KR20210150916A - 웰 로그를 학습하여 s파 속도를 추정하는 방법 및 장치 - Google Patents

웰 로그를 학습하여 s파 속도를 추정하는 방법 및 장치 Download PDF

Info

Publication number
KR20210150916A
KR20210150916A KR1020200067930A KR20200067930A KR20210150916A KR 20210150916 A KR20210150916 A KR 20210150916A KR 1020200067930 A KR1020200067930 A KR 1020200067930A KR 20200067930 A KR20200067930 A KR 20200067930A KR 20210150916 A KR20210150916 A KR 20210150916A
Authority
KR
South Korea
Prior art keywords
data
measurement depth
wave velocity
learning
wave
Prior art date
Application number
KR1020200067930A
Other languages
English (en)
Inventor
차승준
최영기
장희정
이경진
조현종
Original Assignee
에스케이이노베이션 주식회사
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 에스케이이노베이션 주식회사 filed Critical 에스케이이노베이션 주식회사
Priority to KR1020200067930A priority Critical patent/KR20210150916A/ko
Priority to US17/248,649 priority patent/US11422276B2/en
Priority to CN202110185503.0A priority patent/CN113759420A/zh
Publication of KR20210150916A publication Critical patent/KR20210150916A/ko
Priority to US17/865,703 priority patent/US11796698B2/en
Priority to US18/351,906 priority patent/US12019195B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/282—Application of seismic models, synthetic seismograms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/303—Analysis for determining velocity profiles or travel times
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • G01V1/50—Analysing data
    • 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
    • E21B47/00—Survey of boreholes or wells
    • E21B47/04—Measuring depth or liquid level
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/284—Application of the shear wave component and/or several components of the seismic signal
    • 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
    • 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
    • G01V2210/62—Physical property of subsurface
    • G01V2210/622—Velocity, density or impedance
    • G01V2210/6222—Velocity; travel time

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Geology (AREA)
  • Geophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mining & Mineral Resources (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fluid Mechanics (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

본 발명의 일실시예에 따르면, 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들 각각의 값이 입력데이터이고, 측정 깊이에 따른 S파 속도가 정답데이터인 학습데이터에 기초하여 웰 로그를 입력하면 측정 깊이에 따른 S파 속도를 출력하도록 S파추정모델을 형성하는 모델 형성 단계, 및 상기 S파추정모델에 S파 속도를 추정하려는 시추공에서 획득한, 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들 각각의 값을 정리한 대상데이터를 입력하여 측정 깊이에 따른 S파 속도를 추정하는 S파 속도 추정 단계를 포함하는, 웰 로그를 학습하여 S파 속도를 추정하는 방법 및 장치를 제공할 수 있으며. 웰 로그를 학습한 인공지능 모델을 이용하여 S파 속도를 정확하고 신속하게 예측할 수 있다.

