[논문 리뷰] Modeling extra-deep EM logs using a deep neural network

Sergey Alyaev, Mostafa Shahriari외 5명|arXiv (Cornell University)|2020. 05. 18.

Geophysical and Geoelectrical Methods참고 문헌 17인용 수 7

한 줄 요약

이 논문은 상용 시뮬레이터를 사용하여 1차원 층상 지질 모델에서 훈련된 22개의 측정값을 가진 초고심도 전자기(EM) 로깅 위치당 DNN 모델을 제안한다. 시뮬레이터의 순차적 실행으로 인한 제한된 훈련 데이터에도 불구하고, DNN는 높은 정확도를 달성하며 위치당 0.15ms 내외로 실행되어 비밀 유지가 필요한 도구 세부 정보 없이도 실시간 지승항 및 몬테카를로 역설계에 활용 가능하다.

ABSTRACT

Modern geosteering is heavily dependent on real-time interpretation of deep electromagnetic (EM) measurements. This work presents a deep neural network (DNN) model trained to reproduce the full set of extra-deep real-time EM logs consisting of 22 measurements per logging position. The model is trained in a 1D layered environment and has sensitivity for up to seven layers with different resistivity values. A commercial simulator provided by a tool vendor is utilized to generate a training dataset. The impossibility of parallel execution of the simulator effectively limits the permissible dataset size. Therefore, the geological rules and geosteering specifics supported by the forward model are embraced when designing the dataset. It is then used to produce a fully parallel EM simulator based on a DNN without access to the proprietary information about the EM tool configuration or the original simulator source code. Despite a relatively small training set size, the resulting DNN forward model is quite accurate for synthetic geosteering cases, yet independent of the logging instrument vendor. The observed average evaluation time of 0.15 milliseconds per logging position makes it also suitable for future use as part of evaluation-hungry statistical and/or Monte-Carlo inversion algorithms.

연구 동기 및 목표

• 실시간 지승항에 사용되는 초고심도 EM 로깅을 위한 빠르고 정확하며 제조사에 종속되지 않는 정방향 모델을 개발하기 위해.
• 상용 EM 시뮬레이터의 순차적 실행으로 인한 제약을 극복하기 위해 제한된 지질학적으로 유의미한 데이터셋으로 DNN를 훈련시키기 위해.
• 몬테카를로 방법과 같은 평가가 집약적인 역설계 워크플로우에서 DNN 모델을 활용할 수 있도록 하기 위해.
• 원본 시뮬레이터 소스 코드에 접근할 수 없음에도 불구하고 지질학적 및 지승항 전용 물리적 제약 조건을 합성 훈련 데이터에 유지하기 위해.
• 도메인 특화된 지질학적 규칙을 데이터 생성 과정에 통합함으로써 비교적 작은 훈련 데이터셋에도 불구하고 높은 예측 정확도를 달성하기 위해.

제안 방법

• 깊은 지층에 민감한 영향을 미치기 위해 최대 7개의 저항성 층을 가진 1차원 층상 지구 모델을 사용하여 훈련 데이터를 생성하였다.
• 도구 제조사가 제공한 상용 EM 시뮬레이터를 사용하여 합성 EM 로깅 데이터를 생성하였으며, 실제 지승항 조건을 반영하기 위해 지질학적 규칙을 데이터셋에 통합하였다.
• DNN는 입력으로 주어진 저항성 층 구성에서 각 로깅 위치당 전체 22개의 EM 측정값으로 매핑하도록 훈련되었다.
• 모델는 완전히 병렬화되어 제한된 훈련 데이터에도 불구하고 빠른 추론이 가능하도록 설계되었다.
• 원본 시뮬레이터의 소스 코드나 EM 도구 설정 세부 정보에 접근하지 않고도 DNN 정방향 모델을 훈련시켰다.
• 최종 모델은 합성 지승항 테스트 케이스에서 정확도와 추론 속도를 평가하였다.

실험 결과

연구 질문

• RQ1 제한된 데이터셋을 사용하여 위치당 22개의 측정값을 가진 초고심도 EM 로깅을 정확하게 재현할 수 있는 DNN를 훈련시킬 수 있는가?
• RQ2 원본 소스 코드나 도구 설정 정보에 접근할 수 없음에도 불구하고, 상용 EM 시뮬레이터의 행동을 DNN가 얼마나 잘 재현할 수 있는가?
• RQ3 실시간 지승항 및 역설계 응용 분야에서 DNN의 추론 속도와 정확도는 어떠한가?
• RQ4 지질학적 및 지승항 전용 제약 조건을 훈련 데이터에 효과적으로 통합하여 모델의 일반화 능력을 향상시킬 수 있는가?
• RQ5 빠른 추론 시간 덕분에 몬테카를로 또는 통계적 역설계 워크플로우에서 사용하기에 적합한가?

주요 결과

• 비교적 작은 훈련 데이터셋에도 불구하고, DNN 모델은 합성 지승항 시나리오 전반에서 초고심도 EM 로깅을 높은 정확도로 재현한다.
• 모델은 평균적으로 위치당 0.15ms 내외로 실행되어 실시간 및 평가가 집약적인 역설계 알고리즘에 적합하다.
• 모델은 로깅 도구 제조사에 종속되지 않으며, 비밀 유지가 필요한 시뮬레이터 소스 코드나 도구 설정 세부 정보가 필요하지 않다.
• 훈련 데이터 생성 과정에 지질학적 규칙을 통합함으로써 모델의 정밀도와 일반화 능력이 크게 향상된다.
• 1차원 층상 모델의 제약 조건 내에서 DNN 정방향 모델은 상용 시뮬레이터의 물리적 행동을 성공적으로 재현한다.
• 빠른 추론 속도와 높은 정확도 덕분에 모델은 통계적 역설계 워크플로우에서 효율적으로 활용 가능하다.