KR20210104487A - Mineralogy prediction method by deep learning and device thereof - Google Patents

Mineralogy prediction method by deep learning and device thereof Download PDF

Info

Publication number
KR20210104487A
KR20210104487A KR1020200019300A KR20200019300A KR20210104487A KR 20210104487 A KR20210104487 A KR 20210104487A KR 1020200019300 A KR1020200019300 A KR 1020200019300A KR 20200019300 A KR20200019300 A KR 20200019300A KR 20210104487 A KR20210104487 A KR 20210104487A
Authority
KR
South Korea
Prior art keywords
mineral composition
data
mineral
composition data
deep learning
Prior art date
Application number
KR1020200019300A
Other languages
Korean (ko)
Other versions
KR102410041B1 (en
Inventor
김도경
변중무
최준환
Original Assignee
한양대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020200019300A priority Critical patent/KR102410041B1/en
Publication of KR20210104487A publication Critical patent/KR20210104487A/en
Application granted granted Critical
Publication of KR102410041B1 publication Critical patent/KR102410041B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management

Abstract

The present invention relates to a method and a device for mineral composition prediction. More particularly, the present invention relates to a method and a device for deep learning-based underground mineral composition prediction. The device includes a processor and a memory connected to the processor and storing a deep learning algorithm and first mineral composition data. The memory is capable of storing program commands that can be executed by the processor so that the first mineral composition data is dimensionally reduced by a preset method, second mineral composition data is generated using the reduction data and a variable, and the deep learning algorithm is trained using the second mineral composition data. According to the present invention, it is possible to quickly predict a mineral configuration result at a coreless depth using geophysical logging data and/or limited core data.

Description

딥러닝을 이용한 광물 조성 예측 방법 및 그 장치{MINERALOGY PREDICTION METHOD BY DEEP LEARNING AND DEVICE THEREOF}Mineral composition prediction method and device using deep learning

본 발명은 광물 조성 예측 방법 및 그 장치에 대한 것으로서, 보다 상세하게는 딥러닝(Deep Learning)을 이용하여 지하 광물 조성을 예측하는 방법 및 그 장치에 대한 것이다. The present invention relates to a method and apparatus for predicting a mineral composition, and more particularly, to a method and apparatus for predicting an underground mineral composition using deep learning.

정확한 지하 광물 조성 평가는 지구물리학적 해석에 중요한 영향을 미친다. 이를 성공적으로 수행하기 위해선 정확한 광물조성을 바탕으로 수포화도와 공극률과 같은 저류층 특성이 계산되어야 한다. 이러한 광물조성을 얻기 위해서 일반적으로는 감마선 검층과 같은 시추공 물리검층 자료 및 코어 자료가 활용되어 왔다. Accurate evaluation of underground mineral composition has an important influence on geophysical interpretation. To do this successfully, the reservoir properties such as water saturation and porosity must be calculated based on the correct mineral composition. In order to obtain such a mineral composition, in general, borehole physical analysis data such as gamma-ray analysis and core data have been utilized.

물리검층 자료는 깊이에 따른 연속적인 값을 제공할 수 있지만 광물 조성에 대한 직접적인 정보를 제공할 수 없는 한계가 있다. 반면, 코어 자료는 광물 조성에 대한 직접적인 값을 주지만 모든 깊이에서 정보를 취득하기 어려운 문제점이 있다. Physical analysis data can provide continuous values according to depth, but there is a limitation in that it cannot provide direct information on mineral composition. On the other hand, the core data gives direct values on the mineral composition, but there is a problem in that it is difficult to obtain information at all depths.

이를 해결하기 위해 종래에는 미네랄 솔버(mineral solver)를 이용하여 물리검층 자료로부터 저류층 광물조성이 계산되어 왔다. 하지만 미네랄 솔버에서 광물조성을 계산하는 것은 각 광물의 정확한 검층 반응 이론값들이 필요하게 된다. 또한 계산된 검층 반응과 실제로 관측된 검층 반응과의 차이를 줄여나가는 데에 시간이 소모되는 한계점을 지니고 있다.In order to solve this problem, conventionally, the mineral composition of the reservoir has been calculated from the physical analysis layer data using a mineral solver. However, to calculate the mineral composition in the mineral solver, the exact analysis values of each mineral are required. In addition, it has a limitation in that it takes time to reduce the difference between the calculated and actually observed specimen response.

본 발명은 물리검층 자료 및/또는 한정적인 코어 자료를 이용하여 광물 조성을 예측할 수 있는 딥러닝을 이용한 이미지 보간 방법 및 그 장치를 제공하고자 한다. An object of the present invention is to provide an image interpolation method and apparatus using deep learning that can predict mineral composition using physical analysis data and/or limited core data.

본 발명의 일 실시예에 따르면, 프로세서; 및 상기 프로세서에 연결되고, 딥러닝 알고리즘, 제1 광물조성데이터가 저장되는 메모리;를 포함하며, 상기 메모리는 상기 프로세서에 의해 실행 가능한, 상기 제1 광물조성데이터를 미리 설정된 방법에 따라 차원 축소시키고, 축소데이터 및 변수를 이용하여 제2 광물조성데이터를 생성하며, 상기 제2 광물조성데이터를 이용하여 상기 딥러닝 알고리즘을 학습시키는 프로그램 명령어들을 저장하되, 상기 축소데이터는 상기 차원 축소에 의해 생성된 것인, 광물 조성 예측 장치가 개시된다. According to an embodiment of the present invention, a processor; And it is connected to the processor, a deep learning algorithm, a memory in which the first mineral composition data is stored; includes, wherein the memory is executable by the processor, the dimension reduction of the first mineral composition data according to a preset method and , using the reduced data and variables to generate second mineral composition data, and store program instructions for learning the deep learning algorithm using the second mineral composition data, wherein the reduced data is generated by the dimension reduction. That is, a mineral composition prediction device is disclosed.

실시예에 따라, 상기 변수는 랜덤 변수이고, 상기 제2 광물조성데이터는 상기 제1 광물조성데이터와 상기 랜덤 변수를 이용하여 생성된 것일 수 있다. In some embodiments, the variable may be a random variable, and the second mineral composition data may be generated using the first mineral composition data and the random variable.

실시예에 따라, 상기 제2 광물조성데이터는 상기 축소데이터에 상기 랜덤 변수를 곱한 값을 상기 제1 광물조성데이터에 더하여 생성된 것일 수 있다. According to an embodiment, the second mineral composition data may be generated by adding a value obtained by multiplying the reduced data by the random variable to the first mineral composition data.