Description

웰 로그를 학습하여 S파 속도를 추정하는 방법 및 장치{Method and apparatus for estimating S-wave velocity by learning well log}
본 발명은 웰 로그를 학습하여 S파 속도를 추정하는 방법 및 장치에 관한 것이다.
지하에는 석탄, 석유, 천연가스, 광물 등 다양한 자원이 존재한다. 지하자원의 존재 가능성을 탐색하기 위하여 지층에 구멍을 뚫어 직접 지층을 확인하는 시추가 수행된다. 시추를 수행하면 지층에 시추공(Well)을 형성하는 과정에서 획득되는 암석 등을 분석하고 지층의 특성을 측정하여 기록한 웰 로그(Well log)를 획득할 수 있다. S파(Shear wave, S-wave)의 속도(velocity)는 웰 로그 중에서 지하 물성을 추정할 때 중요하게 고려되는 요소이다. 그러나 시추공에서 웰 로그를 획득하는 과정에서 S파 속도를 측정하지 못하는 경우가 존재한다.
웰 로그에 S파 속도가 존재하지 않는 경우, 웰 로그의 다른 인자들을 분석하여 지층의 S파 속도를 추정할 수 있다. 종래에는 소수의 지질 전문가가 경험적 판단에 의존하여 웰 로그를 분석하고 S파를 추정하는 방법이 이용되어 왔다. 다양한 종류와 방대한 양의 데이터를 포함하는 웰 로그를 사람이 직접 분석하는 것은 많은 시간과 높은 비용이 소요되고 정확도가 낮으며 분석자에 따라 다른 결과를 도출할 수 있다.
CN 103424772 A
본 발명의 일실시예에 따른 목적은, 웰 로그를 학습한 인공지능 모델을 이용하여 S파 속도를 추정하는 방법 및 장치를 제공하는 것이다.
본 발명의 일실시예에 따른 웰 로그를 학습하여 S파 속도를 추정하는 방법은, 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들 각각의 값이 입력데이터이고, 측정 깊이에 따른 S파 속도가 정답데이터인 학습데이터에 기초하여 웰 로그를 입력하면 측정 깊이에 따른 S파 속도를 출력하도록 S파추정모델을 형성하는 모델 형성 단계, 및 상기 S파추정모델에 S파 속도를 추정하려는 시추공에서 획득한, 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들 각각의 값을 정리한 대상데이터를 입력하여 측정 깊이에 따른 S파 속도를 추정하는 S파 속도 추정 단계를 포함할 수 있다.
또한, 상기 모델 형성 단계는 타겟 측정 깊이와, 상기 타겟 측정 깊이보다 얕은 측정 깊이와, 상기 타겟 측정 깊이보다 깊은 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들의 측정값을 2차원 매트릭스 구조로 배치한 입력데이터, 및 상기 타겟 측정 깊이의 S파 속도가 정답인 정답데이터를 포함하는 학습데이터를 생성하는 학습데이터 생성 단계, 및 상기 학습데이터를 이용하여 타겟 측정 깊이, 타겟 측정 깊이보다 얕은 측정 깊이, 타겟 측정 깊이보다 깊은 측정 깊이의 S파 속도를 측정 깊이마다 출력하는 다 지점 컨볼루션 모델(Multi Point Convolution Model) 구조의 S파추정모델을 학습시키는 모델 학습 단계를 포함할 수 있다.
또한, 상기 S파 속도 추정 단계는 S파 속도를 추정하려는 시추공에서 획득한 웰 로그에 기초하여, 상기 타겟 측정 깊이와, 상기 타겟 측정 깊이보다 얕은 측정 깊이와, 상기 타겟 측정 깊이보다 깊은 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들의 측정값을 2차원 매트릭스 구조로 배치한 대상데이터를 생성하는 대상데이터 생성 단계, 및 상기 대상데이터를 상기 S파추정모델에 입력하여 출력되는, 상기 학습데이터의 입력데이터에 포함된 측정 깊이에 해당하는 측정 깊이마다 S파 속도를 출력하고, 상기 타겟 측정 깊이에 해당하는 측정 깊이의 S파 속도를 추정 S파 속도로 결정하는 모델 이용 단계를 포함할 수 있다.
또한, 상기 모델 형성 단계는 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들 각각의 값이 입력데이터이고, 측정 깊이에 따른 S파 속도가 정답데이터인 학습데이터를 생성하되, 상기 학습데이터에 포함하기 위한 데이터를 샘플링하는 방법을 다양화하여 적어도 일부가 다른 복수의 학습데이터를 생성하는 학습데이터 형성 단계, 웰 로그를 입력하면 측정 깊이에 따른 S파 속도를 출력하도록 S파추정모델을 학습시키되, 다양한 구조의 S파추정모델을 상기 적어도 일부가 다른 복수의 학습데이터로 학습시켜, 학습데이터와 구조 중의 적어도 하나가 다른 복수의 S파추정모델을 학습시키는 모델 학습 단계, 및 상기 학습데이터와 구조 중의 적어도 하나가 다른 복수의 S파추정모델의 성능을 평가하고 가장 성능이 좋은 하나의 S파추정모델을 선정하는 모델 선정 단계를 포함할 수 있다.
또한, 상기 학습데이터 형성 단계는 웰 로그 중에서 학습데이터로 이용될 데이터와 시험데이터로 이용될 데이터의 최적 비율을 찾기 위하여, 다양한 비율로 복수의 학습데이터를 생성하는 최적 비율 샘플링, 학습데이터에 포함되는 웰 로그의 암상 비율이 균일하도록 데이터를 선택하는 암상 균일 샘플링, 하나 또는 하나 이상의 웰 로그에서 랜덤하게 데이터를 추출하되, 최종적으로 추출된 데이터에 포함된 각각의 암상이 미리 정해진 비율보다 많이 존재하는지 판단하고, 특정 암상이 미리 정해진 비율보다 작게 포함된 경우 다시 데이터를 추출하는 것을 반복하는 랜덤 반복 샘플링, S파 속도를 추정하려는 시추공에서 획득된 웰 로그의 특정 인자의 값의 패턴과 유사한 패턴을 갖는 웰 로그를 시추공 단위로 추출하여 학습데이터를 생성하는 유사 패턴 샘플링, S파 속도를 추정하려는 시추공과 유사한 지층을 가질 것으로 예측되는 군집에 속하는 시추공에서 획득된 웰 로그를 선택하여 학습데이터를 생성하는 군집화 샘플링, 및 2차원 매트릭스 구조로 구성되는 학습데이터에 포함되는 측정 깊이의 범위와 인자의 개수와 종류를 다르게 선택하는 깊이 인자 샘플링 중에서 적어도 하나 이상을 수행하여 적어도 일부가 다른 복수의 웰 로그를 포함하는 복수의 학습데이터를 생성할 수 있다.
또한, 상기 모델 이용 단계는 상기 타겟 측정 깊이에 해당하는 측정 깊이를 포함하는 모든 대상데이터가 상기 S파추정모델에 각각 입력되어 출력된 복수의 출력데이터마다 존재하는, 상기 타겟 측정 깊이에 해당하는 측정 깊이에 따른 S파 속도를 종합하여 최종 S파 속도를 결정하는 앙상블 과정을 더 포함할 수 있다.
본 발명의 일실시예에 따른 웰 로그를 학습하여 S파 속도를 추정하는 장치는, 지층에 시추공을 형성하여 측정 또는 해석을 통해 획득한 데이터인 웰 로그와 측정 깊이에 따른 S파 속도를 저장하는 웰 로그 DB, 상기 웰 로그 DB에 저장된 웰 로그에 포함된 복수의 인자들 각각의 값을 측정 깊이에 따라 정리한 입력데이터와, 측정 깊이에 따른 S파 속도가 정답데이터인 학습데이터를 생성하는 학습데이터 생성부, 상기 학습데이터를 이용하여, 웰 로그를 입력하면 측정 깊이에 따른 S파 속도를 출력하도록 S파추정모델을 학습시키는 모델 학습부, 및 모델 학습부에서 학습된 S파추정모델에 S파 속도를 추정하려는 시추공에서 획득한 웰 로그에 포함된 복수의 인자들 각각의 값을 측정 깊이에 따라 정리한 대상데이터를 입력하여 측정 깊이에 따른 S파 속도를 추정하는 S파 속도 추정부를 포함할 수 있다.
또한, 상기 학습데이터 및 대상데이터는 S파 속도를 추정하려는 시추공에서 획득한 웰 로그에 기초하여, 타겟 측정 깊이와, 상기 타겟 측정 깊이보다 얕은 측정 깊이와, 상기 타겟 측정 깊이보다 깊은 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들의 측정값을 2차원 매트릭스 구조로 배치한 것이고, 상기 S파추정모델은 상기 학습데이터를 이용하여 상기 타겟 측정 깊이, 상기 타겟 측정 깊이보다 얕은 측정 깊이, 상기 타겟 측정 깊이보다 깊은 측정 깊이의 S파 속도를 측정 깊이마다 출력하는 다 지점 컨볼루션 모델(Multi Point Convolution Model) 구조일 수 있다.
또한, 상기 학습데이터 생성부는 웰 로그에 포함된 복수의 인자들 각각의 값을 측정 깊이에 따라 정리한 입력데이터와, 상기 측정 깊이에 따른 S파 속도가 정답데이터인 학습데이터를 생성하되, 상기 학습데이터에 포함하기 위한 데이터를 샘플링하는 방법을 다양화하여 적어도 일부가 다른 복수의 학습데이터를 생성할 수 있고, 상기 모델 학습부는 웰 로그를 입력하면 측정 깊이에 따른 S파 속도를 출력하도록 S파추정모델을 학습시키되, 다양한 구조의 S파추정모델을 상기 적어도 일부가 다른 복수의 학습데이터로 학습시켜, 학습데이터와 구조 중의 적어도 하나가 다른 복수의 S파추정모델을 학습시킬 수 있고, 상기 웰 로그를 학습하여 S파 속도를 추정하는 장치는 상기 학습데이터와 구조 중의 적어도 하나가 다른 복수의 S파추정모델의 성능을 평가하고 가장 성능이 좋은 하나의 S파추정모델을 선정하는 모델 선정부를 더 포함할 수 있다.
또한, 상기 학습데이터 생성부는 웰 로그 중에서 학습데이터로 이용될 데이터와 시험데이터로 이용될 데이터의 최적 비율을 찾기 위하여, 다양한 비율로 복수의 학습데이터를 생성하는 최적 비율 샘플링, 학습데이터에 포함되는 웰 로그의 암상 비율이 균일하도록 데이터를 선택하는 암상 균일 샘플링, 하나 또는 하나 이상의 웰 로그에서 랜덤하게 데이터를 추출하되, 최종적으로 추출된 데이터에 포함된 각각의 암상이 미리 정해진 비율보다 많이 존재하는지 판단하고, 특정 암상이 미리 정해진 비율보다 작게 포함된 경우 다시 데이터를 추출하는 것을 반복하는 랜덤 반복 샘플링, S파 속도를 추정하려는 시추공에서 획득된 웰 로그의 특정 인자의 값의 패턴과 유사한 패턴을 갖는 웰 로그를 시추공 단위로 추출하여 학습데이터를 생성하는 유사 패턴 샘플링, S파 속도를 추정하려는 시추공과 유사한 지층을 가질 것으로 예측되는 군집에 속하는 시추공에서 획득된 웰 로그를 선택하여 학습데이터를 생성하는 군집화 샘플링, 및 2차원 매트릭스 구조로 구성되는 학습데이터에 포함되는 측정 깊이의 범위와 인자의 개수와 종류를 다르게 선택하는 깊이 인자 샘플링, 중에서 적어도 하나 이상을 수행하여 적어도 일부가 다른 복수의 웰 로그를 포함하는 복수의 학습데이터를 생성할 수 있다.
또한, 상기 S파 속도 추정부는 모델 학습부에서 학습된 S파추정모델에 S파 속도를 추정하려는 시추공에서 획득한 웰 로그에 포함된 복수의 인자들 각각의 값을 측정 깊이에 따라 정리한 대상데이터를 입력하여 측정 깊이에 따른 S파 속도를 추정하고, 상기 타겟 측정 깊이에 해당하는 측정 깊이를 포함하는 모든 대상데이터가 상기 S파추정모델에 각각 입력되어 출력된 복수의 출력데이터마다 존재하는, 상기 타겟 측정 깊이에 해당하는 측정 깊이에 따른 S파 속도를 종합하여 최종 S파 속도를 결정하는 앙상블 과정을 더 수행할 수 있다.
본 발명의 특징 및 이점들은 첨부도면에 의거한 다음의 상세한 설명으로 더욱 명백해질 것이다.
이에 앞서 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이고 사전적인 의미로 해석되어서는 아니 되며, 발명자가 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합되는 의미와 개념으로 해석되어야만 한다.
