도메인 지식기반 데이터 전처리와 딥러닝을 이용한 광물조성 분석모델 개발 = Development of mineral composition analysis model using deep learning with domain knowledge-based data preprocessing

국문 초록 (Abstract)

신석유자원 중 하나인 가스하이드레이트(Gas Hydrate, GH) 자원은 전 세계에 광범위하게 분포하며 3000조 입방미터 부존량이 존재하므로 활발한 연구가 진행되고 있다(허대기와 이주용, 2017). GH는 전통 석유자원과 상이한 특징(미고결층에 부존 등)으로 인해 상업적 생산을 위해 부존층의 지질학적 정보 및 유동특성에 대한 연구가 필요한 실정이다. 이에 따라 한국지질자원연구원은 동해 GH 부존층의 지질학적 및 물리적 특징을 규명하기 위해 2007년과 2010년 두 차례의 대규모 시추탐사를 수행하였다. 이를 통해 얻어진 488개 퇴적물 시료에 대해 X-ray diffraction(XRD) 광물조성 분석을 수행하였다. XRD를 통한 조성분석은 전문가의 의존도가 크므로 대규모 시료분석에 대한 소요비용이 크다. 이에 따라 선행연구(Park et al., 2022)에서는 XRD intensity profile을 입력자료로 하여 12종류 광물조성을 예측하는 머신러닝 모델을 개발하였다. 하지만, XRD 실험자료에 알맞지 않은 feature별 전처리를 수행하여 자료의 형태가 훼손되었고, 이에 calcite가 높은 등 특이조성 분포를 보이는 일부 자료에 대한 예측성능 한계를 보였다. 본 연구에서는 선행연구와 동일한 학습조건을 적용하되 XRD 실험자료의 특징을 보존할 수 있는 sample별 전처리를 적용하여 전체적인 성능과 특이조성 자료에 대한 정밀도를 개선하고자 했다. 그 결과, sample별 전처리를 수행한 convolution neural network(CNN) 모델은 선행연구에 비해 평균절대오차는 41%, 결정계수는 46% 개선되었다. 선행연구에서 예측성능이 떨어지는 특이조성 자료에 대한 예측정밀도 또한 증가되는 것을 확인할 수 있었다. 본 연구는 sample별 전처리방식과 수용영역(receptive field) 단위로 학습하는 CNN이 XRD 자료분석에 있어 가장 효율적인 방법임이 확인하였다. 본 연구를 통해 개발된 모델은 추후 울릉분지 및 한국대지의 퇴적물 시료의 조성분석 시 활용될 수 있다.

다국어 초록 (Multilingual Abstract)

Gas hydrate(GH), which are widely distributed around the world and have 3,000 trillion cubic metes reserves, are being actively researched for delvelopment as unconventional resources(Hu and Lee, 2017). GH has different characteristics(ex. existing in the unconsolidated layer) from traditional resources. Therefore, research on the geological information and flow characteristics of GH-rich layer is required for commercial production. The Korea Institute of Geological Resources conducted two large-scale drilling expeditions in 2007 and 2010 to identify the geological and physical characteristics of the GH-rich layer of the East Sea. X-ray diffraction(XRD) mineral composition analysis was performed on 488 sediment samples obtained by expeditions. XRD exoeriment analysis is highly dependent on experts and spend much time to perform composition analysis on large samples. Accordingly, previous studies(Park et al., 2022) developed a machine learning model that predicts 12 kinds of mineral composition using the XRD experiment intensity profile as input data However, in previous studies, preprocessed the data for each feature. it was not suitable for XRD experimental data. Therefore, the shape of the data was damaged. It showed low predictive performance for showing specific composition data such as high calcite. in this study attempted to improve performance by preprocessing for each sample that can preserve the characteristics of XRD experimental data. The learning conditions were set in the same way as in previous studies. As a result, the convolution neural network(CNN) model, which performed preprocessed for each sample, improved the average absolute error by 41% and the coefficient of determination by 46% compared to previous studies. In addition, it was confirmed that the predictive accuracy of showing specofic composition data with poor predictive performance in previous studies was also increased. In this study confirmed that the preprocess method for each sample and CNN are the most efficient methods for XRD data analysis. Because CNN performs learning on a receptive field. Finally, the model developed by this study can be used to analyze sediments samples from the Ulleung Basin and Korea Plateau, which will be potentially obtained in the future.

목차 (Table of Contents)

• 1. 연구배경 및 목적 1
• 2. 연구지역 및 이용 자료 3
• 2.1. 연구지역 3
• 2.2. 연구자료 4
• 2.2.1. 광물조성 자료분석 6
• 2.2.2. Intensity profile 자료분석 10
• 3. 연구방법 13
• 3.1. 학습자료 분류 13
• 3.2. Intensity profile 자료전처리 15
• 3.3. LSTM 18
• 3.4. MLP 20
• 3.5. RF 22
• 3.6. CNN 24
• 4. 연구결과 27
• 4.1. 학습오차 비교 27
• 4.2. 5-fold cross-validation 31
• 4.3. 알고리즘별 비교분석 32
• 4.3.1. LSTM 33
• 4.3.2. MLP 35
• 4.3.3. RF 37
• 4.3.4. CNN 39
• 4.4. 샘플별 비교분석 41
• 4.4.1. 샘플 #76: 일반 조성분포 41
• 4.4.2. 샘플 #1: albite의 조성이 큰 분포 43
• 4.4.3. 샘플 #408: quartz의 조성이 크고 opal-A의 조성이 작은 분포 45
• 4.4.4. 샘플 #483: calcite의 조성이 큰 분포 47
• 5. 결론 49
• 6. 참고문헌 51
• ABSTRACT 54