머신러닝을 이용한 이미지로그의 압축파쇄대 깊이 검출모델 개발
Detection of Borehole Breakout Depth in Image Logs Using Machine Learning Algorithms
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
본 연구는 머신러닝을 이용해 이미지로그의 압축파쇄대 깊이를 검출하는 분류모델을 개발하여 전문가 분석효율을 높이는 것이 목적이다. 경주지역 내 시추공에서 취득된 약 1 km 이미지로그에 대해 케이싱 구간 및 결측치를 제거하고 이미지로그 자료간 해상도(수직 및 수평 해상도가 각각 0.01 m와 2.5°)를 일치시키는 전처리과정을 수행하였다. 이를 통해 얻어진 총 99,090개 자료를 8:2 비율로 학습과 테스트 자료로 설정한 후, 의사결정나무 기반의 랜덤포레스트와 XGBoost를 적용하였다. 모델평가는 테스트자료에 대한 혼동행렬의 false negative(FN)를 통해 이뤄졌으며, XGBoost 모델은 FN이 87개로 랜덤포레스트 모델의 FN 162개에 비해 향상된 예측성능을 보였다. 이렇게 개발된 모델은 전문가의 압축파쇄대 상세 검출을 도와 분석 효율성을 제고할 수 있을 것으로 기대된다.
Abstract
This study developed a classification model for the detection of borehole breakout depths in image logs using machine learning algorithms. Approximately 1 km of image log data acquired in Gyeongju was preprocessed to make it suitable for applying machine learning algorithms. This included removing missing values and data within casing intervals and aligning the resolution among image log data — that is, vertical and horizontal resolutions were set at 0.01 m and 2.5°, respectively. Decision tree-based algorithms, random forest, and XGBoost were then applied to the preprocessed 99,090 data entries, which was divided into training (80%) and testing (20%) groups. The trained models were evaluated based on the false negative (FN) of the confusion matrix. The XGBoost model showed a superior predictive performance with 87 FNs when compared to the random forest model’s 162 FNs. The developed model can enable experts to perform detailed reviews of detected depths via the model.
참고문헌 (15)
- Barton, C. A., "Utilizing wellbore image data to determine the complete stress tensor : application to permeability anisotropy and wellbore stability", The Log Analyst, 38(6), pp.21~33 (1997)
- Barton, C. A., "In-situ stress orientation and magnitude at the Fenton Geothermal Site, New Mexico, determined from wellbore breakouts", Geophysical Research Letters, 15(5), pp.467~470 (1988)
- Breiman, L., "Random Forests", Machine learning, 45(1), pp.5~32 (2001)
- Dias, L. O., "Automatic detection of fractures and breakouts patterns in acoustic borehole image logs using fast-region convolutional neural networks", Journal of Petroleum Science and Engineering, 191, pp.107099~ (2020)
- Ekstrom, M. P., "Formation Imaging With Microelectrical Scanning Arrays", Proceedings of S-PWLA 27th Annual Logging Symposium (1986)
- Heidbach, O., "The Wolrd Stress Map database release 2016: Crustal stress pattern a-cross scales", Tectonophysics, 744, pp.484~498 (2018)
- 황혜진, "XGBoost 모델 해석을 통한 노인의 인지능력 개선·악화 요인 탐", 한국차세대컴퓨팅학회 논문지, 14(3), pp.16~24 (2018), 한국차세대컴퓨팅학회
- Kwon, A.N., "Variable Selection Using Random Forest", MS, pp.2013
- Lagraba, J. O. P., "Borehole Image Tool Design, Value of Information, and Tool Selection", Dipmeter and Borehole Image Log Technology, 92, pp.15~38 (2010)
- 이유림, "XGBoost 2 기반의 단계 확률적 일사량 예측과 태양광 예측 알고리즘의 성능 검증", 전기학회논문지, 68(12), pp.1704~1710 (2019), 대한전기학회
- Shamir, G., "Stress orientation profile to 3.5 km depth n-ear the San Andreas Fault at Cajon Pass, California", Journal of Geophysical Research: Solid Earth, 97(B4), pp.5059~5080 (1992)
- 우소영, "SWAT 및 random forest를 이용한 기후변화에 따른 한강유역의 수생태계 건강성 지수 영향 평가", 한국수자원학회 논문집, 51(10), pp.863~874 (2018), 한국수자원학회[DOI]
- Yang, J., "Automated extraction of borehole breakout properties from acoustic televiewer (ATV) data" (2022), American Rock Mechanics Association
- Zoback, M. D., "Reservoir Geomechanics" (2010), Cambridge University Press
- Zoback, M. D., "Well bore breakouts and in situ stress", Journal of Geophysical Research: Solid Earth, 90(B7), pp.5523~5530 (1985)