본 발명의 일실시예에 따르면, 웰 로그를 학습한 인공지능 모델을 이용하여 S파 속도를 정확하고 신속하게 예측할 수 있다.
도 1은 본 발명의 일실시예에 따른 웰 로그를 학습하여 S파 속도를 추정하는 장치를 나타낸 블록도이다.
도 2는 본 발명의 일실시예에 따른 웰 로그 DB에 저장된 데이터를 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에 따른 웰 로그를 학습하여 S파 속도를 추정하는 방법을 나타낸 흐름도이다.
도 4는 본 발명의 일실시예에 따른 학습데이터를 예시적으로 나타낸 도면이다.
도 5는 본 발명의 일실시예에 따른 다 지점 컨볼루션 모델 구조의 S파추정모델을 설명하기 위한 도면이다.
도 6은 본 발명의 일실시예에 따른 다 지점 컨볼루션 모델 구조의 S파추정모델에 따른 대상데이터와 출력데이터를 예시적으로 나타낸 도면이다.
도 7은 본 발명의 일실시예에 따라 모델 선정 단계를 더 포함하는 모델 형성 단계를 나타낸 흐름도이다.
도 8은 본 발명의 일실시예에 따른 다 지점 컨볼루션 모델 구조의 S파추정모델의 앙상블 과정을 나타내는 도면이다.
도 9는 본 발명의 일실시예에 따른 S파추정모델의 입력과 출력을 나타낸 시각화 차트이다.
본 발명의 일실시예의 목적, 장점, 및 특징들은 첨부된 도면들과 연관되는 이하의 일실시예의 설명들에 의해 더욱 명백해질 것이다. 본 명세서에서 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성 요소들에 한해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 번호를 가지도록 하고 있음에 유의하여야 한다. 또한, "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. "제1", "제2" 등의 용어가 부가된 구성요소에 참조부호를 부가함에 있어서, 해당 구성요소의 참조부호에 "-1", "-2"를 부가하는 방식으로 기재할 수 있다. 이하, 본 발명의 일실시예를 설명함에 있어서, 본 발명의 일실시예의 요지를 불필요하게 흐릴 수 있는 관련된 공지 기술에 대한 상세한 설명은 생략한다.
이하, 첨부된 도면을 참조하여, 본 발명의 일실시예를 상세히 설명한다.
도 1은 본 발명의 일실시예에 따른 웰 로그를 학습하여 S파 속도를 추정하는 장치(100)를 나타낸 블록도이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 웰 로그를 학습하여 S파 속도를 추정하는 장치(100)는, 웰 로그 DB(110), 학습데이터 생성부(120), 모델 학습부(130), 모델 선정부(140), 오류 보정부(150), S파 속도 추정부(160), 입출력부(170), 저장부(180)를 포함할 수 있다.
도 2는 본 발명의 일실시예에 따른 웰 로그 DB(110)에 저장된 데이터를 설명하기 위한 도면이다.
도 2를 참조하면, 웰 로그 DB(110)는 지층에 시추공을 형성하여 측정 또는 해석을 통해 획득한 데이터인 웰 로그와 측정 깊이에 따른 S파 속도(S-wave velocity)를 저장한다. 웰 로그 DB(110)는 측정 깊이(Measured Depth), 인자(factor)의 유형(type), 인자의 측정 깊이에 따른 값(value)을 포함하는 웰 로그(Well log), 측정 깊이에 따른 암상(Lithofacies), 시추공(Well)에 관한 정보를 함께 저장할 수 있다. 웰 로그는 시추공 단위로 저장될 수 있다. 웰 로그는 시추 업체나 시추 방식에 따라 다양한 인자를 가질 수 있고 다양한 형식의 데이터로 존재할 수 있다.
웰 로그의 인자는 지층에 시추공을 형성하여 직접 측정을 통해 획득하거나 계산이나 해석을 통해 획득할 수 있는 데이터이다. 웰 로그는 측정 깊이에 따라 각 인자의 측정값을 포함한다.
웰 로그의 인자는 측정 깊이(Measured Depth), 시추공 내부 직경(Caliper), 감마선(Gamma ray), 전기비저항(Resistivity), 암석체적밀도(Bulk Density), 중성자공극률(Neutron porosity), 광전자계수(Photoelectric Factor), 압축 음파(Compressional sonic), 전단 음파(Shear sonic), 점토광물 함량(Volume of clay), 방해석 함량(Volume of calcite), 석영 함량(Volume of quartz), 응회암 함량(Volume of tuff), 유효 공극률(Effective porosity), 수포화도(Water saturation), 체적탄성계수(Bulk modulus), P파 속도(P-wave velocity), S파 속도(S-wave velocity) 등을 포함할 수 있다.
웰 로그 DB(110)는 직접 측정되었거나, 이미 분석되어 알고 있는 S파 속도를 측정 깊이에 연관하여 저장한다. 암상은 해당 측정 깊이에서 암석의 종류를 나타낸다.
암상은 셰일(Shale), 사암(Sandstone), 석탄(Coal), 석회질 셰일(Calcareous Shale), 석회암(Limestone) 등을 포함할 수 있다.
웰 로그는 웰 로그를 획득한 시추공에 관한 정보와 함께 저장될 수 있다. 시추공에 관한 정보는 시추공의 일련번호나 이름, 시추공의 위치, 시추 일자 등의 정보를 포함할 수 있다. 시추공의 위치는 위도와 경도를 이용하여 나타낼 수 있다.
다시 도 1을 참조한다.
학습데이터 생성부(120)는 웰 로그 DB(110)에 저장된 웰 로그에 포함된 복수의 인자들 각각의 값을 측정 깊이에 따라 정리한 입력데이터(Input Data)와, 측정 깊이에 따른 S파 속도가 정답데이터(Answer Data, AD)인 학습데이터(Learning Data, LD)를 생성할 수 있다. 학습데이터 생성부(120)는 웰 로그 DB(110)에 저장되어 있는 데이터를 이용하여 S파추정모델을 학습시키기 위한 학습데이터(LD)를 생성한다. 구체적으로, 학습데이터 생성부(120)는 측정 깊이에 따른 S파 속도를 알고 있는 웰 로그에서 데이터를 다양한 방식으로 샘플링하여, 웰 로그에 포함된 복수의 인자들 각각의 값을 측정 깊이에 따라 정리한 입력데이터(ID)와 측정 깊이에 따른 S파 속도가 정답데이터(AD)인 학습데이터(LD)를 생성할 수 있다. 학습데이터 생성부(120)는 웰 로그 DB(110)에 저장되어 있는 데이터의 일부를 샘플링하여, S파추정모델의 종류에 따라 정해진 구조로 정리하여 학습데이터(LD)를 생성할 수 있다.
S파추정모델이 학습데이터(LD)를 이용하여 상기 타겟 측정 깊이, 상기 타겟 측정 깊이보다 얕은 측정 깊이, 상기 타겟 측정 깊이보다 깊은 측정 깊이의 S파 속도를 측정 깊이마다 출력하는 컨볼루션 신경망 네트워크(Convolution Neural Network) 구조인 경우, 학습데이터 생성부(120)가 생성하는 학습데이터(LD) 및 대상데이터(Subject Data, SD)는 S파 속도를 추정하려는 시추공에서 획득한 웰 로그에 기초하여, 타겟 측정 깊이와, 타겟 측정 깊이보다 얕은 측정 깊이와, 타겟 측정 깊이보다 깊은 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들의 측정값을 2차원 매트릭스 구조로 배치한 것일 수 있다.
학습데이터 생성부(120)는 웰 로그에 포함된 복수의 인자들 각각의 값을 측정 깊이에 따라 정리한 입력데이터(ID)와, 상기 측정 깊이에 따른 S파 속도가 정답데이터(AD)인 학습데이터(LD)를 생성하되, 상기 학습데이터(LD)에 포함하기 위한 데이터를 샘플링하는 방법을 다양화하여 적어도 일부가 다른 복수의 학습데이터(LD)를 생성할 수 있다. 학습데이터 생성부(120)가 웰 로그의 데이터를 샘플링하여 학습데이터(LD)를 생성하는 구체적인 내용은 후술한다.
학습데이터 생성부(120)는 S파추정모델의 성능을 평가하기 위한 시험데이터를 생성할 수 있다. 학습데이터 생성부(120)는 학습데이터(LD)에 포함되지 않은 웰 로그를 이용하여 시험데이터를 생성할 수 있다. 시험데이터는 학습데이터와 동일하게 입력데이터와 정답데이터를 포함하며, S파추정모델의 학습에 이용되지 않고 S파추정모델의 성능을 평가하는 과정에서 이용된다. 학습데이터 생성부(120)는 시험데이터를 S파추정모델의 종류에 따라 정해진 구조로 정리할 수 있다.
학습데이터 생성부(120)는 S파 속도를 추정하려는 시추공에서 획득한 웰 로그에 포함된 복수의 인자들 각각의 값을 측정 깊이에 따라 정리한 대상데이터(SD)를 생성할 수 있다. 대상데이터(SD)는 선정된 S파추정모델의 학습에 이용된 학습데이터(LD)의 입력데이터(ID)와 동일한 구조로 생성될 수 있다.
모델 학습부(130)는 S파추정모델을 학습데이터(LD)로 학습시킨다. 모델 학습부(130)는 학습데이터 생성부(120)에서 생성한 학습데이터(LD)를 이용하여, 웰 로그를 입력하면 측정 깊이에 따른 S파 속도를 출력하도록 S파추정모델을 학습시킨다. 모델 학습부(130)는 학습데이터(LD)의 정답데이터(AD)를 입력하고 S파추정모델이 출력하는 출력데이터(Output Data, OD)와 학습데이터(LD)의 정답데이터(AD)를 비교하여 S파추정모델을 반복 학습시킬 수 있다.
모델 학습부(130)는 웰 로그를 입력하면 측정 깊이에 따른 S파 속도를 출력하도록 S파추정모델을 학습시키되, 다양한 구조의 S파추정모델을 상기 적어도 일부가 다른 복수의 학습데이터(LD)로 학습시켜, 학습데이터(LD)와 구조 중의 적어도 하나가 다른 복수의 S파추정모델을 학습시킬 수 있다. S파추정모델은 선형회귀(Linear Regression), 다항식 회귀(Polynomial Regression), 단일 지점 밀도 모델(Single Point Dense Model, SPDM), 단일 지점 컨볼루션 모델(Single Point Convolution Model, SPCM), 다 지점 밀도 모델(Multi Point Dense Model, MPDM), 다 지점 컨볼루션 모델(Multi Point Convolution Model, MPCM), 및 그 밖의 다른 인공지능 모델을 포함할 수 있다. 모델 학습부(130)는 학습데이터 생성부(120)에서 생성한 학습데이터(LD)마다 S파추정모델을 학습시켜, 복수의 서로 다른 S파추정모델을 학습시킬 수 있다.
모델 선정부(140)는 모델 학습부(130)에서 학습시킨 S파추정모델의 성능을 평가하여 가장 성능이 좋은 모델을 선정한다. 모델 선정부(140)는 학습데이터와 구조 중의 적어도 하나가 다른 복수의 S파추정모델의 성능을 평가하고 가장 성능이 좋은 하나의 S파추정모델을 선정할 수 있다. 모델선정부는 MAE, MAPE 등의 평가방법을 이용하여 S파추정모델의 성능을 평가할 수 있다. 모델 선정부(140)는 추정된 S파 속도와 정답인 S파 속도의 일치여부를 비교하도록 그래프로 도시하여 S파추정모델의 성능을 시각화하여 모델의 성능 평가를 지원할 수 있다.
오류 보정부(150)는 S파추정모델이 추정하는 S파 속도에 대하여 오류 보정 단계를 수행할 수 있다. 오류 보정부(150)는 오류 보정 단계에서 추정 S파 속도와 정답 S파 속도의 offset을 보정하거나, 조건(아래 수학식 1)을 만족하지 않는 경우 통계적 보정을 수행할 수 있다.
Figure pat00001
