갭을 메우는 감마선 로깅: 두 층 신경망 기반 복원 기법

초록

감마선 로깅 중 센서 고장 등으로 발생하는 데이터 결손을 기존 보간법이 아닌, 동일 웰의 기록을 학습한 두 층 신경망으로 복원한다. 결손 길이에 따라 방법 선택 기준을 제시하고, 실험을 통해 제안 기법의 정확도와 비용 절감 효과를 검증한다.

상세 분석

본 논문은 감마선 로깅 데이터의 결측 구간을 복원하기 위해 매우 단순한 구조의 두 층(입력‑은닉‑출력) 피드포워드 신경망을 설계하였다. 입력 변수는 현재 깊이와 인접 깊이의 감마값, 혹은 주변 물리적 파라미터(예: 온도, 압력) 등을 포함하도록 구성했으며, 출력은 결측 구간의 감마값이다. 학습 단계에서는 결측이 없는 구간을 전부 활용해 지도학습을 수행하고, 손실 함수는 평균제곱오차(MSE)를 사용해 모델 파라미터를 최적화한다. 데이터 전처리 과정에서 깊이와 감마값을 정규화하고, 결측 구간 전후의 연속성을 보존하도록 윈도우 기반 샘플링을 적용하였다.

실험에서는 결측 비율을 5 % 이하(소규모 결손)와 20 % 이상(대규모 결손)으로 구분해, 전통적인 선형 보간, 스플라인 보간, 그리고 K‑최근접 이웃(KNN) 보간과 비교하였다. 소규모 결손에서는 모든 보간법이 비슷한 RMSE를 보였지만, 대규모 결손에서는 두 층 신경망이 평균 15 %~25 % 낮은 RMSE와 MAE를 기록하며 우수성을 입증했다. 특히, 지층 전이점이나 급격한 감마값 변동이 있는 구간에서도 신경망은 주변 패턴을 학습해 비선형 변화를 잘 재현한다.

또한, 모델 복잡도를 최소화함으로써 학습 시간과 메모리 사용량을 크게 줄였으며, 실제 현장 적용 시 실시간 복원도 가능함을 시연했다. 한편, 데이터 양이 충분히 확보되지 않은 얕은 웰이나, 지질학적 특성이 급변하는 지역에서는 과적합 위험이 존재함을 지적하고, 교차검증 및 정규화 기법을 통한 안정화 방안을 제시한다.

결론적으로, 논문은 결측 비율이 클수록 전통적 보간보다 머신러닝 기반 복원이 효과적이며, 비용 절감과 데이터 연속성 확보 측면에서 실용적 대안을 제공한다는 점을 강조한다.