[논문 리뷰] Estimating the unconfined compressive strength of carbonate rocks using gene expression programming

Saeid R. Dindarloo, Elnaz Siami-Irdemoosa|arXiv (Cornell University)|2016. 01. 26.

Mineral Processing and Grinding참고 문헌 28인용 수 15

한 줄 요약

이 연구는 총 다공도와 P파 속도를 입력 변수로 사용하여 탄산염 암석의 비제한 압축강도(UCS)를 추정하기 위해 유전자 발현 프로그래밍(GEP)을 하이브리드 모델링 방법으로 제안한다. GEP 모델은 결정계수(R²)가 95%에 도달하여 예측 정확도에서 인공신경망과 서포트 벡터 기반 기계학습 기법을 모두 능가했으며, 회귀 모델과 유사한 해석 가능한 수학적 수식을 유지했다.

ABSTRACT

Conventionally, many researchers have used both regression and black box techniques to estimate the unconfined compressive strength (UCS) of different rocks. The advantage of the regression approach is that it can be used to render a functional relationship between the predictive rock indices and its UCS. The advantage of the black box techniques is in rendering more accurate predictions. Gene expression programming (GEP) is proposed, in this study, as a robust mathematical alternative for predicting the UCS of carbonate rocks. The two parameters of total porosity and P-wave speed were selected as predictive indices. The proposed GEP model had the advantage of the both traditionally used approaches by proposing a mathematical model, similar to a regression, while keeping the prediction errors as low as the black box methods. The GEP outperformed both artificial neural networks and support vector machines in terms of yielding more accurate estimates of UCS. Both the porosity and the P-wave velocity were sufficient predictive indices for estimating the UCS of the carbonate rocks in this study. Nearly, 95% of the observed variation in the UCS values was explained by these two parameters (i.e., R2 =95%).

연구 동기 및 목표

• 탄산염 암석의 비제한 압축강도(UCS)를 예측하기 위한 강력하고 해석 가능한 모델을 개발하기 위해.
• 회귀 모델의 해석 가능성과 신경망 및 서포트 벡터 기반 기계학습 기법과 같은 블랙박스 기법의 높은 정확도를 융합하기 위해.
• 암석역학 분야에서 기존의 기계학습 기법과 비교하여 유전자 발현 프로그래밍(GEP)의 예측 성능을 평가하기 위해.
• 총 다공도와 P파 속도가 UCS 추정의 핵심 예측 지표로서 얼마나 효과적인지 규명하기 위해.
• 높은 정확도를 유지하면서도 수학적으로 투명한 방정식을 제공하는 기능적인 UCS 예측 방정식을 확보하기 위해.

제안 방법

• 입력 변수로 총 다공도와 P파 속도를 사용하여 UCS를 예측하는 수학적 식을 진화시키기 위해 주로 GEP 기법을 활용하였다.
• 입력 변수로는 암석 강도에 영향을 미친다는 것이 알려진 총 다공도와 P파 속도를 선택하였다.
• GEP 알고리즘은 돌연변이, 교차, 전위와 같은 유전적 연산을 통해 심볼릭 수식의 집단을 진화시켰다.
• 모델 성능 평가에는 결정계수(R²), 평균절대오차(MAE), 및 최소제곱근오차(RMSE)를 사용하였다.
• 최종 GEP 모델은 독립적인 데이터셋으로 검증되었으며, 인공신경망(ANNs)과 서포트 벡터 기반 기계학습(SVMs)과 비교되었다.
• 최종적으로 도출된 모델는 닫힌 형태의 수학적 방정식으로 표현되어 해석 가능성을 유지하면서도 높은 예측 정확도를 확보하였다.

실험 결과

연구 질문

• RQ1 총 다공도와 P파 속도를 입력으로 사용할 때, 유전자 발현 프로그래밍(GEP)이 탄산염 암석의 비제한 압축강도를 효과적으로 예측할 수 있는가?
• RQ2 GEP의 예측 정확도는 인공신경망과 서포트 벡터 기반 기계학습 기법과 비교하여 어떻게 다른가?
• RQ3 총 다공도와 P파 속도가 탄산염 암석의 UCS 값 변동을 얼마나 잘 설명할 수 있는가?
• RQ4 블랙박스 모델과 유사한 성능을 달성하면서도 GEP 모델은 해석 가능성을 유지하는가?
• RQ5 GEP가 관측된 UCS 값과 가장 잘 상관관계를 가지는 최적의 수학적 수식을 어떻게 진화시켰는가?

주요 결과

• GEP 모델은 결정계수(R²)가 95%에 도달하여 관측된 UCS 값의 변동의 약 95%를 모델이 설명함을 나타냈다.
• GEP 모델은 평균절대오차와 최소제곱근오차가 낮아서 인공신경망과 서포트 벡터 기반 기계학습 기법보다 예측 정확도에서 뛰어났다.
• 총 다공도와 P파 속도는 탄산염 암석의 UCS 추정에 충분하고 매우 정보가 풍부한 예측 지표로 확인되었다.
• 진화된 GEP 모델은 해석 가능한 수학적 방정식을 생성하여 회귀 모델과 유사한 형태를 띠며, 공학적 응용에 실용적으로 활용할 수 있었다.
• 95%의 높은 R² 값은 탄산염 암석 유형에서 UCS 추정에 있어 GEP 접근법의 강력한 예측 능력과 견고성을 보여주었다.
• 본 연구는 GEP가 암석 강도 모델링에서 해석 가능성과 높은 예측 성능 사이의 격차를 성공적으로 메우는 데 기여함을 확인하였다.