(MD: 측정 깊이의 값의 범위, d: 측정 깊이,
Figure pat00002
: 측정 깊이에서 추정 S파의 속도 값,
Figure pat00003
: 측정 깊이에서 정답 S파의 속도 값, θ : 임계값)
측정 깊이의 값의 범위(즉, 시추공의 최소 깊이에서 최대 깊이의 범위)의 모든 측정 깊이에서, 추정 S파의 속도 값과 정답 S파의 속도 값의 차의 절대값이 임계값보다 같거나 작은 조건을 만족하지 않는 경우, 오류 보정부(150)는 S파추정모델이 추정하는 S파 속도의 오차를 통계적으로 보정할 수 있다.
S파 속도 추정부(160)는 모델 학습부(130)에서 학습된 S파추정모델에 S파 속도를 추정하려는 시추공에서 획득한 웰 로그에 포함된 복수의 인자들 각각의 값을 측정 깊이에 따라 정리한 대상데이터(SD)를 입력하여 측정 깊이에 따른 S파 속도를 추정한다. S파 속도 추정부(160)는 측정 깊이에 따른 S파 속도를 추정한 결과를 시각화한 차트로 생성하여 출력할 수 있다. 예를 들어, S파 속도 추정부(160)는 측정 깊이에 따른 S파 속도를 선 차트로 도시하고, 입력데이터 또는 대상데이터를 측정 깊이에 따라 선차트로 함께 도시한 시각화 차트를 생성할 수 있다.
S파 속도 추정부(160)는 모델 학습부(130)에서 학습된 S파추정모델에 S파 속도를 추정하려는 시추공에서 획득한 웰 로그에 포함된 복수의 인자들 각각의 값을 측정 깊이에 따라 정리한 대상데이터(SD)를 입력하여 측정 깊이에 따른 S파 속도를 추정하고, 타겟 측정 깊이에 해당하는 측정 깊이를 포함하는 모든 대상데이터(SD)가 S파추정모델에 각각 입력되어 출력된 복수의 출력데이터(OD)마다 존재하는, 타겟 측정 깊이에 해당하는 측정 깊이에 따른 S파 속도를 종합하여 최종 S파 속도를 결정하는 앙상블 과정을 더 수행할 수 있다.
입출력부(170)는 외부로부터 웰 로그를 입력받거나, 추정 결과나 학습 결과를 외부로 출력할 수 있다. 입출력부(170)는 데이터를 시각적으로 표시할 수 있는 디스플레이를 포함할 수 있고, 데이터를 송수신하기 위한 통신모듈, 데이터 송수신용 포트(port), 사용자의 입력을 수신하기 위한 터치패널, 키보드, 마우스 등의 입출력장치를 포함할 수 있다.
저장부(180)는 본 발명의 일실시예에 따른 웰 로그를 학습하여 S파 속도를 추정하는 방법을 수행하기 위하여 필요한 프로그램 코드, S파추정모델의 구조, 학습된 S파추정모델, 오류 보정 알고리즘, 오류 보정 결과, 시각화 차트, 및 그 밖의 정보를 저장할 수 있다.
본 발명의 일실시예에 따른 학습데이터 생성부(120), 모델 학습부(130), 모델 선정부(140), 오류 보정부(150), S파 속도 추정부(160)는 프로그램 코드로 작성되어 프로세서(processor), CPU(Central Processing Unit), GPU(Graphics Processing Unit), 뉴로모픽 칩(Neuromorphic chip) 등의 정보처리장치에 의해 구동되는 방식으로 구현될 수 있다.
도 3은 본 발명의 일실시예에 따른 웰 로그를 학습하여 S파 속도를 추정하는 방법을 나타낸 흐름도이다.
도 3을 참조하면, 본 발명의 일실시예에 따른 웰 로그를 학습하여 S파 속도를 추정하는 방법은, 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들 각각의 값이 입력데이터(ID)이고, 측정 깊이에 따른 S파 속도가 정답데이터(AD)인 학습데이터(LD)에 기초하여 웰 로그를 입력하면 측정 깊이에 따른 S파 속도를 출력하도록 S파추정모델을 형성하는 모델 형성 단계(S10), 및 S파추정모델에 S파 속도를 추정하려는 시추공에서 획득한, 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들 각각의 값을 정리한 대상데이터(SD)를 입력하여 측정 깊이에 따른 S파 속도를 추정하는 S파 속도 추정 단계(S20)를 포함할 수 있다.
그리고, 모델 형성 단계(S10)는 타겟 측정 깊이와, 타겟 측정 깊이보다 얕은 측정 깊이와, 타겟 측정 깊이보다 깊은 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들의 측정값을 2차원 매트릭스 구조로 배치한 입력데이터(ID), 및 타겟 측정 깊이의 S파 속도가 정답인 정답데이터(AD)를 포함하는 학습데이터(LD)를 생성하는 학습데이터 생성 단계(S11), 및 학습데이터(LD)를 이용하여 타겟 측정 깊이, 타겟 측정 깊이보다 얕은 측정 깊이, 타겟 측정 깊이보다 깊은 측정 깊이의 S파 속도를 측정 깊이마다 출력하는 다 지점 컨볼루션 모델(Multi Point Convolution Model, MPCM) 구조의 S파추정모델을 학습시키는 모델 학습 단계(S12)를 포함할 수 있다. 추정 S파 속도는 S파추정모델이 타겟 측정 깊이에서 S파의 속도라고 추정한 결과값이다.
학습데이터 생성부(120)는 학습데이터 생성 단계(S11)를 수행할 수 있다. 학습데이터 생성 단계(S11)에서 학습데이터 생성부(120)는 웰 로그 DB(110)에 저장되어 있는 웰 로그의 일부를 이용하여 학습 데이터를 형성한다. 학습데이터 생성 단계(S11)에서 학습데이터(LD)의 구조는 학습시킬 S파추정모델의 구조에 따라 달라질 수 있다.
도 4는 본 발명의 일실시예에 따른 학습데이터(LD)를 예시적으로 나타낸 도면이다. 도 4는 단일 지점 밀도 모델 구조, 단일 지점 컨볼루션 구조, 다 지점 밀도 모델 구조, 다 지점 컨볼루션 모델 구조의 학습에 이용되는 학습데이터 구조를 예시적으로 나타낸다.
도 4를 참조하면, 단일 지점 밀도 모델(SPDM)의 학습데이터(SPDM-LD)는 타겟 측정 깊이 557(m)에서 제1 내지 제3 인자를 포함하는 단일 지점 밀도 모델의 입력데이터(SPDM-ID)와, 타겟 측정 깊이 557(m)에서 S파 속도를 포함하는 단일 지점 밀도 모델의 정답데이터(SPDM-AD)를 포함할 수 있다. 단일 지점 밀도 모델은 타겟 측정 깊이마다 학습데이터(LD)를 생성할 수 있다.
단일 지점 컨볼루션 모델(SPCM)의 학습데이터(SPCM-LD)는 타겟 측정 깊이 559(m)에서 측정 깊이와 제1 인자를 포함하거나, 제1 내지 제3 인자를 포함하거나, 제3인자 내지 제5인자를 포함하는 단일 지점 컨볼루션 모델의 입력데이터(SPCM-ID)와, 타겟 측정 깊이 559(m)에서 S파 속도를 포함하는 단일 지점 컨볼루션 모델의 정답데이터(SPDM-AD)를 포함할 수 있다.
이와 같이, 학습데이터 생성 단계(S11)에서 생성되는 학습데이터는 S파추정모델에 따라 다른 형태를 가질 수 있다.
도 4를 참조하면, 다 지점 밀도 모델/다 지점 컨볼루션 모델(MPDM/MPCM)의 학습데이터(MPDM-LD/MPCM-LD)는 웰 로그의 일부를 2차원 매트릭스 형태로 정리한 다 지점 밀도/컨볼루션 모델의 입력데이터(MPDM-ID/MPCM-ID)와, 타겟 측정 깊이에 해당하는 S파 속도로 형성되는 다 지점 밀도/컨볼루션 모델의 정답데이터(MPDM-AD/MPCM-AD)를 포함할 수 있다. 예를 들어, 다 지점 밀도/컨볼루션 모델의 입력데이터(MPDM-ID/MPCM-ID)는 타겟 측정 깊이를 중심으로 타겟 측정 깊이보다 얕은 측정 깊이에서 타겟 측정 깊이보다 깊은 측정 깊이까지 포함하는 행(또는 열) 개수를 갖고, 측정 깊이가 제1 열에 위치하고, 제2 내지 제6열에는 제1 내지 제5 인자가 위치하여 웰 로그에서 학습데이터(LD)에 포함되는 인자의 개수에 따른 열(또는 행) 개수를 갖는 매트릭스 구조일 수 있다. 행과 열은 서로 교환될 수 있으며 인자의 위치도 바뀔 수 있다. 측정 깊이는 순서대로 나열함이 바람직하다. 도 4에 도시된 다 지점 밀도/컨볼루션 모델의 입력데이터(MPDM-ID/MPCM-ID)는 5행 6열의 매트릭스 구조를 예시적으로 나타내었으며, 깊이에 따른 인자의 값은 임의적으로 기재한 것이다.
다 지점 밀도/컨볼루션 모델의 입력데이터(MPDM-ID/MPCM-ID)에 포함되는 측정 깊이는 타겟 측정 깊이와, 타겟 측정 깊이보다 얕은 측정 깊이와, 타겟 측정 깊이보다 깊은 측정 깊이를 포함할 수 있다. 측정 깊이의 개수는 3개(타겟 측정 깊이, 얕은 측정 깊이, 깊은 측정 깊이), 5개(타겟 측정 깊이, 얕은 측정 깊이 2개, 깊은 측정 깊이 2개), 7개(타겟 측정 깊이, 얕은 측정 깊이 3개, 깊은 측정 깊이 3개)와 같이 선택될 수 있다. 예를 들어 타겟 측정 깊이가 558(m) 인 경우, 다 지점 밀도/컨볼루션 모델의 입력데이터(MPDM-ID/MPCM-ID)가 포함하는 측정 깊이의 개수는 타겟 측정 깊이인 558(m), 타겟 측정 깊이보다 얕은 측정 깊이인 556(m), 557(m), 타겟 측정 깊이보다 깊은 측정 깊이인 559(m), 560(m)로 5개일 수 있다.
다 지점 밀도/컨볼루션 모델의 입력데이터(MPDM-ID/MPCM-ID)에 포함되는 인자는 측정 깊이와, 그 밖의 다른 인자를 포함할 수 있다. 측정 깊이와 제1 내지 제5 인자를 선택하는 경우 6개의 인자를 갖게 되고, 측정 깊이에 따른 제1 내지 제5 인자의 값이 다 지점 밀도/컨볼루션 모델의 입력데이터(MPDM-ID/MPCM-ID)에 포함된다.
도 5는 본 발명의 일실시예에 따른 다 지점 밀도/컨볼루션 모델 구조의 S파추정모델을 설명하기 위한 도면이다. 본 명세서 및 도면에서 '다 지점 컨볼루션 모델'을 간단히 '다지점CNN'으로 기재할 수 있다.
도 5에 도시된 바와 같이, 본 발명의 일실시예에 따른 S파추정모델은 다 지점 컨볼루션 모델 구조일 수 있다. 다지점CNN 구조에서 필터(filter, 도 4 참조)는 서로 다른 사이즈(1, 3, 5, 및 7 등)를 가질 수 있고, 은닉층은 4개층일 수 있다.
다지점CNN 구조의 S파추정모델은 학습데이터(LD)의 입력데이터(ID)에 포함된 측정 깊이에 해당하는 측정 깊이에서 S파 속도를 각각 출력할 수 있다. 예를 들어, 학습데이터(LD)의 입력데이터(ID, 도 4 참조) 가 포함하는 측정 깊이가 556(m) 내지 560(m)이고 타겟 측정 깊이가 558(m)인 경우, 타겟 측정 깊이인 558(m)에서 S파 속도, 타겟 측정 깊이보다 얕은 측정 깊이인 556(m), 557(m)에서 S파 속도, 타겟 측정 깊이보다 깊은 측정 깊이인 559(m), 560(m)에서 S파 속도가 모두 출력된다.
다지점CNN 구조의 S파추정모델은 출력데이터(OD) 중에서 타겟 측정 깊이에 해당하는 측정 깊이의 S파 속도를 추정 S파 속도로 결정할 수 있다. 도 5에 도시된 바와 같이, S파추정모델의 출력데이터(OD)에서 타겟 측정 깊이인 558(m)에 해당하는 S파 속도를 추정 S파 속도로 결정할 수 있다.
모델 학습부(130)는 추정 S파 속도가 결정되면 정답데이터(AD)의 S파 속도와 비교한다. 정답데이터(AD)의 S파 속도와 추정 S파 속도가 다른 경우, 모델 학습부(130)는 S파추정모델을 반복 학습시키고, 추정 S파 속도와 정답데이터(AD)의 S파 속도의 차이가 정해진 범위 내에 포함되는 경우 학습이 완료된 것으로 판단하고 학습을 중단할 수 있다.
도 6은 본 발명의 일실시예에 따른 다 지점 밀도/컨볼루션 모델 구조의 S파추정모델에 따른 대상데이터(SD)와 출력데이터(OD)를 예시적으로 나타낸 도면이다.