실시예에 따라, 상기 메모리는, 상기 제1 광물조성데이터를 PCA(Principal Component Analysis) 분석하여 상기 축소데이터를 생성하는 프로그램 명령어들을 더 저장할 수 있다. According to an embodiment, the memory may further store program instructions for generating the reduced data by analyzing the first mineral composition data by PCA (Principal Component Analysis).

실시예에 따라, 상기 메모리는, 상기 제1 광물조성데이터 및 상기 제2 광물조성데이터를 모두 이용하여 상기 딥러닝 알고리즘을 학습시키는 명령어들을 더 저장할 수 있다. According to an embodiment, the memory may further store instructions for learning the deep learning algorithm using both the first mineral composition data and the second mineral composition data.

본 발명의 다른 실시예에 따르면, 딥러닝 알고리즘, 제1 광물조성데이터가 저장된 광물 조성 예측 장치에서 수행되는 광물 조성 예측 방법에 있어서, 상기 제1 광물조성데이터를 미리 설정된 방법에 따라 차원 축소시키는 단계; 축소데이터 및 변수를 이용하여 제2 광물조성데이터를 생성하는 단계; 및 상기 제2 광물조성데이터를 이용하여 상기 딥러닝 알고리즘을 학습시키는 단계;를 포함하되, 상기 축소데이터는 상기 차원 축소에 의해 생성된 것인, 광물 조성 예측 방법이 개시된다. According to another embodiment of the present invention, in the mineral composition prediction method performed in the deep learning algorithm, the mineral composition prediction apparatus in which the first mineral composition data is stored, the step of reducing the dimension according to a preset method of the first mineral composition data ; generating second mineral composition data using the reduced data and variables; and learning the deep learning algorithm using the second mineral composition data; but, the reduced data is generated by the dimensionality reduction, a mineral composition prediction method is disclosed.

실시예에 따라, 상기 변수는 랜덤 변수이고, 상기 제2 광물조성데이터를 생성하는 단계는, 상기 제1 광물조성데이터와 상기 랜덤 변수를 이용하여 상기 제2 광물조성데이터를 생성하는 단계;를 포함할 수 있다. According to an embodiment, the variable is a random variable, and the step of generating the second mineral composition data includes: generating the second mineral composition data using the first mineral composition data and the random variable; can do.

실시예에 따라, 상기 제2 광물조성데이터를 생성하는 단계는, 상기 축소데이터에 상기 랜덤 변수를 곱한 값을 상기 제1 광물조성데이터에 더하여 상기 제2 광물조성데이터를 생성하는 단계;를 포함할 수 있다. According to an embodiment, the generating of the second mineral composition data may include: adding a value obtained by multiplying the reduced data by the random variable to the first mineral composition data to generate the second mineral composition data; can

실시예에 따라, 상기 차원 축소시키는 단계는, 상기 제1 광물조성데이터를 PCA(Principal Component Analysis) 분석하여 상기 축소데이터를 생성하는 단계;를 포함할 수 있다. According to an embodiment, the step of reducing the dimension may include generating the reduced data by analyzing the first mineral composition data by PCA (Principal Component Analysis).

실시예에 따라, 상기 딥러닝 알고리즘을 학습시키는 단계는, 상기 제1 광물조성데이터 및 상기 제2 광물조성데이터를 모두 이용하여 상기 딥러닝 알고리즘을 학습시키는 단계;를 포함할 수 있다. According to an embodiment, the step of learning the deep learning algorithm may include: learning the deep learning algorithm using both the first mineral composition data and the second mineral composition data.

본 발명에 따르면, 물리검층 자료 및/또는 한정적인 코어 자료를 이용하여 코어가 획득되지 않은 깊이에서의 광물 구성 결과를 단시간 내에 예측할 수 있다. According to the present invention, it is possible to predict the mineral composition result at a depth where the core is not obtained in a short time using the physical analysis data and/or the limited core data.

본 발명에 따라 예측된 광물 구성 결과를 이용하면 효율적인 저류층 평가가 가능할 것이다. Using the mineral composition predicted according to the present invention, it will be possible to efficiently evaluate the reservoir.

본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 일 실시예에 따른 광물 조성 예측 장치에 대한 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 광물 조성 예측 장치의 동작을 설명하기 위한 동작 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 제1 광물조성데이터를 설명하기 위한 예시도이다.
도 4는 본 발명의 일 실시예에 따른 제2 광물조성데이터의 생성을 설명하기 위한 예시도이다.
도 5는 본 발명의 일 실시예에 따른 광물 조성 예측 결과의 정확도를 설명하기 위한 시뮬레이션 그래프이다.
도 6은 본 발명의 일 실시예에 따른 광물 조성 예측 결과의 정확도를 설명하기 위한 표이다.
도 7은 본 발명의 다른 실시예에 따른 광물 조성 예측 방법을 설명하기 위한 순서도이다. In order to more fully understand the drawings recited in the Detailed Description of the Invention, a brief description of each drawing is provided.
1 is a block diagram of a mineral composition prediction apparatus according to an embodiment of the present invention.
Figure 2 is an operation flowchart for explaining the operation of the mineral composition prediction apparatus according to an embodiment of the present invention.
3 is an exemplary view for explaining the first mineral composition data according to an embodiment of the present invention.
4 is an exemplary view for explaining the generation of the second mineral composition data according to an embodiment of the present invention.
5 is a simulation graph for explaining the accuracy of the mineral composition prediction results according to an embodiment of the present invention.
6 is a table for explaining the accuracy of the mineral composition prediction results according to an embodiment of the present invention.
7 is a flowchart for explaining a method for predicting a mineral composition according to another embodiment of the present invention.

본 발명의 기술적 사상에 따른 예시적인 실시예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 기술적 사상을 더욱 완전하게 설명하기 위하여 제공되는 것으로, 아래의 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 기술적 사상의 범위가 아래의 실시예들로 한정되는 것은 아니다. 오히려, 이들 실시예들은 본 개시를 더욱 충실하고 완전하게 하며 당업자에게 본 발명의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.Exemplary embodiments according to the technical spirit of the present invention are provided to more completely explain the technical spirit of the present invention to those of ordinary skill in the art, and the following embodiments are modified in various other forms may be, and the scope of the technical spirit of the present invention is not limited to the following embodiments. Rather, these embodiments are provided so as to more fully and complete the present disclosure and to fully convey the technical spirit of the present invention to those skilled in the art.

