다중스케일 탄산암석 특성을 위한 머신러닝·데이터동화 프레임워크

초록

본 연구는 고해상도 X‑ray CT와 실험적 배수 상대투과율 데이터를 결합해, 다중스케일 탄산암석의 미세구조를 효율적으로 추정한다. 밀집 신경망(DNN)을 다중스케일 기공망 시뮬레이터의 대리모델로 학습시키고, 이를 Ensemble Smoother with Multiple Data Assimilation(ESMDA)과 연계해 미세공극 상의 상대투과율을 불확실성까지 동시에 추정한다. 기존 수천 시간 소요 계산을 초단위로 단축하며, 각 암석 상의 중요도 분석과 향후 표본 채취 전략을 제시한다.

상세 분석

이 논문은 탄산암석의 다중스케일 특성화에 내재된 두 가지 주요 병목 현상을 해결한다. 첫째, 매크로·마이크로 스케일을 동시에 포괄하는 CT 영상은 시야와 해상도 사이의 트레이드오프 때문에 전체 시료를 촬영하기 어렵다. 둘째, 이렇게 얻어진 디지털 암석 모델에 대해 다중물리·다중스케일 시뮬레이션을 수행하면 수천 시간에 달하는 계산 비용이 발생한다. 저자들은 이러한 문제를 ‘머신러닝‑데이터동화’ 접근법으로 전환한다. 구체적으로, 기존의 Pore Network Model(PNM) 시뮬레이터(xpm)를 대체할 수 있는 밀집 신경망(DNN) 프록시를 구축하였다. DNN은 고해상도 마이크로‑CT 이미지에서 추출한 기공 구조와 실험적 배수 상대투과율 데이터를 입력으로 학습되며, 입력 파라미터(기공률, 입구 모세관압 등)와 출력(상대투과율) 사이의 비선형 매핑을 실시간으로 예측한다.

다음 단계는 Ensemble Smoother with Multiple Data Assimilation(ESMDA)이다. ESMDA는 다수의 파라미터 조합(ensemble)을 생성하고, 각 조합에 대해 DNN 프록시를 호출해 예측값을 얻은 뒤, 실험 데이터와의 오차를 최소화하도록 파라미터를 업데이트한다. 이 과정에서 파라미터의 사후 분포와 상관관계가 추출되어 불확실성 정량화와 민감도 분석이 가능해진다. 특히, 미세공극 3가지 상(저입구압, 중입구압, 고입구압)의 상대투과율을 동시에 추정함으로써 각 상이 전체 흐름에 미치는 기여도를 파악한다.

계산 효율성 측면에서, 전통적인 다중스케일 PNM 시뮬레이션은 각 ensemble에 대해 수십~수백 시간의 CPU 시간을 요구한다. 반면, DNN은 GPU 가속 하에 밀리초 수준으로 결과를 반환한다. 논문에서는 전체 ESMDA 회귀에 소요되는 시간을 수천 시간에서 수초로 감소시켰으며, 이는 실무에서 반복적인 매개변수 튜닝이나 실시간 의사결정에 큰 이점을 제공한다.

또한, 이미지 전처리와 분할 단계에서도 독창적인 접근을 제시한다. 저해상도 마크로 CT 이미지에 비국소 평균 필터링을 적용한 뒤, 그레이스케일 기반 임계값과 두‑끝 연결성 분석을 이용해 미세공극을 3개의 상으로 구분한다. 이때, 각 상의 입구 모세관압은 그레이스케일 값과 직접 연계되어 물리적 의미를 유지한다. 고해상도 마이크로 CT(165 nm)에서 추출한 서브 이미지 120개에 대해 PNM 시뮬레이션을 수행해 얻은 기공‑투과율 관계와 상대투과율 범위를 DNN 학습 데이터로 활용함으로써, 실제 현장 시료와 유사한 미세구조 정보를 효율적으로 전이한다.

결과적으로, DNN‑ESMDA 프레임워크는 (1) 미세공극 상의 상대투과율을 불확실성까지 동시에 추정, (2) 각 상의 중요도를 정량화, (3) 고속 계산을 통한 실험 설계 최적화(예: 추가 CT 스캔 위치 선정)라는 세 가지 핵심 가치를 제공한다. 이러한 접근은 탄산암석뿐 아니라 다공성 매질 전반에 적용 가능한 일반화된 워크플로우로 평가된다.