제목: 지질자원분야 머신러닝 적용연구 소개​​​

장소: 과학관 B102호 

Abstract:

 전세계적으로 탄소중립 기조에 맞춰 이산화탄소지중저장, 압축공기저장, 지열에너지개발 등 다양한 목적의 지하공간 활용이 이뤄지고 있습니다. 석유와 같은 전통적인 자원은 지하에서 지상으로의 “생산”에 관심을 가졌지만, 최근의 지하공간개발은 지상에서 지하로 “주입”에 초 점을 맞추고 있습니다. 이는 필연적으로 지층압력을 높이므로, 신뢰할 수 있는 지질모델 구축 과 이를 바탕으로 한 주입유체의 거동예측 연구가 주민수용성 측면에서 중요해지고 있습니다. 

 지질자원분야는 지하공간에 내재된 불확실성으로 인해 도메인지식을 바탕으로 한 전문가의 경험과 노하우가 중요한 학문입니다. 이는 역설적으로 자료분석에 많은 시간과 노력이 소요되 며, 분석을 담당하는 전문가의 숙련도에 따라 동일한 자료에 대해서도 상이한 결과가 도출될 수 있다는 것을 의미합니다. 최근에는 전문가 분석 효율성과 일관성을 높이기 위한 보조수단 으로 머신러닝을 활용하는 방안이 제안되고 있습니다. 본 세미나에서는 지질자원분야 머신러 닝 적용연구에 대해 소개하고자 합니다. 

 첫 번째 연구는 X선회절 실험결과(intensity profile)를 입력자료로 하여 광물조성을 평가하 는 머신러닝 모델입니다. 한국지질자원연구원에서 제공해준 울릉분지 488개 시료에 대한 XRD 실험결과와 이에 대한 전문가의 12개 광물조성 분석결과를 연구에 활용하였습니다. 439 개 자료를 활용해 합성곱신경망(convolutional neural network) 모델을 학습한 후, 49개 자 료로 테스트한 결과, 머신러닝예측과 전문가분석결과간 평균절대편차는 0.68wt%로 12개 광물 에 대한 우수한 정밀도를 확인하였습니다. 이는 도메인지식을 바탕으로 intensity profile에 적합한 자료전처리(intensity별 전처리 -> 시료별 전처리)를 통해 효과적으로 모델성능을 개선 (평균절대편차 41%, 결정계수 46%) 할 수 있었습니다. 또한, 군집화 알고리즘을 통해 intensity profile만을 이용해 전문가의 상세분석이 필요한 시료를 구분하고, 시료분석 시 어 떤 광물을 유의해서 평가해야하는 지 정보를 제공하는 보조시스템을 개발하였습니다. 

 두 번째 연구는 이미지검층자료를 입력자료로 하여 압축파쇄대(breakout)를 검출하는 머신 러닝 모델입니다. 한국지질자원연구원에서 획득한 경주 일대 2개 시추공의 이미지검층자료와 충남대학교에서 분석한 91개 압축파쇄대를 연구에 활용하였습니다. 제한된 훈련자료로 인해 도메인지식을 통한 자료증산(data augmentation)으로 YOLO(you only look once) 모델의 성능을 개선할 수 있었습니다. 19개 자료로 테스트한 결과, 자료증산을 통해 압축파쇄대 검출 정밀도가 개선(precision 121.5%)됨을 확인하였습니다. 또한 압축파쇄대를 빠르게 검출(3m 이미지검층자료당 0.1초 소요)할 수 있으며, 압축파쇄대의 속성정보(azimuth, opening degree 등)를 CSV파일로 제공하여 전문가 분석효율을 높이는 보조시스템을 개발하였습니다. 

 두 연구사례는 모두 지질자원분야 도메인지식을 활용해 자료의 전처리를 올바르게 수행함으 로써 머신러닝 모델의 신뢰도를 개선시킨 연구입니다. 이처럼 지질자원분야의 머신러닝 융합 연구는 머신러닝 만능주의가 아니라, 현장자료가 가진 특성과 전문가 분석 시 중요한 사항을 반영해 양질의 훈련자료를 구성하는 것이 핵심이라 할 수 있습니다.