본 명세서에서 제1, 제2 등의 용어가 다양한 부재, 영역, 층들, 부위 및/또는 구성 요소들을 설명하기 위하여 사용되지만, 이들 부재, 부품, 영역, 층들, 부위 및/또는 구성 요소들은 이들 용어에 의해 한정되어서는 안 됨은 자명하다. 이들 용어는 특정 순서나 상하, 또는 우열을 의미하지 않으며, 하나의 부재, 영역, 부위, 또는 구성 요소를 다른 부재, 영역, 부위 또는 구성 요소와 구별하기 위하여만 사용된다. 따라서, 이하 상술할 제1 부재, 영역, 부위 또는 구성 요소는 본 발명의 기술적 사상의 가르침으로부터 벗어나지 않고서도 제2 부재, 영역, 부위 또는 구성 요소를 지칭할 수 있다. 예를 들면, 본 발명의 권리 범위로부터 이탈되지 않은 채 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.Although the terms first, second, etc. are used herein to describe various members, regions, layers, regions, and/or components, these members, parts, regions, layers, regions, and/or components refer to these terms. It is obvious that it should not be limited by These terms do not imply a specific order, upper and lower, or superiority, and are used only to distinguish one member, region, region, or component from another member, region, region, or component. Accordingly, the first member, region, region, or component to be described below may refer to the second member, region, region, or component without departing from the teachings of the present invention. For example, without departing from the scope of the present invention, a first component may be referred to as a second component, and similarly, the second component may also be referred to as a first component.

달리 정의되지 않는 한, 여기에 사용되는 모든 용어들은 기술 용어와 과학 용어를 포함하여 본 발명의 개념이 속하는 기술 분야에서 통상의 지식을 가진 자가 공통적으로 이해하고 있는 바와 동일한 의미를 지닌다. 또한, 통상적으로 사용되는, 사전에 정의된 바와 같은 용어들은 관련되는 기술의 맥락에서 이들이 의미하는 바와 일관되는 의미를 갖는 것으로 해석되어야 하며, 여기에 명시적으로 정의하지 않는 한 과도하게 형식적인 의미로 해석되어서는 아니 될 것이다.Unless defined otherwise, all terms used herein have the same meaning as commonly understood by one of ordinary skill in the art to which the concept of the present invention belongs, including technical and scientific terms. Also, commonly used terms as defined in the dictionary should be construed as having a meaning consistent with what they mean in the context of the relevant technology, and unless explicitly defined herein, in an overly formal sense. shall not be interpreted.

여기에서 사용된 '및/또는' 용어는 언급된 부재들의 각각 및 하나 이상의 모든 조합을 포함한다.As used herein, the term 'and/or' includes each and every combination of one or more of the recited elements.

이하에서는 첨부한 도면들을 참조하여 본 발명의 기술적 사상에 의한 실시예들에 대해 상세히 설명한다.Hereinafter, embodiments according to the technical spirit of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 광물 조성 예측 장치에 대한 블록 구성도이다. 1 is a block diagram of a mineral composition prediction apparatus according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 광물조성예측장치(100)는 모뎀(MODEM, 110), 프로세서(PROCESSOR, 120) 및 메모리(MEMORY, 130)를 포함할 수 있다. 1, the mineral composition prediction apparatus 100 according to an embodiment of the present invention may include a modem (MODEM, 110), a processor (PROCESSOR, 120) and a memory (MEMORY, 130).

모뎀(110)은 다른 외부 장치(미도시)들과 전기적으로 연결되어 상호 통신이 이뤄지도록 하는 통신 모뎀일 수 있다. 특히 모뎀(110)은 이들 외부 장치들로부터 수신된 '광물조성데이터'를 프로세서(120)로 출력할 수 있고, 프로세서(120)는 이들 광물조성데이터를 메모리(130)로 저장할 수 있다. The modem 110 may be a communication modem that is electrically connected to other external devices (not shown) to enable mutual communication. In particular, the modem 110 may output 'mineral composition data' received from these external devices to the processor 120 , and the processor 120 may store the mineral composition data in the memory 130 .

메모리(130)는 광물조성예측장치(100)의 동작을 위한 각종 정보 및 프로그램 명령어들이 저장되는 구성으로서, 하드 디스크(Hard Disk), SSD(Solid State Drive) 등과 같은 기억장치일 수 있다. 특히 메모리(130)는 프로세서(120)의 제어에 의해 모뎀(110)에서 입력되는 하나 이상의 광물조성데이터를 저장할 수 있다. 또한, 메모리(130)는 프로세서(120)에 의해 실행 가능한 광물 조성 예측 방법을 실행시키기 위한 딥러닝(Deep-Learning) 알고리즘, PCA(Principal Component Analysis) 프로그램, 기타 실행 명령어 등과 같은 프로그램 명령어들을 저장할 수 있다. The memory 130 is a configuration in which various information and program commands for the operation of the mineral composition prediction apparatus 100 are stored, and may be a storage device such as a hard disk (Hard Disk), a solid state drive (SSD), and the like. In particular, the memory 130 may store one or more mineral composition data input from the modem 110 under the control of the processor 120 . In addition, the memory 130 may store program instructions such as a deep-learning algorithm, a PCA (Principal Component Analysis) program, and other execution instructions for executing a method for predicting a mineral composition executable by the processor 120 . have.

여기서, 광물조성데이터(Mineral Data)는, 물리검층데이터(Geophysical log) 및/또는 코어데이터(Core Analysis Data)를 포함할 수 있다. 물리검층데이터는 물리검층에 의해 취득된 데이터로서, 시추에 의해 굴착한 시추공 내에 다양한 측정 장치를 투입하고, 임의의 물질(예를 들어, 음파, 중성자, 전자, 감마선 등)이 지층을 통과해서 다시 측정 장치로 되돌아오는 양을 깊이에 따라 연속적으로 측정해 얻은 자료를 의미할 수 있다. 물리검층은 용도에 따라 암상판별검층(Lithology log), 공극률 검층(Porosity log), 비저항검층(Resistivity log) 등으로 분류될 수 있다. 물리검층 데이터를 통해, 시추 지역 인근의 암석의 성질, 지층의 석유 함유량, 시추공벽의 상태 등이 조사될 수 있다. 또한, 코어데이터는 코어 시추에서 회수된 코어(Core)에 대한 XRD(X-Ray Diffraction)로서, 시추공을 관찰하여 깊이에 따라 형성된 광물의 성분 등에 대한 데이터일 수 있다. Here, the mineral composition data (Mineral Data) may include a physical log data (Geophysical log) and / or core data (Core Analysis Data). Physical analysis data is data acquired by the physical analysis layer, and various measuring devices are put into the borehole excavated by drilling, and arbitrary materials (eg, sound waves, neutrons, electrons, gamma rays, etc.) It may refer to data obtained by continuously measuring the amount returned to the measuring device according to the depth. The physical examination layer can be classified into a lithology log, a porosity log, a resistivity log, and the like depending on the purpose. Through the physical examination data, the properties of rocks near the drilling area, the petroleum content in the stratum, and the condition of the borehole wall can be investigated. In addition, the core data is XRD (X-Ray Diffraction) for the core recovered from the core drilling, and may be data on the composition of minerals formed according to the depth by observing the borehole.

