learning model in seismic interpretation | |
| Cai et al. | Automatic arrival-time picking of P-and S-waves of micro-seismic events based on relative standard generative adversarial network and GHRA | |
| Falk et al. | Machine learning-based estimation and clustering of statistics within stratigraphic models as exemplified in Denmark |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |