실시간 다운홀 케이싱 콜라 인식용 경량 신경망

초록

본 논문은 전통적인 표면 기반 케이싱 콜라 로케이터(CCL)의 신호 감쇠 문제를 극복하기 위해, ARM Cortex‑M7 마이크로컨트롤러에 최적화된 경량 신경망 “Collar Recognition Net(CRN)”을 제안한다. 시간적·깊이별 분리 컨볼루션을 활용해 모델 복잡도를 8,208 MACs로 낮추면서도 F1 점수 0.972를 달성했으며, 실제 하드웨어 테스트에서 평균 추론 지연시간 343.2 µs를 기록하였다. 이는 전력·공간 제한이 심한 다운홀 계측기에서도 실시간, 자율적인 콜라 인식이 가능함을 입증한다.

상세 분석

본 연구는 석유·가스 시추 과정에서 다운홀 위치 측정 정확도가 전반적인 시추 효율과 안전성에 미치는 영향을 강조하며, 기존의 표면 기반 CCL이 전자기 신호의 감쇠·왜곡, 다중 경로 전파 등으로 인해 깊이 1 km 이상에서는 신뢰성이 급격히 떨어지는 한계를 지적한다. 이러한 문제를 해결하기 위해 저전력·저용량 마이크로프로세서 환경에서도 동작 가능한 신경망 기반 인식 시스템을 설계하였다.

CRN은 크게 세 부분으로 구성된다. 첫 번째는 입력 신호를 시간축으로 슬라이딩 윈도우 처리하는 전처리 블록으로, 1 kHz 샘플링 레이트의 원시 전압 데이터를 128‑point FFT와 로그 스케일 변환을 통해 특징 맵으로 변환한다. 두 번째는 핵심인 “Temporal‑Depthwise Separable Convolution” 레이어이다. 기존 2‑D 컨볼루션을 시간축 전용 1‑D 컨볼루션과 채널 별 깊이별 컨볼루션으로 분리함으로써 연산량을 73 % 이상 절감하면서도 시간적 패턴(예: 콜라 통과 시 발생하는 급격한 전압 변동)과 주파수 대역 특성을 동시에 포착한다. 세 번째는 경량화된 Fully‑Connected 헤드와 Softmax 출력으로, 2 클래스(콜라 존재/부재) 분류를 수행한다.

모델 파라미터 수는 총 1,024개이며, MAC 연산은 8,208에 불과해 ARM Cortex‑M7(216 MHz, 256 KB SRAM)에서 0.34 ms 이하의 추론 시간을 구현한다. 학습은 10 k개의 라벨링된 다운홀 데이터셋(다양한 지질·압력 조건 포함)으로 진행했으며, 데이터 증강으로 잡음·왜곡을 시뮬레이션해 일반화 능력을 강화하였다. 교차 검증 결과, Precision = 0.975, Recall = 0.969, F1 = 0.972를 기록했으며, 기존 전통적인 FFT‑Peak 검출 방식 대비 12 % 이상의 정확도 향상을 보였다.

하드웨어 실험에서는 CRN을 바이너리 형태로 플래시 메모리에 저장하고, DMA 기반 입력 버퍼와 인터럽트 기반 출력 처리 파이프라인을 구축했다. 전력 측정 결과, 평균 소모 전류는 18 mA(3.3 V)이며, 1 시간 연속 운용 시 배터리 150 mAh 기준 12 % 이하의 방전율을 나타냈다. 이는 기존 DSP 기반 CCL이 요구하는 수백 mA 수준과 크게 차별화된다.

또한, 모델 압축(양자화 8‑bit)과 가중치 공유 기법을 적용해 메모리 사용량을 32 KB 이하로 유지하면서도 성능 저하가 0.3 % 미만에 그쳤다. 이는 향후 다중 센서(예: 온도·압력·진동)와 통합된 멀티태스크 인식 시스템으로 확장 가능한 기반을 제공한다.

종합적으로, 본 논문은 제한된 연산·전력 자원을 가진 다운홀 계측기에 딥러닝을 적용할 수 있음을 실증하고, 시간·주파수 도메인 혼합 특징 추출과 경량화된 분리 컨볼루션 설계가 실시간 신호 인식에 효과적임을 입증한다.