프로세서(120)는 메모리(130)에 저장된 정보 및 프로그램 명령어들을 이용하여 광물 조성을 예측할 수 있다. 이하, 도 2 내지 도 4를 참조하여 프로세서(120)의 동작에 대해 구체적으로 설명한다. The processor 120 may predict the mineral composition using information and program instructions stored in the memory 130 . Hereinafter, an operation of the processor 120 will be described in detail with reference to FIGS. 2 to 4 .

도 2는 본 발명의 일 실시예에 따른 광물 조성 예측 장치의 동작을 설명하기 위한 동작 흐름도이고, 도 3은 본 발명의 일 실시예에 따른 제1 광물조성데이터를 설명하기 위한 예시도이며, 도 4는 본 발명의 일 실시예에 따른 제2 광물조성데이터의 생성을 설명하기 위한 예시도이다. Figure 2 is an operation flow chart for explaining the operation of the mineral composition prediction apparatus according to an embodiment of the present invention, Figure 3 is an exemplary diagram for explaining the first mineral composition data according to an embodiment of the present invention, Figure 4 is an exemplary diagram for explaining the generation of the second mineral composition data according to an embodiment of the present invention.

도 2에는, 본 발명의 일 실시예에 따른 광물조성예측장치(100)의 프로세서(120)가 광물 조성을 예측하기 위한 동작을 설명하기 위한 동작 흐름이 예시된다. In Figure 2, an operation flow for explaining the operation for predicting the mineral composition of the processor 120 of the mineral composition prediction apparatus 100 according to an embodiment of the present invention is exemplified.

먼저, 프로세서(120)는 광물조성데이터를 수집 및 정리할 수 있다(Mineral Data Gathering, 210). 예를 들어, 프로세서(120)는 모뎀(110)을 통해 외부 장치들로부터 수신된 광물조성데이터(물리검층데이터 및/또는 코어데이터)를 메모리(130)에 저장할 수 있다. First, the processor 120 may collect and organize mineral composition data (Mineral Data Gathering, 210). For example, the processor 120 may store the mineral composition data (physical analysis layer data and/or core data) received from external devices through the modem 110 in the memory 130 .

도 3에는, 서로 상이한 장소에 상응하는 물리검층데이터(Well A, Well B 및 Well C)(310) 및 코어데이터(XRD)(320)가 예시된다. 프로세서(120)는 물리검층데이터(310) 및 코어데이터(320)를 포함하는 광물조성데이터를 메모리(130)에 저장시킬 수 있다. 이하, 처리 전의 광물조성데이터를 '제1 광물조성데이터'라 칭하고, 처리 후 새로이 생성된 광물조성데이터를 '제2 광물조성데이터'라 칭한다. 3, physical analysis data (Well A, Well B, and Well C) 310 and core data (XRD) 320 corresponding to different places are exemplified. The processor 120 may store the mineral composition data including the physical analysis layer data 310 and the core data 320 in the memory 130 . Hereinafter, the mineral composition data before treatment will be referred to as 'first mineral composition data', and the newly created mineral composition data after treatment will be referred to as 'second mineral composition data'.

또한, 프로세서(120)는 광물조성데이터를 처리하여 딥러닝 알고리즘을 학습시킬 자료를 생성할 수 있다(Mineral Data Processing, 220). In addition, the processor 120 may generate data for learning the deep learning algorithm by processing the mineral composition data (Mineral Data Processing, 220).

먼저, 프로세서(120)는 제1 광물조성데이터를 미리 설정된 방법에 따라 차원 축소시킬 수 있다. 예를 들어, 프로세서(120)는 메모리(130)에 저장된 PCA 프로그램을 실행시켜, 제1 광물조성데이터에 포함된 제1 코어데이터의 차원을 축소시킬 수 있다. 상술한 바와 같이, 메모리(130)에는 PCA(Principal Component Analysis) 프로그램이 미리 저장되어 있을 수 있고, 프로세서(120)는 당해 PCA 프로그램을 이용하여 제1 코어데이터의 차원을 축소시킬 수 있는 것이다. First, the processor 120 may reduce the dimension of the first mineral composition data according to a preset method. For example, the processor 120 may reduce the dimension of the first core data included in the first mineral composition data by executing the PCA program stored in the memory 130 . As described above, a PCA (Principal Component Analysis) program may be previously stored in the memory 130 , and the processor 120 may reduce the dimension of the first core data by using the PCA program.

즉, 프로세서(120)는 제1 코어데이터(320)를 1차원의 임의의 값으로 축소시킬 수 있다. 또한, 프로세서(120)는 제1 물리검층데이터(310)를 1차원의 임의의 값으로 축소시킬 수 있다. 이하, 프로세서(120)에 의해 제1 광물조성데이터의 차원이 축소되어 생성된 데이터를 축소데이터라 칭한다. 축소데이터는 제1 코어데이터(320) 또는 제1 물리검층데이터(310)에 포함된 광물에 상응하는 임의의 값(들)을 포함할 수 있다. That is, the processor 120 may reduce the first core data 320 to a one-dimensional arbitrary value. In addition, the processor 120 may reduce the first physical analysis data 310 to a one-dimensional arbitrary value. Hereinafter, data generated by reducing the dimension of the first mineral composition data by the processor 120 is referred to as reduced data. The reduced data may include any value(s) corresponding to the minerals included in the first core data 320 or the first physical analysis data 310 .

예를 들어, 제1 코어데이터(320)에 a광물, b광물 및 c광물에 대한 조성이 포함되어 있는 경우를 가정한다. 또한, a광물에 대응되는 값은 a'이고, b광물에 대응되는 값은 b'이며, c광물에 대응되는 값은 c'인 경우를 가정한다. 이때, 프로세서(120)는 당해 제1 코어데이터(320)를 PCA 분석하여 a광물에 대응되는 축소데이터로 a''를, b광물에 대응되는 축소데이터로 b''를, c광물에 대응되는 축소데이터로 c''를 생성할 수 있다. 마찬가지의 방법에 의해, 프로세서(120)는 제1 물리검층데이터(310)에 상응하는 축소데이터를 생성할 수 있다. For example, it is assumed that the first core data 320 includes a composition for a mineral, a mineral b, and a mineral c. Also, it is assumed that the value corresponding to the mineral a is a', the value corresponding to the mineral b is b', and the value corresponding to the mineral c is c'. At this time, the processor 120 performs PCA analysis of the first core data 320 to a'' as the reduced data corresponding to the a mineral, b'' as the reduced data corresponding to the b mineral, and a corresponding to the c mineral. It is possible to create c'' with reduced data. By the same method, the processor 120 may generate reduced data corresponding to the first physical analysis data 310 .

제1 광물조성데이터(310)에는 복수개의 제1 코어데이터(320) 및 제1 물리검층데이터(320)가 포함될 수 있다(단, n은 자연수임). 따라서, 프로세서(120)는 제1 코어데이터(320) 각각에 상응하는 축소데이터를 생성할 수 있고, 제1 물리검층데이터(310) 각각에 상응하는 축소데이터를 생성할 수 있다. The first mineral composition data 310 may include a plurality of first core data 320 and first physical analysis data 320 (provided that n is a natural number). Accordingly, the processor 120 may generate reduced data corresponding to each of the first core data 320 , and may generate reduced data corresponding to each of the first physical analysis data 310 .

또한, 프로세서(120)는 생성된 축소데이터에 미리 설정된 랜덤 변수(r)를 곱할 수 있다. 예를 들어, 프로세서(120)는 구비된 랜덤 변수 생성기(미도시)에서 랜덤 변수를 입력받아 축소데이터와 곱할 수 있다. 상술한 예시에서, 프로세서(120)는 a''에 r1을 곱하여 a1'''를 생성할 수 있다. 또한, 프로세서(120)는 b''에 r1을 곱하여 b1'''를 생성할 수 있다. 또한, 프로세서(120)는 c''에 r1을 곱하여 c1'''를 생성할 수 있다. 또한, 프로세서(120)는 a''에 r2를 곱하여 a2'''를 생성할 수 있다. 또한, 프로세서(120)는 b''에 r2를 곱하여 b2'''를 생성할 수 있다. 또한, 프로세서(120)는 c''에 r2를 곱하여 c2'''를 생성할 수 있다. 이러한 동작에 의해 생성된 데이터(a1''', b1''' 및 c1''' 또는 a2''', b2''' 및 c2''')를 랜덤데이터라 칭한다. Also, the processor 120 may multiply the generated reduced data by a preset random variable r. For example, the processor 120 may receive a random variable from the provided random variable generator (not shown) and multiply it with the reduced data. In the above-described example, the processor 120 may generate a1''' by multiplying a'' by r1. Also, the processor 120 may generate b1''' by multiplying b'' by r1. Also, the processor 120 may generate c1''' by multiplying c'' by r1. Also, the processor 120 may generate a2''' by multiplying a'' by r2. Also, the processor 120 may generate b2'' by multiplying b'' by r2. Also, the processor 120 may generate c2''' by multiplying c'' by r2. The data (a1''', b1''' and c1''' or a2''', b2''' and c2''') generated by this operation is referred to as random data.

이후, 프로세서(120)는 제1 코어데이터(320)에 랜덤데이터를 합하여 제2 코어데이터를 생성할 수 있다. 상술한 예시에서, 프로세서(120)는 a'에 a1'''을 더하여 a1''''를 생성할 수 있다. 또는 프로세서(120)는 a'에 a2'''을 더하여 a2''''를 생성할 수 있다. 마찬가지로, 프로세서(120)는 b1'''' 또는 b2''''를, c1'''' 또는 c 2''''를 생성할 수 있다. Thereafter, the processor 120 may generate the second core data by adding the random data to the first core data 320 . In the above-described example, the processor 120 may generate a1'''' by adding a1''' to a'. Alternatively, the processor 120 may generate a2''' by adding a2''' to a'. Similarly, the processor 120 may generate b1'''' or b2'''' and c1'''' or c 2''''.

즉, 프로세서(120)는 제1 코어데이터의 차원을 축소하고, 차원 축소에 의해 생성된 축소데이터와 랜덤 변수를 곱하여 랜덤데이터를 생성하고, 제1 코어데이터와 랜덤데이터를 합하여 제2 코어데이터를 생성할 수 있는 것이다. 마찬가지로, 프로세서(120)는 제1 물리검층데이터의 차원을 축소하고, 차원 축소에 의해 생성된 축소데이터와 랜덤 변수를 곱하여 랜덤데이터를 생성하고, 제1 물리검층데이터와 랜덤데이터를 합하여 제2 물리검층데이터를 생성할 수 있는 것이다.That is, the processor 120 reduces the dimension of the first core data, multiplies the reduced data generated by the dimension reduction and a random variable to generate random data, and adds the first core data and the random data to generate the second core data. that can be created Similarly, the processor 120 reduces the dimension of the first physical analysis data, generates random data by multiplying the reduced data generated by the dimension reduction and a random variable, and adds the first physical analysis data and random data to the second physical analysis data. It is possible to generate inspection data.

도 4에는, 제1 광물조성데이터(Original Data)와 제2 광물조성데이터(Augmented Data)의 비교 시뮬레이션 결과가 도시된다. 도 4를 참조하면, 원래 데이터인 제1 광물조성데이터와 증가된 데이터인 제2 광물조성데이터의 데이터 분포를 비교한 결과, 제1 광물조성데이터와 제2 광물조성데이터를 구성하는 성분의 분포는 유지되는 것을 알 수 있다. 4, a comparison simulation result of the first mineral composition data (Original Data) and the second mineral composition data (Augmented Data) is shown. 4, as a result of comparing the data distribution of the first mineral composition data, which is the original data, and the second mineral composition data, which is the increased data, the distribution of the components constituting the first mineral composition data and the second mineral composition data is can be seen to be maintained.

또한, 프로세서(120)는 제1 광물조성데이터와 제2 광물조성데이터를 이용하여 딥러닝 알고리즘을 학습시킬 수 있고(도 2의 230), 딥러닝 알고리즘의 학습이 완료되면, 딥러닝 알고리즘을 이용하여 광물 조성을 예측할 수 있다(도 2의 240). 즉, 프로세서(120)는 제1 광물조성데이터와 제2 광물조성데이터를 딥러닝 알고리즘(예를 들어, DNN, Deep Neural Network)에 입력시켜 딥러닝 알고리즘을 학습시킬 수 있다. 프로세서(120)는 제1 물리검층데이터와 제2 물리검층데이터를 입력데이터로 하고, 제1 물리검층데이터와 매칭된 제1 코어데이터와 제2 물리검층데이터와 매칭된 제2 코어데이터를 정답데이터(Labeling)로 하여 딥러닝 알고리즘을 학습시킬 수 있다. In addition, the processor 120 may learn the deep learning algorithm by using the first mineral composition data and the second mineral composition data ( 230 in FIG. 2 ), and when the learning of the deep learning algorithm is completed, the deep learning algorithm is used to predict the mineral composition (240 in FIG. 2). That is, the processor 120 may learn the deep learning algorithm by inputting the first mineral composition data and the second mineral composition data to a deep learning algorithm (eg, DNN, Deep Neural Network). The processor 120 uses the first physical analysis data and the second physical analysis data as input data, and the first core data matched with the first physical analysis data and the second core data matched with the second physical analysis data as correct data (Labeling) to train deep learning algorithms.