S파 속도 추정 단계(S20)는 암상추정부에서 수행될 수 있다. S파 속도 추정 단계(S20)는 학습데이터 생성부(120)에서 생성한 학습데이터(LD)를 이용하여 모델 학습부(130)에서 학습시킨 S파추정모델을 이용할 수 있다. S파 속도 추정 단계(S20)는, S파 속도를 추정하려는 시추공에서 획득한 웰 로그에 기초하여, 타겟 측정 깊이와, 타겟 측정 깊이보다 얕은 측정 깊이와, 타겟 측정 깊이보다 깊은 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들의 측정값을 2차원 매트릭스 구조로 배치한 대상데이터(SD)를 생성하는 대상데이터 생성 단계, 및 대상데이터(SD)를 상기 S파추정모델에 입력하여 출력되는, 학습데이터(LD)의 입력데이터(ID)에 포함된 측정 깊이에 해당하는 측정 깊이마다 S파 속도를 출력하고, 상기 타겟 측정 깊이에 해당하는 측정 깊이의 S파 속도를 추정 S파 속도로 결정하는 모델 이용 단계를 포함할 수 있다.
S파 속도 추정 단계(S20)는 S파 속도의 추정이 필요한 시추공에서 획득한 웰 로그에 포함된 측정 깊이마다 S파 속도를 추정하여 시추공의 전체 깊이의 일부 또는 전부의 S파 속도를 추정할 수 있다. S파 속도 추정 단계(S20)는 대상데이터 생성 단계 및 모델 이용 단계를 타겟 측정 깊이마다 반복 수행하여, S파 속도의 추정이 필요한 시추공의 일부 또는 전체 측정 깊이에 대한 S파 속도를 추정할 수 있다.
예를 들어, 타겟 측정 깊이가 558 내지 562의 5개 범위인 경우, 대상데이터 생성 단계에서 도 6에 도시된 바와 같이 타겟 측정 깊이와, 타겟 측정 깊이보다 얕은 2개의 측정 깊이와, 타겟 측정 깊이보다 깊은 2개의 측정 깊이를 포함하는 5개의 측정 깊이를 포함하고, 측정 깊이와 제1 내지 제3인자를 포함하는 5 by 4의 2차원 매트릭스 구조의 대상데이터(SD)를 생성할 수 있다. 5개의 타겟 측정 깊이마다 대상데이터(SD)를 생성하여 제1 내지 제5 대상데이터(SD-1, SD-2, SD-3, SD-4, SD-5)를 생성할 수 있다. 여기에서, 이러한 대상데이터(SD)가 입력되는 암상추정모델은, 이러한 대상데이터(SD)와 동일하게 5 by 4의 2차원 매트릭스 구조의 입력데이터(ID)를 포함하는 학습데이터(LD)로 학습된 것이다.
제1 대상데이터(SD-1)를 다지점CNN구조의 S파추정모델에 입력하면 도 5에 도시된 바와 같이 제1 대상데이터(SD-1)에 포함된 측정 깊이마다 S파 속도를 출력하는 출력데이터(OD)를 획득할 수 있고, 그 중에서 타겟 측정 깊이에 해당하는 측정 깊이의 S파 속도를 추정 S파 속도로 결정할 수 있다. 제1 대상데이터(SD-1) 내지 제5 대상데이터(SD-5)를 각각 S파추정모델에 입력하여 제1 출력데이터(OD-1) 내지 제5 출력데이터(OD-5)를 획득하고, 타겟 측정 깊이에 해당하는 측정 깊이의 S파 속도를 추정 S파 속도로 결정하면 도 6의 추정 S파 속도와 같은 결과물을 얻을 수 있다.
본 발명의 일실시예에서 학습데이터(LD)의 입력데이터(ID) 및 대상데이터(SD)를 2차원 매트릭스 구조로 생성하고, 다지점CNN구조의 S파추정모델에 입력함으로써, S파추정모델은 타겟 측정 깊이의 지층에 관한 정보를 학습할 뿐만 아니라, 타겟 측정 깊이보다 얕은 지층과 깊은 지층의 정보를 함께 학습할 수 있다. 따라서 S파추정모델이 타겟 측정 깊이에 해당하는 지층의 S파 속도를 더 정확히 추정할 수 있다.
도 7은 본 발명의 일실시예에 따라 모델 선정 단계(S13)를 더 포함하는 모델 형성 단계(S10)를 나타낸 흐름도이다.
모델 형성 단계(S10)는 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들 각각의 값이 입력데이터(ID)이고, 측정 깊이에 따른 S파 속도가 정답데이터(AD)인 학습데이터(LD)를 생성하되, 학습데이터(LD)에 포함하기 위한 데이터를 샘플링하는 방법을 다양화하여 적어도 일부가 다른 복수의 학습데이터(LD)를 생성하는 학습데이터 생성 단계(S11), 웰 로그를 입력하면 측정 깊이에 따른 S파 속도를 출력하도록 S파추정모델을 학습시키되, 다양한 구조의 S파추정모델을 적어도 일부가 다른 복수의 학습데이터(LD)로 학습시켜, 학습데이터(LD)와 구조 중의 적어도 하나가 다른 복수의 S파추정모델을 학습시키는 모델 학습 단계(S12), 및 학습데이터(LD)와 구조 중의 적어도 하나가 다른 복수의 S파추정모델의 성능을 평가하고 가장 성능이 좋은 하나의 S파추정모델을 선정하는 모델 선정 단계(S13)를 포함할 수 있다.
웰 로그 DB(110)에 저장되어 있는 웰 로그는 다양한 지층에 형성된 시추공에서 획득된 것이다. 시추공마다 암상의 종류, 암상의 비율, 깊이, 측정된 인자의 종류, 인자의 값의 패턴, 시추공의 위치 등 다양한 항목에서 차이를 갖는다. 복수의 서로 다른 특성을 갖는 시추공에서 획득된 웰 로그들을 이용하여, 임의의 시추공의 S파 속도를 정확히 추정하기 위해서는 학습데이터(LD)에 포함될 웰 로그의 데이터를 선택하는 것이 중요하다.
학습데이터 생성 단계(S11)는, 최적 비율 샘플링, 암상 균일 샘플링, 랜덤 반복 샘플링, 유사 패턴 샘플링, 군집화 샘플링, 깊이 인자 샘플링 중에서 적어도 하나 이상을 수행하여 학습데이터(LD)를 생성할 수 있고, 동시에 두개 이상의 샘플링을 적용하여 학습데이터(LD)를 생성할 수 있다.
최적 비율 샘플링은 웰 로그 중에서 학습데이터(LD)로 이용될 데이터와 시험데이터로 이용될 데이터의 최적 비율을 찾기 위하여, 다양한 비율로 복수의 학습데이터(LD)를 생성하는 것이다. 예를 들어, 제1 내지 제4 시추공의 웰 로그를 이용하여 학습데이터(LD)를 생성하려는 경우, 제1 내지 제4 시추공의 웰 로그 전체에서 80%의 데이터를 학습데이터(LD)로 생성하고, 20%의 데이터를 시험데이터로 생성할 수 있다. 학습데이터(LD)의 비율이 80%, 70%, 60%로 샘플링하면 3개의 학습데이터(LD)가 생성된다. 3개의 학습데이터(LD)를 각각 이용하여 3개의 S파추정모델을 학습시키고, 3개의 S파추정모델의 성능을 평가하여 가장 성능이 좋은 결과를 나타낸 학습데이터(LD)의 비율을 찾을 수 있다.
암상 균일 샘플링은 학습데이터(LD)에 포함되는 웰 로그의 암상 비율이 균일하도록 데이터를 선택하는 것이다. S파 속도는 암상의 종류에 따라 범위가 달라지고, 암상의 종류에 따라 웰 로그에 포함된 인자들의 값의 범위도 달라진다. 암상이 단단하고 조밀할수록 S파 속도 범위의 크기가 크고, 암상이 무르고 다공성일수록 S파 속도 범위의 크기가 작다. 암상 균일 샘플링은 웰 로그에 포함된 암상이 A~E의 5개 종류인 경우, 학습데이터(LD)에 포함된 암상 A의 비율이 20%, 암상 B의 비율이 20%, 암상 C의 비율이 20%, 암상 D의 비율이 20%, 암상 E의 비율이 20%가 되도록 웰 로그의 데이터를 선택할 수 있다. 시추공은 지층이나 위치에 따라 특정 암상이 많이 분포하고 다른 암상이 거의 존재하지 않을 수 있으므로, 하나의 시추공에서 획득한 웰 로그는 암상의 분포가 불균일할 수 있다. 암상의 분포가 불균일한 웰 로그를 그대로 이용하여 학습데이터(LD)를 생성하면, 분포 비율이 높은 암상에서 나타나는 S파 속도 범위의 추정 정확도는 높지만 분포 비율이 낮은 암상에서 나타나는 S파 속도 범위의 추정 정확도는 낮은 문제가 발생할 수 있다. 암상 균일 샘플링을 수행하여 생성한 학습데이터(LD)를 이용하여 S파추정모델을 학습시키면, S파추정모델이 다양한 범위의 S파 속도에 해당하는 웰 로그를 균일하게 학습할 수 있는 이점이 있다. 따라서 S파추정모델이 S파 속도를 다양한 범위에서 균일한 추정 정확도를 나타낼 수 있다.
랜덤 반복 샘플링은 하나 또는 하나 이상의 웰 로그에서 랜덤하게 데이터를 추출하되, 최종적으로 추출된 데이터에 포함된 각각의 암상이 미리 정해진 비율보다 많이 존재하는지 판단하고, 특정 암상이 미리 정해진 비율보다 작게 포함된 경우 다시 데이터를 추출하는 것을 반복하는 것이다. 랜덤 반복 샘플링에서 각 암상의 비율은 설정할 수 있는 값이다. S파 속도의 추정 정확도가 낮은 종류의 암상이 존재하는 경우, 해당 암상의 비율을 높게 조정함으로써 학습데이터(LD)에 특정 암상에 관련된 웰 로그 데이터를 많이 포함시키고, S파추정모델이 추정이 어려운 암상에 관련된 데이터를 더 많이 학습하도록 조정할 수 있다. 이러한 경우 특정 범위의 S파 속도에 관련된 웰 로그를 더 많이 학습하므로, 특정 범위의 S파 속도의 추정 정확도를 향상시킬 수 있다.
유사 패턴 샘플링은 S파 속도를 추정하려는 시추공에서 획득된 웰 로그의 특정 인자의 값의 패턴과 유사한 패턴을 갖는 웰 로그를 시추공 단위로 추출하여 학습데이터(LD)를 생성하는 것이다. 예를 들어, S파 속도를 추정하려는 시추공에서 획득된 웰 로그의 특정 인자의 값이 130~140 범위에 존재할 때, 웰 로그 DB(110)에 저장된 다양한 시추공에서 획득된 웰 로그들 중에서, 특정 인자의 값이 130~140 범위에 있거나 인접한 범위에 있어서, 패턴이 유사한 웰 로그 데이터를 시추공 단위로 선택하거나 패턴이 유사한 데이터만 선택하여 학습데이터(LD)에 포함시킬 수 있고, 특정 인자의 값이 50~60 범위에 있는 웰 로그는 학습데이터(LD)에 포함되지 않도록 제외할 수 있다. 유사 패턴 샘플링은 S파 속도를 추정하려는 시추공에서 획득된 웰 로그와 유사한 범위의 값을 갖는 웰 로그를 이용하여 S파추정모델을 학습시킬 수 있으므로, S파 속도 추정의 정확도를 향상시킬 수 있다.
군집화 샘플링은 S파 속도를 추정하려는 시추공과 유사한 지층을 가질 것으로 예측되는 군집에 속하는 시추공에서 획득된 웰 로그를 선택하여 학습데이터(LD)를 생성하는 것이다. 군집화 샘플링은 S파 속도를 추정하려는 시추공과 거리상으로 가까운 순서대로 정해진 개수의 시추공에서 획득된 웰 로그를 선택하여 학습데이터(LD)를 생성할 수 있다. 또는, 군집화 샘플링은 S파 속도를 추정하려는 시추공에서 획득한 웰 로그와, 웰 로그 DB(110)에 저장된 웰 로그의 인자들의 값을 시추공 단위로 군집화 알고리즘을 이용하여 분류하고, 동일한 군집으로 분류되는 시추공에서 획득한 웰 로그를 선택하여 학습데이터(LD)를 생성할 수 있다. 군집화 알고리즘은 k-means 알고리즘 등의 알려진 방법을 이용할 수 있다. 일반적으로 거리상으로 가까운 시추공은 유사한 지층적 특성을 가질 것이라고 기대할 수 있으므로 가까운 거리를 기준으로 군집화 샘플링을 수행하는 것은 S파 속도 추정의 정확도를 향상시킬 수 있다. 한편, 시추공들의 사이에 단층이 존재하는 등의 이유로 가까운 시추공이라도 비유사한 지층적 특성을 가질 수 있으므로, 군집화 알고리즘을 이용하여 인자의 값이 전체적으로 유사한 시추공을 선택하는 방식의 군집화 샘플링은 S파 속도 추정의 정확도를 향상시킬 수 있다.
