신경‑퍼지 모델을 이용한 지진 속성으로 모래 함량 정량화

초록

본 연구는 서부 인도 해안의 석유전에서 획득한 3차원 포스트스택 지진 속성(임피던스, 진폭, 순간 주파수)과 6개 시추정의 로그 데이터를 활용해, 신경‑퍼지(NF) 시스템으로 모래 함량을 예측하는 방법을 제시한다. 얇은 모래·셰일 층이 복잡하게 얽힌 지질구조에서 전통적인 지진 해석이 한계가 있음을 지적하고, 퍼지 로직을 결합한 인공신경망이 비선형 매핑과 불확실성 처리에 유리함을 입증한다. 실험 결과는 예측값과 실제값 사이에 높은 일치도를 보였으며, 전역적인 모래 확률 분포 시각화를 통해 향후 시추 위치 선정에 활용 가능함을 보여준다.

상세 분석

본 논문은 석유·가스 탐사에서 핵심적인 ‘모래 함량(sand fraction)’을 정량화하기 위해, 지진 속성 데이터와 퍼지 기반 인공신경망을 결합한 하이브리드 모델을 설계·검증하였다. 연구 대상 지역은 얇은 모래와 셰일이 교차하는 복합 저류층을 가지고 있어, 전통적인 지진 해석으로는 해상도 제한과 층간 경계 식별의 어려움이 존재한다. 이러한 문제를 해결하기 위해 저자는 세 가지 주요 지진 속성—임피던스, 진폭, 순간 주파수—를 입력 변수로 선정하였다. 임피던스는 물성 변화에 민감하고, 진폭은 반사 강도, 순간 주파수는 층간 얇은 구조를 포착하는 특성을 갖는다.

신경‑퍼지(NF) 모델은 두 단계로 구성된다. 첫 번째는 전통적인 다층 퍼셉트론(MLP) 구조를 기반으로 한 학습 단계로, 입력‑출력 간 비선형 관계를 파라미터화한다. 두 번째는 퍼지 논리 시스템을 도입해, 학습된 가중치를 퍼지 규칙 집합으로 변환하고, 각 규칙에 대한 멤버십 함수를 정의한다. 이를 통해 모델은 ‘불확실성(uncertainty)’과 ‘모호성(ambiguity)’을 정량적으로 다룰 수 있다. 특히, 퍼지 멤버십 함수는 가우시안 형태를 채택해 연속적인 변화를 부드럽게 표현하며, 규칙 기반 추론은 입력값이 경계 영역에 있을 때도 안정적인 출력값을 제공한다.

데이터 전처리 단계에서는 3D 포스트스택 지진 볼륨을 동일한 좌표 체계로 정렬하고, 로그 데이터와의 공간적 일치를 위해 인터폴레이션을 수행하였다. 또한, 로그에서 추출한 모래 함량은 0~1 사이의 비율값으로 정규화되었으며, 학습·검증·테스트 데이터셋은 70:15:15 비율로 무작위 분할되었다. 모델 학습에는 역전파와 퍼지 규칙 최적화를 동시에 수행하는 하이브리드 알고리즘을 적용했으며, 과적합 방지를 위해 조기 종료(Early Stopping)와 L2 정규화를 병행하였다.

성능 평가는 결정계수(R²), 평균제곱오차(MSE), 그리고 상관계수(R) 등을 사용하였다. 결과적으로 R²는 0.86, MSE는 0.018, R은 0.93에 달해, 기존 단순 ANN 대비 약 10% 이상의 정확도 향상을 보였다. 특히, 얇은 셰일 층이 포함된 구간에서 퍼지 규칙이 불확실성을 효과적으로 완화시켜, 예측값의 변동성을 크게 감소시킨 것이 눈에 띈다.

시각화 단계에서는 예측된 모래 함량을 확률 지도(probability map) 형태로 3D 볼륨에 매핑하였다. 이 지도는 고확률 영역이 잠재적인 고생산성 구역과 일치함을 보여, 향후 시추 계획 수립에 실질적인 의사결정 지원 도구로 활용될 수 있다. 또한, 모델 해석성을 높이기 위해 주요 퍼지 규칙을 추출하고, 각 규칙이 특정 지진 속성 조합에 어떻게 기여하는지 설명함으로써, 블랙박스 특성을 어느 정도 해소하였다.

종합적으로, 본 연구는 지진 데이터의 해상도 한계를 퍼지 로직과 신경망의 결합을 통해 보완하고, 복잡한 저류층에서의 물성 예측 정확도를 크게 향상시켰다. 향후 연구에서는 더 많은 지진 속성(예: 스펙트럼, 위상)과 다중 스케일 퍼지 규칙을 도입해 모델의 일반화 능력을 강화하고, 실시간 시추 운영에 적용 가능한 경량화 모델 개발이 기대된다.