이에 의하여 딥러닝 알고리즘은 풍부한 양의 학습자료를 통해 학습될 수 있다. 상술한 방법에 따른 딥러닝 알고리즘의 학습 결과를 검증하기 위해, 제1 광물조성데이터 중 임의의 데이터가 딥러닝 알고리즘 학습에 사용되지 않고, 검증용 데이터로 활용된 경우를 도 5 및 도 6에 예시하였다. Accordingly, the deep learning algorithm can be learned through a large amount of learning data. In order to verify the learning result of the deep learning algorithm according to the above-described method, a case in which any data among the first mineral composition data is not used for learning the deep learning algorithm and is utilized as data for verification is illustrated in FIGS. 5 and 6 did.

도 5는 본 발명의 일 실시예에 따른 광물 조성 예측 결과의 정확도를 설명하기 위한 시뮬레이션 그래프이고, 도 6은 본 발명의 일 실시예에 따른 광물 조성 예측 결과의 정확도를 설명하기 위한 표이다. 5 is a simulation graph for explaining the accuracy of the mineral composition prediction results according to an embodiment of the present invention, Figure 6 is a table for explaining the accuracy of the mineral composition prediction results according to an embodiment of the present invention.

도 5에 예시된 그래프의 세로축은 지하 깊이이고, 가로축은 광물의 조성값이다. 당해 그래프에는 단일의 색상이 채워진 라인(Line), 적색 점, 녹색 점 등이 포함되어 있다. 라인은 상응하는 광물의 조성값을 깊이에 따라 연결한 선이고, 적색 점은 학습에 사용된 제1 광물조성데이터에 상응하는 조성값이고, 녹색 점은 학습에 사용되지 않은 제1 광물조성데이터에 상응하는 조성값이다. 따라서, 녹색 점이 라인 상에 위치되면 딥러닝 알고리즘의 학습이 정확하게 이뤄진 것으로 볼 수 있다. 도 5에 예시된 그래프를 참조하면, 상술한 방법에 따른 딥러닝 알고리즘이 정확하게 학습되었음을 알 수 있다. The vertical axis of the graph illustrated in FIG. 5 is the underground depth, and the horizontal axis is the composition value of the mineral. The graph includes a line filled with a single color, a red dot, a green dot, and the like. The line is a line connecting the composition values of the corresponding minerals according to the depth, the red dot is the composition value corresponding to the first mineral composition data used for learning, and the green dot is the first mineral composition data not used for learning. corresponding composition value. Therefore, when the green dot is located on the line, it can be seen that the learning of the deep learning algorithm has been accurately performed. Referring to the graph illustrated in FIG. 5 , it can be seen that the deep learning algorithm according to the above-described method has been accurately learned.

또한, 도 6에 예시된 표는 본원발명에 따라 학습된 딥러닝 알고리즘(DNN) 또는 종래의 기술(Mineral Solver)에 의해 예측된 조성값과 실제 제1 광물조성데이터의 값을 비교한 값의 차이를 RMSE(Root Mean Square Error, 평균 제곱근 편차)로 나타낸 표이다. 도 6을 참조하면, 본 발명의 일 실시예에 따라 학습된 딥러닝 알고리즘의 RMSE가 종래의 기술에 비하여 현저히 낮음을 알 수 있다. In addition, the table exemplified in FIG. 6 is a comparison of the value of the composition value predicted by the deep learning algorithm (DNN) or the conventional technique (Mineral Solver) learned according to the present invention and the value of the actual first mineral composition data. This is a table showing RMSE (Root Mean Square Error, Root Mean Square Deviation). Referring to FIG. 6 , it can be seen that the RMSE of the deep learning algorithm learned according to an embodiment of the present invention is significantly lower than that of the prior art.

도 7은 본 발명의 다른 실시예에 따른 광물 조성 예측 방법을 설명하기 위한 순서도이다. 7 is a flowchart for explaining a method for predicting a mineral composition according to another embodiment of the present invention.

이하, 도 7을 참조하여, 본 발명의 다른 실시예에 따른 광물 조성 예측 방법을 설명한다. 이하에서 설명할 각 단계들은, 도 1을 참조하여 설명한 광물조성예측장치(100)의 각 구성 요소에 의해 수행되는 것일 수 있으나, 이해와 설명의 편의를 위하여 광물조성예측장치(100)가 수행하는 것으로 통칭하여 설명한다. 또한, 광물조성예측장치(100)에는 메모리(130)가 포함되어 광물 조성 예측 방법을 실행하기 위한 데이터 및/또는 프로그램이 기저장되어 있을 수 있다. Hereinafter, a method for predicting a mineral composition according to another embodiment of the present invention will be described with reference to FIG. 7 . Each of the steps to be described below may be performed by each component of the mineral composition predicting apparatus 100 described with reference to FIG. 1, but for the convenience of understanding and explanation, the mineral composition predicting apparatus 100 performs It is collectively described as In addition, the mineral composition prediction apparatus 100 may include a memory 130 to store data and/or a program for executing the mineral composition prediction method in advance.

단계 S710에서, 광물조성예측장치(100)는 제1 광물조성데이터를 수집 및 정리할 수 있다. 또한, 광물조성예측장치(100)는 제1 광물조성데이터를 구비된 메모리(130)에 저장할 수 있다. In step S710, the mineral composition prediction apparatus 100 may collect and organize the first mineral composition data. In addition, the mineral composition prediction apparatus 100 may store the first mineral composition data in the provided memory 130 .

단계 S720에서, 광물조성예측장치(100)는 미리 설정된 방법에 따라 광물조성데이터의 차원을 축소시킬 수 있다. 예를 들어, 광물조성예측장치(100)는 메모리(130)에 저장된 PCA 프로그램을 실행시켜, 제1 광물조성데이터에 포함된 제1 코어데이터의 차원을 축소시킬 수 있다.In step S720, the mineral composition prediction apparatus 100 may reduce the dimension of the mineral composition data according to a preset method. For example, the mineral composition prediction apparatus 100 may reduce the dimension of the first core data included in the first mineral composition data by executing the PCA program stored in the memory 130 .