깊이 인자 샘플링은 2차원 매트릭스 구조로 구성되는 학습데이터(LD)에 포함되는 측정 깊이의 범위와 인자의 개수와 종류를 다르게 선택하는 것이다. 도 4를 참조하면, 학습데이터(LD)에 5개의 측정 깊이가 포함되고, 측정 깊이와 제1 내지 제5 인자가 포함되어 총 6개의 인자가 포함될 수 있다. 깊이 인자 샘플링을 수행하면, 측정 깊이가 3개, 5개, 7개, 9개, 그 이상인 경우와, 인자가 2개, 3개, 4개, 5개, 6개, 7개, 9개, 그 이상인 경우로 다양한 조합을 갖는 복수의 학습데이터(LD)를 생성할 수 있다. 또한, 인자의 개수가 동일하더라도, 포함되는 인자의 종류가 다른 복수의 학습데이터(LD)를 생성할 수 있다. 또한, 인자의 개수와 종류가 동일하더라도 인자의 순서가 다른 복수의 학습데이터(LD)를 생성할 수 있다. 복수의 학습데이터(LD) 각각을 이용하여 S파추정모델을 학습시키고, S파추정모델의 성능을 평가하여 가장 성능이 좋은 측정 깊이의 개수, 인자의 개수, 인자의 종류, 인자의 순서를 알 수 있다.
학습데이터 생성 단계(S11)는 위에서 설명한 최적 비율 샘플링, 암상 균일 샘플링, 랜덤 반복 샘플링, 유사 패턴 샘플링, 군집화 샘플링, 깊이 인자 샘플링 중에서 적어도 하나 이상을 수행하여 적어도 일부가 다른 복수의 웰 로그를 포함하는 복수의 학습데이터(LD)를 생성할 수 있다. 학습데이터 생성 단계(S11)는 하나의 학습데이터(LD)을 생성할 때, 하나 이상의 샘플링을 함께 수행할 수 있다.
모델 학습 단계(S12)는 학습데이터 생성 단계(S11)에서 생성한 다양한 학습데이터(LD)를 이용하여 다양한 구조의 S파추정모델을 학습시킬 수 있다. 모델 학습 단계(S12)에서 모델 학습부(130)가 이용할 수 있는 S파추정모델은 선형회귀(Linear Regression), 다항식 회귀(Polynomial Regression), 단일 지점 밀도 모델(Single Point Dense Model, SPDM), 단일 지점 컨볼루션 모델(Single Point Convolution Model, SPCM), 및 다 지점 밀도/컨볼루션 모델(Multi Point Dense/Convolution Model, MPDM/MPCM), 그 밖의 다른 인공지능 모델을 포함할 수 있다. 학습데이터 생성 단계(S11)에서 샘플링을 통해 생성된 복수의 학습데이터(LD)는 서로 적어도 일부가 다르게 생성된다. 따라서 동일한 S파추정모델을 이용하더라도 학습데이터(LD)의 차이에 의해 성능이 달라질 수 있고, 동일한 학습데이터(LD)를 이용하더라도 S파추정모델의 구조에 따라 성능이 달라질 수 있다. 모델 학습 단계(S12)에서 모델 학습부(130)는 다양한 학습데이터(LD)로 다양한 구조의 S파추정모델을 학습시켜 복수의 학습된 S파추정모델을 생성할 수 있다.
모델 선정 단계(S13)는 모델 선정부(140)에서 수행될 수 있다. 모델 선정부(140)는 복수의 S파추정모델에 시험데이터를 입력하고 S파추정모델의 성능을 평가할 수 있다. 모델 선정 단계(S13)에서 성능을 평가하는 방법은 MAE, MAPE 등의 알려진 평가방법을 이용할 수 있다. 모델 선정 단계(S13)는 샘플링을 통해 생성된 학습데이터(LD)로 학습된 복수의 S파추정모델의 성능을 평가하여, 가장 성능이 좋은 S파추정모델을 선정한다. 선정된 S파추정모델은 S파 속도 추정 단계(S20)에서 이용될 수 있다.
아래 표 1은 시추공 단위로 S파추정모델의 정확도를 평가한 결과를 나타낸다.
회귀분석 다항식 회귀 SPDM SPCM MPCM
시추공 1 72.9 73.2 95.2 95.8 96.4
시추공 2 78.2 54.3 93.0 92.3 96.9
시추공 3 65.2 68.5 95.2 97.1 98.3
시추공 4 82.5 90.3 89.4 90.1 92.6
시추공 5 71.9 62.8 97.4 95.9 96.8
시추공 6 87.3 70.1 96.3 95.6 99.2
… … … … … …
표 1에 기재된 바와 같이, S파추정모델이 회귀분석 및 다항식 회귀 구조인 경우 정확도는 60 내지 90 범위로 나타나고, 단일 지점 밀도 모델(SPDM), 단일 지점 컨볼루션 모델(SPCM), 다 지점 컨볼루션 모델(MPCM)의 경우 정확도가 90 이상으로 나타나, 전반적으로 인공지능 방식의 S파추정모델의 성능이 높은 것을 확인할 수 있다. 가장 정확도가 높은 구조는 다 지점 컨볼루션 모델(MPCM)이며, 모델 선정부(140)는 일반적으로 다 지점 컨볼루션 모델(MPCM)을 선정하게 될 것이다.
이하에서 본 발명의 일실시예에 따라 S파추정모델의 성능을 평가한 결과 가장 높은 성능을 나타낸 다 지점 컨볼루션 모델(MPCM) 구조의 S파추정모델을 설명한다.
도 8은 본 발명의 일실시예에 따른 다 지점 컨볼루션 모델(MPCM) 구조의 S파추정모델의 앙상블 과정을 나타내는 도면이다.
본 발명의 일실시예에 따른 다 지점 컨볼루션 모델(MPCM) 구조의 S파 추정 모델은 도 5에 도시된 바와 같고, 정확도를 더 향상시키기 위하여 출력데이터(OD)를 종합하는 앙상블 과정을 더 포함할 수 있으며, 앙상블 과정은 모델 이용 단계에서 더 수행될 수 있다. 모델 이용 단계는 타겟 측정 깊이에 해당하는 측정 깊이를 포함하는 모든 대상데이터가 S파추정모델에 각각 입력되어 출력된 복수의 출력데이터마다 존재하는, 타겟 측정 깊이에 해당하는 측정 깊이에 따른 S파 속도를 종합하여 최종 S파 속도를 결정하는 앙상블 과정을 더 포함할 수 있다.
도 8을 참조하면, 모델 이용 단계에서 수행하는 앙상블 과정은 타겟 측정 깊이의 S파 속도의 추정 정확도를 향상시키기 위한 과정이다. 타겟 측정 깊이가 744.4 인 경우 앙상블 과정을 예시적으로 설명한다. 대상데이터(SD)가 5개의 측정 깊이를 포함하고 측정 깊이와 제1 내지 제3 인자로 총 4개의 인자를 포함하는 5 by 4의 2차원 매트릭스 구조라고 가정한다. S파 속도를 추정하려는 측정 깊이마다 대상데이터(SD)를 생성하여 다지점CNN 구조의 암상추정모델에 입력하면 출력데이터(OD)를 획득할 수 있다. 예를 들어, 타겟 측정 깊이가 744.2인 경우 타겟 측정 깊이보다 얕은 2개의 측정 깊이와 타겟 측정 깊이보다 깊은 2개의 측정 깊이를 포함하도록 제1 구간에서 대상데이터(SD)가 생성되며, 제1 구간의 대상데이터(SD)를 S파추정모델에 입력하면 제1 구간에 포함된 측정 깊이의 S파 속도를 추정한 출력데이터(OD)가 생성된다. 이러한 과정을 타겟 측정 깊이마다 수행하면, 제1 내지 제5 구간에서 각각 대상데이터(SD)가 생성되고 출력데이터(OD)를 획득할 수 있다.
타겟 측정 깊이인 744.4 에 해당하는 S파 속도는 제1 내지 제5 구간에 해당하는 출력데이터(OD) 모두에 포함되어 있다. 동일한 측정 깊이라도 구간이 다른 경우 추정되는 S파 속도가 다르다. 예를 들어, 제1 구간의 출력데이터(OD)에 포함된 측정 깊이 744.4의 S파 속도는 739.229이고, 제2 구간의 출력데이터(OD)에 포함된 측정 깊이 744.4의 S파 속도는 722.493이다. 이는 S파추정모델에 입력되는 대상데이터(SD)의 구간이 달라서 입력되는 웰 로그가 다르기 때문이다.
앙상블 과정은 타겟 측정 깊이에 해당하는 측정 깊이의 S파 속도를 평균하여 최종 S파 속도를 결정할 수 있다. 대상데이터(SD)에 포함되는 측정 깊이의 개수가 5개인 경우, 앙상블 과정에서 임의의 타겟 측정 깊이를 결정하기 위해 평균해야 하는 S파 속도의 개수도 5개일 수 있다. 앙상블 과정은 임의의 측정 깊이를 타겟 측정 깊이로 하는 대상데이터(SD)가 포함하는 웰 로그보다 더 넓은 범위의 측정 깊이에 해당하는 웰 로그를 종합할 수 있다. 예를 들어, 타겟 측정 깊이가 744.4인 대상데이터(SD)는 제3 구간에 해당하므로, 744.0, 744.1, 744.7. 744.8에 해당하는 측정 깊이의 웰 로그는 고려되지 않지만, 앙상블 과정을 수행하면 제1 구간 내지 제5 구간에 해당하는 측정깊이 744.0 내지 744.8의 웰 로그를 함께 고려할 수 있게 된다.
도 8을 참조하여 설명한 바와 같이, 본 발명의 일실시예에 따른 다지점CNN 구조에 기초하여 앙상블 과정을 수행하면, 타겟 측정 깊이에 해당하는 측정 깊이의 S파 속도를 종합하여 최종 S파 속도를 추정할 수 있다. 하나의 구간의 출력데이터(OD)에 포함된 S파 속도를 추정 S파 속도로 결정하는 것에 비하여, 앙상블 과정을 더 수행하면 S파 추정의 정확도가 향상될 수 있다.
도 9는 본 발명의 일실시예에 따른 S파추정모델의 입력과 출력을 나타낸 시각화 차트이다. 도 9는 입력데이터(ID) 또는 대상데이터(SD)에 해당하는 웰 로그를 좌측에 나타내고, S파추정모델의 출력데이터(OD) 또는 추정 S파 속도를 오른쪽에 나타내며, 정답데이터(AD)를 출력데이터(OD) 또는 추정 S파 속도와 비교할 수 있도록 도시한다.
도 9에 도시된 바와 같이, S파 속도를 시각화한 도면은 S파 속도 추정부(160)가 작성하여 입출력부(170)를 통해 시각적으로 제공될 수 있다. S파 속도 추정부(160)는 S파추정모델이 대상데이터(SD)를 입력받아 출력하는 추정 S파 속도 또는 최종 S파 속도를 그래프화하여 시각적으로 도시한 시각화 차트를 생성할 수 있다. 시각화 차트는 입력데이터(ID), 정답데이터(AD), 시험데이터, 출력데이터(OD) 중의 하나 이상을 측정 깊이에 따라 도시할 수 있고, 시추공 별로 도시할 수도 있다. 모델 선정부(140)는 S파추정모델의 정확도를 사람이 시각적으로 인지할 수 있도록 도 9에 도시된 바와 같은 시각화된 도면을 생성할 수 있다.
상술한 바와 같이, 본 발명의 일실시예에 따른 웰 로그를 학습하여 S파 속도를 추정하는 방법 및 장치는, 타겟 측정 깊이의 지층의 S파 속도를 학습하고 추정하기 위하여, 타겟 측정 깊이에서 측정된 웰 로그를 학습할 뿐만 아니라, 타겟 측정 깊이보다 얕은 측정 깊이에서 측정된 웰 로그의 정보와 타겟 측정 깊이보다 깊은 측정 깊이에서 측정된 웰 로그의 정보를 함께 학습하므로, 타겟 측정 깊이의 S파 속도를 더 정확히 측정할 수 있다. 이와 같이 타겟 측정 깊이의 상/하 지층의 정보를 학습하기 위하여 2차원 매트릭스 구조로 학습데이터(LD)를 생성하고, 2차원 매트릭스 구조의 학습데이터(LD)를 효과적으로 학습할 수 있는 다지점CNN 구조의 S파추정모델을 이용하고 앙상블 과정을 더 수행하여 최적의 S파추정모델을 구성하였다.
또한, 본 발명의 일실시예에 따른 웰 로그를 학습하여 S파 속도를 추정하는 방법 및 장치는, 다양한 샘플링 방법을 이용하여 적어도 일부가 다른 복수의 학습데이터(LD)를 생성하고, 다양한 구조의 S파추정모델을 학습시켜, 학습데이터(LD)와 구조 중의 적어도 하나가 다른 복수의 S파추정모델의 성능을 평가하고 가장 성능이 높은 S파추정모델을 선정할 수 있으므로, S파 속도를 추정하려는 시추공에서 획득된 웰 로그를 효과적으로 분석하여 S파 속도를 정확히 추정할 수 있다.
이상 본 발명을 구체적인 실시예를 통하여 상세히 설명하였으며, 실시예는 본 발명을 구체적으로 설명하기 위한 것으로, 본 발명은 이에 한정되지 않으며, 본 발명의 기술적 사상 내에서 당해 분야의 통상의 지식을 가진 자에 의해 그 변형이나 개량이 가능함은 명백하다고 할 것이다.
본 발명의 단순한 변형 내지 변경은 모두 본 발명의 영역에 속하는 것으로 본 발명의 구체적인 보호 범위는 첨부된 특허청구범위에 의하여 명확해질 것이다.
100: 웰 로그를 학습하여 S파 속도를 추정하는 장치
110: 웰 로그 DB
120: 학습데이터 생성부
130: 모델 학습부
140: 모델 선정부
150: 오류 보정부
160: S파 속도 추정부
170: 입출력부
180: 저장부
LD: 학습데이터
ID: 입력데이터
AD: 정답데이터
OD: 출력데이터
SD: 대상데이터

