실시간 시추 데이터로 지층 로그 예측하는 딥러닝 모델

초록

본 연구는 실시간 시추 데이터만을 이용해 밀도, 공극률, 음속 등 핵심 와이어라인 로그를 예측하는 가능성을 탐색한다. 데이터 증강과 거리 기반 전역 민감도 분석을 통해 특징을 추출하고, Inception 기반 합성곱 신경망과 Temporal Convolutional Network를 결합한 모델을 설계하였다. 북해 Volve 필드의 12개 시추공 데이터를 학습에 활용했으며, 테스트에서 평균 제곱 오차(MSE) 0.04, 상관계수 0.6 수준을 기록했다. 모델은 콘크리트 사암, 비결합 사암, 셰일 등 서로 다른 암석 유형을 구분하는 데 성공하였다.

상세 분석

이 논문은 전통적으로 비용이 많이 드는 와이어라인 로그를 실시간 시추 파라미터만으로 대체할 수 있는지에 대한 실증적 검증을 수행한다. 데이터 측면에서 저자들은 Equinor가 제공한 Volve 필드의 12개 시추공에서 수집된 압력, 토크, 회전수, 펌프 유량 등 30여 개 이상의 시추 파라미터와 동시에 기록된 밀도, 공극률, 음속 로그를 매칭시켰다. 원시 시계열은 샘플링 간격이 일정하지 않아 선형 보간과 정규화를 거쳐 동일한 길이의 윈도우(길이 128)로 슬라이딩하였다.

특징 엔지니어링 단계에서는 거리 기반 전역 민감도 분석(Distance-based Global Sensitivity Analysis, DGSA)을 적용해 각 시추 파라미터가 목표 로그에 미치는 비선형 영향을 정량화하였다. DGSA 결과는 상관관계가 낮은 파라미터를 제거하고, 민감도가 높은 파라미터를 가중치 부여하여 입력 피처를 재구성하는 데 활용되었다. 또한, 시계열 데이터의 잡음을 감소시키기 위해 가우시안 노이즈와 시간 축 확대·축소를 포함한 데이터 증강 기법을 도입하였다.

모델 아키텍처는 두 가지 핵심 모듈로 구성된다. 첫 번째는 Inception 블록을 기반으로 한 1차원 합성곱 신경망(CNN)으로, 서로 다른 커널 크기(3,5,7)를 병렬로 적용해 저주파와 고주파 특징을 동시에 포착한다. 두 번째는 Temporal Convolutional Network(TCN)로, 인과성을 보존하면서 긴 시계열 의존성을 학습한다. Inception‑CNN이 추출한 다중 스케일 특징 맵은 TCN에 입력되어 dilated convolution을 통해 장기 의존성을 확장한다. 최종 출력은 각각 밀도, 공극률, 음속을 동시에 예측하는 다중 헤드 회귀 레이어로 구성된다.

학습 과정에서는 평균 제곱 오차(MSE)를 손실 함수로 사용하고, Adam 옵티마이저와 cosine annealing 스케줄러로 학습률을 조절하였다. 교차 검증을 위해 8개 시추공을 훈련·검증에, 나머지 4개를 완전한 테스트 셋으로 할당하였다. 결과적으로 테스트 셋에서 MSE는 0.04에 머물렀으며, 로그 간 상관계수는 약 0.6으로 제한적이지만, 시각적으로는 주요 트렌드와 급격한 변화를 잘 재현했다. 특히, 암석 유형 전환 구간(예: 사암→셰일)에서 로그 값이 급변하는 부분을 정확히 포착해, 암석 구분 능력이 검증되었다.

하지만 한계점도 명확하다. 상관계수가 0.6에 머무른 것은 모델이 복잡한 비선형 상호작용을 완전히 학습하지 못했음을 의미한다. 또한, 12개 시추공이라는 제한된 데이터 규모와 특정 필드(Vol​ve)만을 대상으로 한 실험은 일반화 가능성을 저해한다. 향후 연구에서는 다중 필드·다중 지역 데이터를 통합하고, 물리 기반 제약(예: 로그 간 물리적 관계)을 손실 함수에 포함시키는 하이브리드 접근법이 필요하다.