단계 S730에서, 광물조성예측장치(100)는 차원 축소에 의해 생성된 축소데이터와 랜덤 변수를 이용하여 제2 광물조성데이터를 생성할 수 있다. 예를 들어, 광물조성예측장치(100)는 생성된 축소데이터에 랜덤 변수(r)를 곱하여 랜덤데이터를 생성할 수 있다. 이후, 광물조성예측장치(100)는 제1 코어데이터에 랜덤데이터를 합하여 제2 광물조성데이터를 생성할 수 있다.In step S730, the mineral composition prediction apparatus 100 may generate the second mineral composition data by using the reduced data and random variables generated by the dimension reduction. For example, the mineral composition prediction apparatus 100 may generate random data by multiplying the generated reduced data by a random variable r. Thereafter, the mineral composition prediction apparatus 100 may generate the second mineral composition data by adding the random data to the first core data.

즉, 광물조성예측장치(100)는 제1 코어데이터의 차원을 축소하고, 차원 축소에 의해 생성된 축소데이터와 랜덤 변수를 곱하여 랜덤데이터를 생성하고, 제1 코어데이터와 랜덤데이터를 합하여 제2 광물조성데이터를 생성할 수 있는 것이다. That is, the mineral composition prediction apparatus 100 reduces the dimension of the first core data, multiplies the reduced data generated by the dimension reduction and a random variable to generate random data, and adds the first core data and the random data to the second It is possible to generate mineral composition data.

단계 S740에서, 광물조성예측장치(100)는 제1 광물조성데이터와 제2 광물조성데이터를 이용하여 딥러닝 알고리즘을 학습시킬 수 있다. 광물조성예측장치(100)는 제1 광물조성데이터와 제2 광물조성데이터를 딥러닝 알고리즘(예를 들어, DNN, Deep Neural Network)에 입력시켜 딥러닝 알고리즘을 학습시킬 수 있다. 이때, 제1 물리검층데이터에는 동일한 시추공을 통해 수집된 제1 코어데이터가 매칭되어 정답으로 라벨링(Labeling)될 수 있다. 또한, 제2 물리검층데이터는 상응하는 제2 코어데이터가 정답으로 라벨링될 수도 있다. 따라서, 딥러닝 알고리즘은 제1 물리검층데이터와 제2 물리검층데이터를 입력값으로, 이들과 각각 매칭된 제1 코어데이터와 제2 코어데이터를 정답데이터로 하여 학습될 수 있다. In step S740, the mineral composition prediction apparatus 100 may learn a deep learning algorithm using the first mineral composition data and the second mineral composition data. The mineral composition prediction apparatus 100 may learn the deep learning algorithm by inputting the first mineral composition data and the second mineral composition data into a deep learning algorithm (eg, DNN, Deep Neural Network). At this time, the first core data collected through the same borehole may be matched to the first physical analysis data and labeled as the correct answer. In addition, the second physical analysis data may be labeled with the corresponding second core data as the correct answer. Therefore, the deep learning algorithm can be learned by taking the first physical analysis data and the second physical analysis data as input values, and using the first core data and the second core data matched with these as the correct answer data, respectively.

단계 S750에서, 광물조성예측장치(100)는 학습된 딥러닝 알고리즘을 이용하여 광물조성을 예측할 수 있다. In step S750, the mineral composition prediction apparatus 100 may predict the mineral composition using the learned deep learning algorithm.

이상, 본 발명을 바람직한 실시 예를 들어 상세하게 설명하였으나, 본 발명은 상기 실시 예에 한정되지 않고, 본 발명의 기술적 사상 및 범위 내에서 당 분야에서 통상의 지식을 가진 자에 의하여 여러가지 변형 및 변경이 가능하다. Above, the present invention has been described in detail with reference to a preferred embodiment, but the present invention is not limited to the above embodiment, and various modifications and changes by those skilled in the art within the technical spirit and scope of the present invention This is possible.

100 : 광물조성예측장치
110 : 모뎀
120 : 프로세서
130 : 메모리100: mineral composition prediction device
110: modem
120: processor
130: memory

Claims (10)