Claims (11)

  1. 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들 각각의 값이 입력데이터이고, 측정 깊이에 따른 S파 속도가 정답데이터인 학습데이터에 기초하여 웰 로그를 입력하면 측정 깊이에 따른 S파 속도를 출력하도록 S파추정모델을 형성하는 모델 형성 단계;
    상기 S파추정모델에 S파 속도를 추정하려는 시추공에서 획득한, 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들 각각의 값을 정리한 대상데이터를 입력하여 측정 깊이에 따른 S파 속도를 추정하는 S파 속도 추정 단계를 포함하는, 웰 로그를 학습하여 S파 속도를 추정하는 방법.
  2. 청구항 1에 있어서,
    상기 모델 형성 단계는
    타겟 측정 깊이와, 상기 타겟 측정 깊이보다 얕은 측정 깊이와, 상기 타겟 측정 깊이보다 깊은 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들의 측정값을 2차원 매트릭스 구조로 배치한 입력데이터, 및 상기 타겟 측정 깊이의 S파 속도가 정답인 정답데이터를 포함하는 학습데이터를 생성하는 학습데이터 생성 단계; 및
    상기 학습데이터를 이용하여 타겟 측정 깊이, 타겟 측정 깊이보다 얕은 측정 깊이, 타겟 측정 깊이보다 깊은 측정 깊이의 S파 속도를 측정 깊이마다 출력하는 다 지점 컨볼루션 모델(Multi Point Convolution Model) 구조의 S파추정모델을 학습시키는 모델 학습 단계를 포함하는, 웰 로그를 학습하여 S파 속도를 추정하는 방법.
  3. 청구항 2에 있어서,
    상기 S파 속도 추정 단계는
    S파 속도를 추정하려는 시추공에서 획득한 웰 로그에 기초하여, 상기 타겟 측정 깊이와, 상기 타겟 측정 깊이보다 얕은 측정 깊이와, 상기 타겟 측정 깊이보다 깊은 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들의 측정값을 2차원 매트릭스 구조로 배치한 대상데이터를 생성하는 대상데이터 생성 단계; 및
    상기 대상데이터를 상기 S파추정모델에 입력하여 출력되는, 상기 학습데이터의 입력데이터에 포함된 측정 깊이에 해당하는 측정 깊이마다 S파 속도를 출력하고, 상기 타겟 측정 깊이에 해당하는 측정 깊이의 S파 속도를 추정 S파 속도로 결정하는 모델 이용 단계를 포함하는, 웰 로그를 학습하여 S파 속도를 추정하는 방법.
  4. 청구항 1에 있어서,
    상기 모델 형성 단계는
    측정 깊이에 따른 웰 로그에 포함된 복수의 인자들 각각의 값이 입력데이터이고, 측정 깊이에 따른 S파 속도가 정답데이터인 학습데이터를 생성하되, 상기 학습데이터에 포함하기 위한 데이터를 샘플링하는 방법을 다양화하여 적어도 일부가 다른 복수의 학습데이터를 생성하는 학습데이터 형성 단계;
    웰 로그를 입력하면 측정 깊이에 따른 S파 속도를 출력하도록 S파추정모델을 학습시키되, 다양한 구조의 S파추정모델을 상기 적어도 일부가 다른 복수의 학습데이터로 학습시켜, 학습데이터와 구조 중의 적어도 하나가 다른 복수의 S파추정모델을 학습시키는 모델 학습 단계; 및
    상기 학습데이터와 구조 중의 적어도 하나가 다른 복수의 S파추정모델의 성능을 평가하고 가장 성능이 좋은 하나의 S파추정모델을 선정하는 모델 선정 단계를 포함하는, 웰 로그를 학습하여 S파 속도를 추정하는 방법.
  5. 청구항 4에 있어서,
    상기 학습데이터 형성 단계는
    웰 로그 중에서 학습데이터로 이용될 데이터와 시험데이터로 이용될 데이터의 최적 비율을 찾기 위하여, 다양한 비율로 복수의 학습데이터를 생성하는 최적 비율 샘플링,
    학습데이터에 포함되는 웰 로그의 암상 비율이 균일하도록 데이터를 선택하는 암상 균일 샘플링,
    하나 또는 하나 이상의 웰 로그에서 랜덤하게 데이터를 추출하되, 최종적으로 추출된 데이터에 포함된 각각의 암상이 미리 정해진 비율보다 많이 존재하는지 판단하고, 특정 암상이 미리 정해진 비율보다 작게 포함된 경우 다시 데이터를 추출하는 것을 반복하는 랜덤 반복 샘플링,
    S파 속도를 추정하려는 시추공에서 획득된 웰 로그의 특정 인자의 값의 패턴과 유사한 패턴을 갖는 웰 로그를 시추공 단위로 추출하여 학습데이터를 생성하는 유사 패턴 샘플링,
    S파 속도를 추정하려는 시추공과 유사한 지층을 가질 것으로 예측되는 군집에 속하는 시추공에서 획득된 웰 로그를 선택하여 학습데이터를 생성하는 군집화 샘플링, 및
    2차원 매트릭스 구조로 구성되는 학습데이터에 포함되는 측정 깊이의 범위와 인자의 개수와 종류를 다르게 선택하는 깊이 인자 샘플링 중에서 적어도 하나 이상을 수행하여 적어도 일부가 다른 복수의 웰 로그를 포함하는 복수의 학습데이터를 생성하는, 웰 로그를 학습하여 S파 속도를 추정하는 방법.
  6. 청구항 3에 있어서,
    상기 모델 이용 단계는
    상기 타겟 측정 깊이에 해당하는 측정 깊이를 포함하는 모든 대상데이터가 상기 S파추정모델에 각각 입력되어 출력된 복수의 출력데이터마다 존재하는, 상기 타겟 측정 깊이에 해당하는 측정 깊이에 따른 S파 속도를 종합하여 최종 S파 속도를 결정하는 앙상블 과정을 더 포함하는, 웰 로그를 학습하여 S파 속도를 추정하는 방법.
  7. 지층에 시추공을 형성하여 측정 또는 해석을 통해 획득한 데이터인 웰 로그와 측정 깊이에 따른 S파 속도를 저장하는 웰 로그 DB;
    상기 웰 로그 DB에 저장된 웰 로그에 포함된 복수의 인자들 각각의 값을 측정 깊이에 따라 정리한 입력데이터와, 측정 깊이에 따른 S파 속도가 정답데이터인 학습데이터를 생성하는 학습데이터 생성부;
    상기 학습데이터를 이용하여, 웰 로그를 입력하면 측정 깊이에 따른 S파 속도를 출력하도록 S파추정모델을 학습시키는 모델 학습부; 및
    모델 학습부에서 학습된 S파추정모델에 S파 속도를 추정하려는 시추공에서 획득한 웰 로그에 포함된 복수의 인자들 각각의 값을 측정 깊이에 따라 정리한 대상데이터를 입력하여 측정 깊이에 따른 S파 속도를 추정하는 S파 속도 추정부를 포함하는, 웰 로그를 학습하여 S파 속도를 추정하는 장치.
  8. 청구항 7에 있어서,
    상기 학습데이터 및 대상데이터는
    S파 속도를 추정하려는 시추공에서 획득한 웰 로그에 기초하여, 타겟 측정 깊이와, 상기 타겟 측정 깊이보다 얕은 측정 깊이와, 상기 타겟 측정 깊이보다 깊은 측정 깊이에 따른 웰 로그에 포함된 복수의 인자들의 측정값을 2차원 매트릭스 구조로 배치한 것이고,
    상기 S파추정모델은
    상기 학습데이터를 이용하여 상기 타겟 측정 깊이, 상기 타겟 측정 깊이보다 얕은 측정 깊이, 상기 타겟 측정 깊이보다 깊은 측정 깊이의 S파 속도를 측정 깊이마다 출력하는 다 지점 컨볼루션 모델(Multi Point Convolution Model) 구조인, 웰 로그를 학습하여 S파 속도를 추정하는 장치.
  9. 청구항 8에 있어서,
    상기 학습데이터 생성부는
    웰 로그에 포함된 복수의 인자들 각각의 값을 측정 깊이에 따라 정리한 입력데이터와, 상기 측정 깊이에 따른 S파 속도가 정답데이터인 학습데이터를 생성하되, 상기 학습데이터에 포함하기 위한 데이터를 샘플링하는 방법을 다양화하여 적어도 일부가 다른 복수의 학습데이터를 생성하고,
    상기 모델 학습부는
    웰 로그를 입력하면 측정 깊이에 따른 S파 속도를 출력하도록 S파추정모델을 학습시키되, 다양한 구조의 S파추정모델을 상기 적어도 일부가 다른 복수의 학습데이터로 학습시켜, 학습데이터와 구조 중의 적어도 하나가 다른 복수의 S파추정모델을 학습시키며,
    상기 웰 로그를 학습하여 S파 속도를 추정하는 장치는
    상기 학습데이터와 구조 중의 적어도 하나가 다른 복수의 S파추정모델의 성능을 평가하고 가장 성능이 좋은 하나의 S파추정모델을 선정하는 모델 선정부를 더 포함하는, 웰 로그를 학습하여 S파 속도를 추정하는 장치.
  10. 청구항 9에 있어서,
    상기 학습데이터 생성부는
    웰 로그 중에서 학습데이터로 이용될 데이터와 시험데이터로 이용될 데이터의 최적 비율을 찾기 위하여, 다양한 비율로 복수의 학습데이터를 생성하는 최적 비율 샘플링,
    학습데이터에 포함되는 웰 로그의 암상 비율이 균일하도록 데이터를 선택하는 암상 균일 샘플링,
    하나 또는 하나 이상의 웰 로그에서 랜덤하게 데이터를 추출하되, 최종적으로 추출된 데이터에 포함된 각각의 암상이 미리 정해진 비율보다 많이 존재하는지 판단하고, 특정 암상이 미리 정해진 비율보다 작게 포함된 경우 다시 데이터를 추출하는 것을 반복하는 랜덤 반복 샘플링,
    S파 속도를 추정하려는 시추공에서 획득된 웰 로그의 특정 인자의 값의 패턴과 유사한 패턴을 갖는 웰 로그를 시추공 단위로 추출하여 학습데이터를 생성하는 유사 패턴 샘플링,
    S파 속도를 추정하려는 시추공과 유사한 지층을 가질 것으로 예측되는 군집에 속하는 시추공에서 획득된 웰 로그를 선택하여 학습데이터를 생성하는 군집화 샘플링, 및
    2차원 매트릭스 구조로 구성되는 학습데이터에 포함되는 측정 깊이의 범위와 인자의 개수와 종류를 다르게 선택하는 깊이 인자 샘플링, 중에서 적어도 하나 이상을 수행하여 적어도 일부가 다른 복수의 웰 로그를 포함하는 복수의 학습데이터를 생성하는, 웰 로그를 학습하여 S파 속도를 추정하는 장치.
  11. 청구항 9에 있어서,
    상기 S파 속도 추정부는
    모델 학습부에서 학습된 S파추정모델에 S파 속도를 추정하려는 시추공에서 획득한 웰 로그에 포함된 복수의 인자들 각각의 값을 측정 깊이에 따라 정리한 대상데이터를 입력하여 측정 깊이에 따른 S파 속도를 추정하고, 상기 타겟 측정 깊이에 해당하는 측정 깊이를 포함하는 모든 대상데이터가 상기 S파추정모델에 각각 입력되어 출력된 복수의 출력데이터마다 존재하는, 상기 타겟 측정 깊이에 해당하는 측정 깊이에 따른 S파 속도를 종합하여 최종 S파 속도를 결정하는 앙상블 과정을 더 수행하는, 웰 로그를 학습하여 S파 속도를 추정하는 장치.
KR1020200067930A 2020-06-04 2020-06-04 웰 로그를 학습하여 s파 속도를 추정하는 방법 및 장치 KR20210150916A (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020200067930A KR20210150916A (ko) 2020-06-04 2020-06-04 웰 로그를 학습하여 s파 속도를 추정하는 방법 및 장치
US17/248,649 US11422276B2 (en) 2020-06-04 2021-02-01 Method and apparatus for estimating S-wave velocities by learning well logs
CN202110185503.0A CN113759420A (zh) 2020-06-04 2021-02-10 通过学习测井记录来估计s波速度的方法和设备
US17/865,703 US11796698B2 (en) 2020-06-04 2022-07-15 Method and apparatus for estimating S-wave velocities by learning well logs
US18/351,906 US12019195B2 (en) 2020-06-04 2023-07-13 Method and apparatus for estimating S-wave velocities by learning well logs

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200067930A KR20210150916A (ko) 2020-06-04 2020-06-04 웰 로그를 학습하여 s파 속도를 추정하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20210150916A true KR20210150916A (ko) 2021-12-13

Family

ID=78786646

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200067930A KR20210150916A (ko) 2020-06-04 2020-06-04 웰 로그를 학습하여 s파 속도를 추정하는 방법 및 장치

Country Status (3)

Country Link
US (3) US11422276B2 (ko)
KR (1) KR20210150916A (ko)
CN (1) CN113759420A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103424772A (zh) 2012-05-24 2013-12-04 中国石油化工股份有限公司 一种基于岩石物理的储层横波速度预测方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5265016A (en) * 1989-07-19 1993-11-23 Amoco Corporation Method of shear wave velocity estimation
US5579282A (en) * 1995-08-25 1996-11-26 Western Atlas International, Inc. Method for determining the shear-wave velocity beneath a body of water
US6820010B1 (en) * 2003-04-30 2004-11-16 Conocophillips Company Method for determining shear-wave velocity model for depth migration of mode-converted data
US9696442B2 (en) * 2013-10-29 2017-07-04 Exxonmobil Upstream Research Company Method for estimating subsurface properties from geophysical survey data using physics-based inversion
EP3580586A1 (en) * 2017-02-09 2019-12-18 Services Pétroliers Schlumberger Geophysical deep learning
US10996372B2 (en) * 2017-08-25 2021-05-04 Exxonmobil Upstream Research Company Geophysical inversion with convolutional neural networks
US11624849B2 (en) * 2018-05-14 2023-04-11 Schlumberger Technology Corporation Methods for determining transversely isotropic-elastic constants from borehole sonic velocities in strongly transversely-isotropic formations
US11814931B2 (en) 2018-05-31 2023-11-14 Schlumberger Technology Corporation Machine-learning for sedimentary facies prediction
CN109212617B (zh) 2018-08-24 2020-09-08 中国石油天然气股份有限公司 电成像测井相自动识别方法及装置
CA3112197C (en) * 2018-09-14 2023-08-29 Bp Corporation North America Inc. Machine learning-based analysis of seismic attributes
US11585956B2 (en) * 2018-12-31 2023-02-21 Halliburton Energy Services, Inc. Shear velocity radial profiling based on flexural mode dispersion
EP3959544A4 (en) * 2019-04-25 2022-11-16 Services Pétroliers Schlumberger ALIGNMENT OF A COMMON SENSOR AND VELOCITY MODEL CALIBRATION
US11704579B2 (en) * 2020-04-17 2023-07-18 Quantic Energy Solutions Llo Earth modeling methods using machine learning

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103424772A (zh) 2012-05-24 2013-12-04 中国石油化工股份有限公司 一种基于岩石物理的储层横波速度预测方法

Also Published As

Publication number Publication date
US12019195B2 (en) 2024-06-25
US11422276B2 (en) 2022-08-23
US20230358908A1 (en) 2023-11-09
CN113759420A (zh) 2021-12-07
US20220365235A1 (en) 2022-11-17
US20210382191A1 (en) 2021-12-09
US11796698B2 (en) 2023-10-24

Similar Documents

Publication Publication Date Title
Mariethoz et al. Reconstruction of incomplete data sets or images using direct sampling
US9097821B2 (en) Integrated workflow or method for petrophysical rock typing in carbonates
Alizadeh et al. Artificial neural network modeling and cluster analysis for organic facies and burial history estimation using well log data: A case study of the South Pars Gas Field, Persian Gulf, Iran
KR20210150917A (ko) 웰 로그를 학습하여 암상을 추정하는 방법 및 장치
Koike et al. Spatial correlation structures of fracture systems for deriving a scaling law and modeling fracture distributions
Kiaei et al. 3D modeling of reservoir electrofacies using integration clustering and geostatistic method in central field of Persian Gulf
Purkis et al. Vertical-to-lateral transitions among Cretaceous carbonate facies—a means to 3-D framework construction via Markov analysis
Bueno et al. Constraining uncertainty in volumetric estimation: A case study from Namorado Field, Brazil
Bohling et al. An integrated application of neural network and Markov chain techniques to the prediction of lithofacies from well logs: Kansas Geological Survey Open-File Report 2003-50, 6 p
CN110554427B (zh) 一种基于地震波形正演的岩性组合预测方法
Le Blévec et al. Geostatistical Earth modeling of cyclic depositional facies and diagenesis
CN103201649A (zh) 用于脉冲中子俘获西格马反演的方法和系统
Goovaerts Geostatistical modeling of the spaces of local, spatial, and response uncertainty for continuous petrophysical properties
KR20210150916A (ko) 웰 로그를 학습하여 s파 속도를 추정하는 방법 및 장치
Kakouei et al. Lithological facies identification in Iranian largest gas field: A comparative study of neural network methods
Mezzatesta et al. OPTIMA: a statistical approach to well log analysis
Rawlinson et al. Gaussian process modeling of well logs
CN111594156A (zh) 一种天然气水合物饱和度计算方法及系统
CN117174203B (zh) 用于砂岩铀矿的测井曲线响应分析方法
Arizabalo et al. Lacunarity of geophysical well logs in the Cantarell oil field, Gulf of Mexico
Mollajan et al. Zonal classification by pattern recognition methods: An example from Asmari Formation (Mansuri oil field, south of Iran)
Tang et al. Incorporation of spatial characters into volcanic facies and favorable reservoir prediction
Jessell et al. Multidimensional topology transforms
Remacre et al. Application of the plurigaussian simulation technique in reproducing lithofacies with double anisotropy
Pitcher et al. Exploring Shale Basins using Existing Wells

Legal Events

Date Code Title Description
A201 Request for examination