머신러닝을 이용한 이미지로그의 압축파쇄대 깊이 검출모델 개발 = Detection of Borehole Breakout Depth in Image Logs Using Machine Learning Algorithms

다국어 초록 (Multilingual 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.

국문 초록 (Abstract)

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.

참고문헌 (Reference)

1 황혜진 ; 김수현 ; 송규원, "XGBoost 모델 해석을 통한 노인의 인지능력 개선·악화 요인 탐" 한국차세대컴퓨팅학회 14 (14): 16-24, 2018

2 이유림 ; 김현진 ; 이다한 ; 이채정 ; 이두희, "XGBoost 2 기반의 단계 확률적 일사량 예측과 태양광 예측 알고리즘의 성능 검증" 대한전기학회 68 (68): 1704-1710, 2019

3 Zoback, M. D., "Well bore breakouts and in situ stress" 90 (90): 5523-5530, 1985

4 Kwon, A.N., "Variable Selection Using Random Forest" Inha University 2013

5 Barton, C. A., "Utilizing wellbore image data to determine the complete stress tensor : application to permeability anisotropy and wellbore stability" 38 (38): 21-33, 1997

6 Heidbach, O., "The Wolrd Stress Map database release 2016: Crustal stress pattern a-cross scales" 744 : 484-498, 2018

7 Shamir, G., "Stress orientation profile to 3.5 km depth n-ear the San Andreas Fault at Cajon Pass, California" 97 (97): 5059-5080, 1992

8 우소영 ; 정충길 ; 김진욱 ; 김성준, "SWAT 및 random forest를 이용한 기후변화에 따른 한강유역의 수생태계 건강성 지수 영향 평가" 한국수자원학회 51 (51): 863-874, 2018

9 Zoback, M. D., "Reservoir Geomechanics" Cambridge University Press 2010

10 Breiman, L., "Random Forests" 45 (45): 5-32, 2001

11 Barton, C. A., "In-situ stress orientation and magnitude at the Fenton Geothermal Site, New Mexico, determined from wellbore breakouts" 15 (15): 467-470, 1988

12 Ekstrom, M. P., "Formation Imaging With Microelectrical Scanning Arrays" 1986

13 Lagraba, J. O. P., "Borehole Image Tool Design, Value of Information, and Tool Selection" 92 : 15-38, 2010

14 Dias, L. O., "Automatic detection of fractures and breakouts patterns in acoustic borehole image logs using fast-region convolutional neural networks" 191 : 107099-, 2020

15 Yang, J., "Automated extraction of borehole breakout properties from acoustic televiewer (ATV) data" American Rock Mechanics Association 2022