프로세서; 및
상기 프로세서에 연결되고, 딥러닝 알고리즘, 제1 광물조성데이터가 저장되는 메모리;
를 포함하며,
상기 메모리는 상기 프로세서에 의해 실행 가능한,
상기 제1 광물조성데이터를 미리 설정된 방법에 따라 차원 축소시키고, 축소데이터 및 변수를 이용하여 제2 광물조성데이터를 생성하며, 상기 제2 광물조성데이터를 이용하여 상기 딥러닝 알고리즘을 학습시키는 프로그램 명령어들을 저장하되,
상기 축소데이터는 상기 차원 축소에 의해 생성된 것인, 광물 조성 예측 장치.
processor; and
a memory connected to the processor, a deep learning algorithm, and a first mineral composition data stored therein;
includes,
the memory is executable by the processor;
A program command for reducing the dimension of the first mineral composition data according to a preset method, generating second mineral composition data using the reduced data and variables, and learning the deep learning algorithm using the second mineral composition data save them,
The reduced data will be generated by the dimensional reduction, mineral composition prediction device.
 제1항에 있어서,
상기 변수는 랜덤 변수이고,
상기 제2 광물조성데이터는 상기 제1 광물조성데이터와 상기 랜덤 변수를 이용하여 생성된 것인, 광물 조성 예측 장치.
According to claim 1,
the variable is a random variable,
The second mineral composition data will be generated using the first mineral composition data and the random variable, mineral composition prediction device.
 제2항에 있어서,
상기 제2 광물조성데이터는,
상기 축소데이터에 상기 랜덤 변수를 곱한 값을 상기 제1 광물조성데이터에 더하여 생성된 것인, 광물 조성 예측 장치.
3. The method of claim 2,
The second mineral composition data is,
Which is generated by adding a value obtained by multiplying the reduced data by the random variable to the first mineral composition data, mineral composition prediction device.
 제1항에 있어서,
상기 메모리는,
상기 제1 광물조성데이터를 PCA(Principal Component Analysis) 분석하여 상기 축소데이터를 생성하는 프로그램 명령어들을 더 저장하는, 광물 조성 예측 장치.
According to claim 1,
The memory is
Further storing program instructions for generating the reduced data by analyzing the first mineral composition data by PCA (Principal Component Analysis), mineral composition prediction apparatus.
 제1항에 있어서,
상기 메모리는,
상기 제1 광물조성데이터 및 상기 제2 광물조성데이터를 모두 이용하여 상기 딥러닝 알고리즘을 학습시키는 명령어들을 더 저장하는, 광물 조성 예측 장치.
According to claim 1,
The memory is
Further storing instructions for learning the deep learning algorithm using both the first mineral composition data and the second mineral composition data, mineral composition prediction apparatus.
 딥러닝 알고리즘, 제1 광물조성데이터가 저장된 광물 조성 예측 장치에서 수행되는 광물 조성 예측 방법에 있어서,
상기 제1 광물조성데이터를 미리 설정된 방법에 따라 차원 축소시키는 단계;
축소데이터 및 변수를 이용하여 제2 광물조성데이터를 생성하는 단계; 및
상기 제2 광물조성데이터를 이용하여 상기 딥러닝 알고리즘을 학습시키는 단계;
를 포함하되,
상기 축소데이터는 상기 차원 축소에 의해 생성된 것인, 광물 조성 예측 방법.
In the mineral composition prediction method performed by the deep learning algorithm, the mineral composition prediction device in which the first mineral composition data is stored,
reducing the dimension of the first mineral composition data according to a preset method;
generating second mineral composition data using the reduced data and variables; and
learning the deep learning algorithm using the second mineral composition data;
including,
The reduced data will be generated by the dimensional reduction, mineral composition prediction method.
 제6항에 있어서,
상기 변수는 랜덤 변수이고,
상기 제2 광물조성데이터를 생성하는 단계는,
상기 제1 광물조성데이터와 상기 랜덤 변수를 이용하여 상기 제2 광물조성데이터를 생성하는 단계;
를 포함하는, 광물 조성 예측 방법.
7. The method of claim 6,
the variable is a random variable,
The step of generating the second mineral composition data,
generating the second mineral composition data using the first mineral composition data and the random variable;
Containing, mineral composition prediction method.
 제7항에 있어서,
상기 제2 광물조성데이터를 생성하는 단계는,
상기 축소데이터에 상기 랜덤 변수를 곱한 값을 상기 제1 광물조성데이터에 더하여 상기 제2 광물조성데이터를 생성하는 단계;
를 포함하는, 광물 조성 예측 방법.
8. The method of claim 7,
The step of generating the second mineral composition data,
generating the second mineral composition data by adding a value obtained by multiplying the reduced data by the random variable to the first mineral composition data;
Containing, mineral composition prediction method.
 제6항에 있어서,
상기 차원 축소시키는 단계는,
상기 제1 광물조성데이터를 PCA(Principal Component Analysis) 분석하여 상기 축소데이터를 생성하는 단계;
를 포함하는, 광물 조성 예측 방법.
7. The method of claim 6,
The step of reducing the dimension is,
generating the reduced data by analyzing the first mineral composition data by PCA (Principal Component Analysis);
Containing, mineral composition prediction method.
 제1항에 있어서,
상기 딥러닝 알고리즘을 학습시키는 단계는,
상기 제1 광물조성데이터 및 상기 제2 광물조성데이터를 모두 이용하여 상기 딥러닝 알고리즘을 학습시키는 단계;
를 포함하는, 광물 조성 예측 방법. According to claim 1,
The step of learning the deep learning algorithm is,
learning the deep learning algorithm using both the first mineral composition data and the second mineral composition data;
Containing, mineral composition prediction method.
KR1020200019300A 2020-02-17 2020-02-17 Mineralogy prediction method by deep learning and device thereof KR102410041B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200019300A KR102410041B1 (en) 2020-02-17 2020-02-17 Mineralogy prediction method by deep learning and device thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200019300A KR102410041B1 (en) 2020-02-17 2020-02-17 Mineralogy prediction method by deep learning and device thereof

Publications (2)

Publication Number Publication Date
KR20210104487A true KR20210104487A (en) 2021-08-25
KR102410041B1 KR102410041B1 (en) 2022-06-16

Family

ID=77495287

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200019300A KR102410041B1 (en) 2020-02-17 2020-02-17 Mineralogy prediction method by deep learning and device thereof

Country Status (1)

Country Link
KR (1) KR102410041B1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170126310A (en) * 2016-05-09 2017-11-17 삼성전자주식회사 Method and apparatus for predicting analyte concentration

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170126310A (en) * 2016-05-09 2017-11-17 삼성전자주식회사 Method and apparatus for predicting analyte concentration

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Tessema, Mineral Systems Analysis And Artificial Neural Network Modeling of Chromite Prospectivity, 2017.10. 1부* *
유현종 외 2인, 퍼지군집분석을 이용한 암석물리학상 추정 연구, 2009.07. 1부* *

Also Published As

Publication number Publication date
KR102410041B1 (en) 2022-06-16

Similar Documents

Publication Publication Date Title
EP3535607B1 (en) Seismic data processing artificial intelligence
EP2859388B1 (en) System and method for optimizing the number of conditioning data in multiple point statistics simulation
EP2912496B1 (en) Identifying formation, matrix and fluid related characteristics from subsurface data using factor analysis
CN113919219A (en) Stratum evaluation method and system based on logging big data
Wei et al. Characterizing rock facies using machine learning algorithm based on a convolutional neural network and data padding strategy
Doghmane et al. Application of improved artificial neural network algorithm in hydrocarbons’ reservoir evaluation
Ali et al. A novel machine learning approach for detecting outliers, rebuilding well logs, and enhancing reservoir characterization
US11828168B2 (en) Method and system for correcting and predicting sonic well logs using physics-constrained machine learning
Bagheri et al. Reservoir rock permeability prediction using SVR based on radial basis function kernel
US11754736B2 (en) System and method for classifying seismic data by integrating petrophysical data
KR102410041B1 (en) Mineralogy prediction method by deep learning and device thereof
US20220404515A1 (en) Systems and methods for mapping seismic data to reservoir properties for reservoir modeling
Solum et al. Accelerating core characterization and interpretation through deep learning with an application to legacy data sets
US11795818B2 (en) Method for identifying geological and drilling patterns in a unidimensional space via periodic orthogonal functions applied to drilling parameter data
Asedegbega et al. Application of machine learniing for reservoir facies classification in port field, Offshore Niger Delta
US11719851B2 (en) Method and system for predicting formation top depths
Bhattacharya Unsupervised time series clustering, class-based ensemble machine learning, and petrophysical modeling for predicting shear sonic wave slowness in heterogeneous rocks
US20210374306A1 (en) Distributed Sequencial Gaussian Simulation
Eze et al. Natural fracture presence prediction in unconventional reservoirs using machine learning and geostatistical methods-workflow and HFTS1 case
Oughton et al. A sequential dynamic Bayesian network for pore-pressure estimation with uncertainty quantification
US11953647B2 (en) System and method for radioactivity prediction to evaluate formation productivity
CN113159136B (en) Stratum partitioning method, device, equipment and storage medium for in-hole data fusion
Wilson A Data Science Approach to Uncertainty Evaluation in Fault-Seal Analysis for Exploration Applications in Siliciclastic Reservoirs
US20230349277A1 (en) Machine learning approach for generating subsurface representations in layer-space
Denisov et al. Separation of reservoir layers based on neuro-fuzzy systems

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant