[논문 리뷰] Geological modeling using a recursive convolutional neural networks approach

Sebastian Avalos, Julián M. Ortíz|arXiv (Cornell University)|2019. 04. 27.

Reservoir Engineering and Simulation Methods인용 수 6

한 줄 요약

이 논문은 3D 지질 모델링을 위한 재귀적 합성곱 신경망(RCNN) 프레임워크를 제안하며, 다점 통계(MPS)를 활용하여 퇴적물 훈련 이미지에서 공간 패턴을 학습하고 희소한 하드 데이터에 조건화된 시뮬레이션을 수행한다. 이 방법은 5% 및 2% 조건화 데이터에서 복잡한 지질학적 구조와 두점 통계를 성공적으로 재현하며, 공간 패턴 학습 및 시뮬레이션 정밀도에 있어 뛰어난 강건성을 보여준다.

ABSTRACT

Resource models are constrained by the extent of geological units that often depend on the lithology, alteration and mineralization. A three dimensional model of these geological units must be built from scarce information coming from drillholes and limited understanding about the geological setting in which the ore deposit is places. In this work, we present a new technique for multiple-point geostatistical simulation based on a recursive convolutional neural network approach (RCNN). The method requires conditioning data and a training image that depicts the type of geological structures expected to be found in the deposit. This training image is used to learn the patterns of categories found and these are imposed in the final simulated model conditioned by the categories found during logging at the actual drill-hole samples. A lithological modeling process is carried out in a copper deposit in Chile to demonstrate the method. Comparison with current techniques and spatial metrics are used to clarify concepts and RCNN properties. Also, strengths and weaknesses of the methodology are discussed by briefly reviewing the theoretical perspective and looking into some of its practical aspects.

연구 동기 및 목표

• 딥러닝과 다점 통계(MPS)를 융합하여 향상된 3D 지질 모델링을 달성하기 위해.
• 훈련 이미지에서 지질학적 패턴을 학습하고 희소한 하드 데이터에 조건화된 지질학적 구조를 시뮬레이션할 수 있는 재귀적 합성곱 신경망(RCNN)을 개발하기 위해.
• RCNN이 3D 지질학적 모델에서 복잡한 공간적 구조와 통계적 성질을 얼마나 잘 재현하는지 평가하기 위해.
• 다양한 데이터 밀도에서 시각화, 변동도 및 공간 지표를 활용하여 성능을 평가하기 위해.

제안 방법

• RCNN 아키텍처는 3D 훈련 이미지에서 계층적인 공간적 특징을 추출하기 위해 네 개의 중첩된 CNN과 각각 네 개의 은닉층, 세 개의 완전 연결층을 포함한다.
• 합성곱층은 배치 정규화와 ReLU 활성화 함수를 적용한 학습 가능한 필터를 사용하여 공간 패턴을 추출하고, 최대 풀링을 통해 차원을 감소시킨다.
• 신경망은 3D 훈련 이미지(TI)에서 지질학적 패턴을 재현하도록 훈련된 후, 샘플 위치에서 하드 데이터에 조건화된 실현을 시뮬레이션하는 데 사용된다.
• 크기 100×100×50인 3차원 이진 지질학적 모델을 인위적으로 생성하였으며, 그 중 하나의 50×50×50 섹터를 훈련 이미지로 사용하고, 나머지 세 섹터를 기준값으로 삼았다.
• 조건화 데이터는 기준값 섹터 전역에 걸쳐 5% 및 2%의 밀도로 수직 드릴홀 샘플로 적용되었다.
• 성능 평가는 시각화(임의의 실현, E-type, 분산도), 실험적 변동도(오미니 수평 및 수직)를 통해 실현 결과를 훈련 이미지 및 기준값과 비교하여 평가되었다.

실험 결과

연구 질문

• RQ1 재귀적 합성곱 신경망은 다점 통계 프레임워크 내에서 훈련 이미지에서 복잡한 3차원 지질학적 패턴을 효과적으로 학습하고 재현할 수 있는가?
• RQ2 희소한 하드 데이터 포인트 2% 또는 5%에 조건화되었을 때 RCNN은 지질학적 구조를 얼마나 잘 시뮬레이션하는가?
• RQ3 실험적 변동도로 측정했을 때, RCNN은 훈련 이미지 및 기준값과 비교해 두점 공간 통계를 어느 정도 유지하는가?
• RQ4 시각적 및 변동도 지표는 데이터 부족과 시뮬레이션 정밀도 간의 상호 보완적 관계를 어떻게 반영하는가?

주요 결과

• RCNN는 오직 5% 조건화 데이터만으로도 합리적인 연속성과 형태 정밀도를 유지하며 지질학적 구조를 성공적으로 재현하였으며, 2% 데이터에서는 특히 데이터가 적은 영역에서 더 흐릿한 구조를 보였다.
• E-type 실현과 기준값 간의 시각적 비교에서, 모든 섹터에서 지질학적 단위의 존재 여부에 대해 강한 일치를 보였다.
• 실현에서 유도된 변동도는 기준값 및 훈련 이미지와 유사했으며, 목표값 0.18과 비교해 실현 분산은 2%일 때 0.17, 5%일 때 0.19였다.
• RCNN는 거리에 따라 일관된 두점 통계를 유지하였으며, 실현에서의 변동 패턴은 훈련 이미지보다 기준값과 더 유사하게 나타났다.
• 이 방법은 낮은 데이터 밀도에서도 공간 연속성과 연결성을 잘 포착하는 데 성공하였으며, 이는 훈련 이미지로부터 강력한 일반화 능력을 보여주었다.
• RCNN는 손실 함수에 이진 비율을 강제하지 않았지만, 여전히 현실적인 비율을 달성하였다. 다만 이는 훈련 과정에서 여전히 도전 과제로 남아 있다.