딥러닝기반 이미지로그의 압축파쇄대 심도 검출모델 개발 (Development of Deep Learning-Based Detection Model for Borehole Breakout Depths in Image Logs)

서지정보

· 발행기관 : 한국자원공학회
· 수록지 정보 : 한국자원공학회지 / 61권 / 6호 / 468 ~ 479페이지
· 저자명 : 김하영, 염주열, 장찬동, 조영욱, 이경북

초록

본 연구는 이미지로그의 압축파쇄대 심도를 검출하기 위해 장단기기억(long short-term memory, LSTM)을 적용하여 XGBoost(extreme gradient boosting) 모델의 한계를 보완하고자 한다. 경주시심도 1 km 시추공의 이미지로그를 전처리하여 얻어진 99,084개 자료로 XGBoost와 LSTM 모델을개발하였다. 단일 심도만을 고려하는 XGBoost 모델과 달리, LSTM 모델은 연속된 7개 심도자료로중앙심도의 압축파쇄대 여부를 분석한다. XGBoost 대비 LSTM 모델은 테스트자료에서 false negative가 88% 감소하였고 재현율이 29% 향상되었다. 또한 7개 심도자료를 활용한 XGBoost 모델과 비교 시에도 우수한 성능을 보였다. 이는 LSTM이 연속된 심도자료를 체계적으로 분석하여전문가의 응력분석 효율성을 향상시킬 수 있음을 시사한다.

영어초록

This study applied the long short-term memory (LSTM) algorithm to detect the depths of borehole breakouts in image logs to overcome the limitations of the extreme gradient boosting (XGBoost) model. Using 99,084 data obtained from the preprocessed image log of a 1 km deep borehole in Gyeongju-si, we developed both XGBoost and LSTM models. While the XGBoost model considers only single-depth data, the LSTM model analyzes the occurrence of borehole breakouts at the central depth using data from seven consecutive depths. The LSTM model showed an 88% reduction in false negatives and 29% improvement in recall on the test data compared to the XGBoost model. It also outperformed the XGBoost model that using the seven-depth data. These results suggest that the LSTM model can systematically analyze sequential depth data to enhance the efficiency of experts in stress analysis.

참고자료

· 없음