설명가능·도메인적응 기반 지하 구조 및 신뢰 구간 추정 연구

Explainable and Domain-Adaptive Subsurface Imaging with Confidence Estimation

연구 내용

프로토타입 기반 설명가능 딥러닝과 도메인적응 역산을 활용해 지하 구조·저류층 특성을 추정하고, 신뢰 구간 중심의 해석을 지원하는 연구

지하 탐사 해석에서 딥러닝 모델은 높은 성능에도 불구하고 결과 근거가 해석되지 않는 문제가 있습니다. 본 연구는 프로토타입 기반 neural network로 분류 결과와 연관된 대표 입력-출력 대응과 설명 레이어의 기능을 직접 확인하여, 현장 품질관리 과정에서 해석 가능성을 높이는 방향을 적용합니다. 또한 well log 중심 학습의 한계를 domain adaptation과 reconstruction 제약, pseudo-labeling 전략으로 보완하여 웰 주변뿐 아니라 웰로부터 먼 영역의 acoustic impedance를 안정적으로 예측합니다. 이를 통해 저류층 특성 평가와 안전진단에 필요한 해석 신뢰성을 높이는 데 중점을 둡니다.

관련 프로젝트

2건

연구 흐름

초기에는 학습 데이터 편향으로 인해 발생하는 거리 의존성을 domain adaptation으로 완화하고, reconstruction 제약을 추가해 end-to-end impedance inversion의 일반화를 확보하는 연구를 수행하였습니다. 이후에는 지하 facies 분류에서 black box 문제를 줄이기 위해 prototype을 학습해 모델의 핵심 기능을 입력-출력 관계와 중간 표현 구조로 분해해 설명하는 방향으로 확장하였습니다. 최근에는 이들 방법을 CO2 지중저장 탄성파 모니터링에 적용해 기계학습 기반 해석 결과의 신뢰성을 체계적으로 검증하는 흐름을 이어가고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

저류층 분류 자동화
신뢰 구간 기반 탐사 의사결정
웰-인접 영역 확장형 임피던스 지도
ML 기반 안전진단 리스크 평가
탐사 데이터 품질검증 지표 산출
지하 저장소 모니터링 영상화
소량 데이터 대응 전이학습 파이프라인
설명 기반 현장 모델 운영
국소 특성 변화 탐지용 속성 생성
다단계 해석 결과의 근거 정리 도구