심층 신경망을 활용한 초심층 전자기 로그 모델링

초록

본 논문은 1차원 7층까지의 지층을 가정한 상용 전자기 시뮬레이터로 생성한 제한된 학습 데이터를 이용해, 22개의 측정값을 동시에 예측하는 딥 뉴럴 네트워크(DNN) 전방 모델을 구축한다. 작은 데이터셋에도 불구하고 합성 사례와 실제 Goliat 필드 사례에서 평균 0.15 ms의 초고속 평가 시간을 달성했으며, 이는 실시간 지구공학 및 몬테카를로 기반 역산에 적합함을 보여준다.

상세 요약

이 연구는 현대 지스티어링에서 실시간 해석이 필수적인 초심층 전자기(EM) 로그 데이터를 빠르게 시뮬레이션할 수 있는 방법을 제시한다. 기존 상용 시뮬레이터는 고성능 CPU에서도 순차 실행에 최적화돼 있어 대규모 데이터 생성이 비용·시간 측면에서 비효율적이다. 저자들은 이러한 제약을 극복하기 위해 지질학적 규칙(예: 층 두께·전기저항 범위, 층 수 최대 7)을 반영한 설계 공간을 정의하고, 라틴 하이퍼큐브(Latin Hypercube Sampling)와 같은 균등 샘플링 기법을 활용해 약 수천 개의 시뮬레이션 샘플을 만든다.

네트워크 구조는 입력으로 7개의 층 전기저항값과 각 층 두께(총 14개의 연속 변수)를 받아, 22개의 로그 측정값을 출력하는 완전 연결형(fully‑connected) DNN이다. 은닉층은 45개, 각 층당 뉴런 수는 256512개로 설정했으며, 활성화 함수로 ReLU, 정규화로 배치 정규화(Batch Normalization)를 적용해 학습 안정성을 높였다. 손실 함수는 평균 제곱 오차(MSE)를 사용했으며, Adam 옵티마이저로 학습률을 1e‑4에서 시작해 단계적으로 감소시켰다. 과적합 방지를 위해 조기 종료(Early Stopping)와 드롭아웃(Dropout) 0.2를 적용했다.

검증 결과, 합성 7층 모델에 대해 평균 절대 오차가 2–3 % 수준에 머물렀으며, 실제 Goliat 필드 로그와 비교했을 때 주요 전도성·절연성 변화를 정확히 재현했다. 특히 평가 시간은 GPU 환경에서 0.15 ms/포지션으로, 전통적인 전파 해석보다 2~3 orders of magnitude 빠르다. 이는 실시간 지스티어링뿐 아니라, 확률적 역산(예: 마르코프 체인 몬테카를로, MCMC)에서 수천·수만 번의 전방 모델 호출이 요구되는 상황에 직접 적용 가능함을 의미한다.

한계점으로는 1D 층상 모델에 국한된 점, 훈련 데이터가 상용 시뮬레이터에 의존해 도메인 편향이 존재할 수 있다는 점, 그리고 툴 구성(송신·수신 코일 배열, 주파수 등)의 비공개 정보가 네트워크에 직접 반영되지 않아 새로운 툴에 대한 일반화가 어려울 수 있다는 점을 들 수 있다. 향후 연구에서는 2D·3D 구조를 포함한 데이터 증강, 전이 학습(transfer learning) 기법을 통한 툴 다양성 확보, 그리고 물리‑인포메드(physics‑informed) 손실 함수를 도입해 물리적 제약을 직접 네트워크에 통합하는 방안을 제시한다.

전반적으로 이 논문은 제한된 고품질 시뮬레이션 데이터만으로도 딥러닝 기반 전방 모델을 구축해 실시간 지스티어링에 적용할 수 있음을 실증적으로 보여준다.