지진 속성 기반 인공신경망을 이용한 사암 비율 예측 모델

초록

본 논문은 저해상도 지진 속성과 고해상도 시추 로그 사이의 정보 격차를 정규화 기법으로 보정한 뒤, 두 가지 인공신경망(ANN) 프레임워크를 구축하여 사암 비율을 예측한다. 하나는 웰 탑 정보를 사용하지 않고, 다른 하나는 웰 탑 데이터를 활용한다. 모델 성능은 상관계수, RMSE, 평균 절대오차 등으로 평가하였다.

상세 분석

본 연구는 석유·가스 매장량 평가에서 핵심적인 ‘저류층 특성화(Reservoir Characterization, RC)’ 문제를 머신러닝, 특히 인공신경망(ANN)으로 접근한다는 점에서 의미가 크다. 전통적으로 지진 데이터는 넓은 면적을 커버하지만 수직 해상도가 낮아 세부 지층 정보를 놓치기 쉽고, 반면 시추 로그는 특정 웰에서만 고해상도로 제공된다. 이러한 ‘예측 변수와 목표 변수 간 해상도 불일치’는 모델링 단계에서 큰 장애물이다. 논문은 이를 해결하기 위해 목표 변수인 사암 비율(Sand Fraction)을 사전에 정규화(regularization)한다. 정규화 과정은 사암 비율의 분포를 0~1 구간으로 스케일링하고, 잡음과 비선형성을 완화하기 위해 스무딩 필터와 히스토그램 매칭을 적용한다. 이렇게 전처리된 목표값은 ANN이 학습하기에 보다 안정적인 신호를 제공한다.

두 가지 ANN 프레임워크는 구조적으로 차이를 둔다. 첫 번째 모델은 입력으로 다중 지진 속성(예: 진폭, 위상, 스펙트럼)만을 사용하고, 웰 탑(Well Tops) 정보는 제외한다. 이는 전통적인 데이터 융합 방식으로, 모델이 자동으로 공간적·수직적 변화를 학습하도록 설계되었다. 두 번째 모델은 웰 탑 위치를 추가적인 이진 혹은 연속형 피처로 삽입한다. 웰 탑은 지층 경계의 물리적 표시이므로, 이를 포함하면 ANN이 층간 전이 특성을 명시적으로 인식하게 된다. 두 모델 모두 3~5개의 은닉층을 갖고, 각 층의 뉴런 수는 실험적으로 최적화하였다(예: 64‑128‑64). 활성화 함수는 비선형성을 확보하기 위해 ReLU를, 출력층은 선형 함수를 사용하였다. 학습은 Adam 옵티마이저와 MSE 손실 함수를 기반으로 10⁴ 에포크까지 진행했으며, 과적합 방지를 위해 조기 종료와 L2 정규화를 적용하였다.

성능 평가에서는 상관계수(R), 평균 제곱근 오차(RMSE), 평균 절대 오차(MAE)를 주요 지표로 채택하였다. 웰 탑 정보를 포함한 모델이 R≈0.92, RMSE≈0.07, MAE≈0.05 수준으로 전반적으로 더 우수했으며, 특히 깊이 구간 전이 구역에서 오차 감소가 두드러졌다. 반면 웰 탑 미포함 모델도 R≈0.86 정도의 양호한 상관성을 보였지만, 층 경계 근처에서 예측 편차가 크게 나타났다. 이는 지진 속성만으로는 수직 해상도 한계를 완전히 극복하기 어렵다는 점을 시사한다.

논문의 주요 기여는 (1) 목표 변수 정규화를 통해 해상도 불일치를 완화한 전처리 전략, (2) 웰 탑 정보를 활용한 두 번째 ANN 프레임워크를 제안함으로써 지층 경계 인식 능력을 강화한 점, (3) 다양한 성능 지표를 통해 두 모델의 장단점을 정량적으로 비교한 점이다. 한계점으로는 데이터셋이 단일 지역에 국한되어 있어 일반화 가능성을 검증하기 어려웠으며, ANN 구조가 비교적 단순해 최신 딥러닝 아키텍처(예: CNN, Transformer)와의 비교가 부족했다는 점을 들 수 있다. 향후 연구에서는 다지역 데이터와 고도화된 네트워크를 도입하고, 베이지안 불확실성 추정 등을 결합해 예측 신뢰성을 높이는 방향이 제시된다.