도메인 적응 모델을 생성하고 시추공이 형성되지 않은 지역의 P파 임피던스를 예측하는 제1 단계; 및 상기 P파 임피던스를 이용하여 P파 임피던스 저주파 모델을 생성하고 역산하여 최종 P파 임피던스를 예측하는 제2 단계를 포함하는, 탄성파자료를 이용한 머신러닝 기반 2단계 임피던스 역산 방법.

청구항 1에 있어서, 상기 제1 단계는 소스데이터의 탄성파자료와 타겟데이터의 탄성파자료 각각에서 특징정보를 추출하는 단계; 상기 특징정보가 기초하는 도메인이 소스인지 타겟인지 판단하고 판단결과를 이용하여 정확성이 낮을수록 값이 낮은 제1 손실함수값을 생성하는 단계; 상기 소스데이터에서 추출된 특징정보의 레이블을 예측하고 상기 소스데이터의 레이블인 시추공자료와의 차이를 나타내는 제2 손실함수값을 생성하는 단계;상기 제1 손실함수값과 제2 손실함수값의 합이 낮도록 특징추출알고리즘을 재학습시키는 단계; 및 상기 제1 손실함수값과 제2 손실함수값의 합이 최소가 되면 상기 도메인 적응 모델의 학습을 중지하고, 레이블예측알고리즘을 이용하여 상기 타겟데이터의 탄성파자료에 대응하는 레이블을 예측하는 단계를 포함하는, 탄성파자료를 이용한 머신러닝 기반 2단계 임피던스 역산 방법.

청구항 1에 있어서, 상기 제2 단계는 상기 P파 임피던스를 이용하여 P파 임피던스 저주파 모델을 생성하는 전처리단계; 및 상기 P파 임피던스 저주파 모델 및 타겟데이터의 상기 탄성파자료를 이용하여 역산하여 최종 P파 임피던스를 예측하는 역산단계를 포함하는, 탄성파자료를 이용한 머신러닝 기반 2단계 임피던스 역산 방법.

청구항 3에 있어서, 상기 전처리단계는 상기 P파 임피던스에 평활화를 적용하여 평활화된 P파 임피던스를 획득하는 평활화단계; 및 상기 평활화된 P파 임피던스에 필터를 적용하여 P파 임피던스 저주파 모델을 획득하는 필터링 단계를 포함하는, 탄성파자료를 이용한 머신러닝 기반 2단계 임피던스 역산 방법.

청구항 4에 있어서, 상기 전처리단계는 상기 평활화된 P파 임피던스를 이용하여 평활화된 S파 임피던스를 획득하는 확장단계를 더 포함하고, 상기 필터링 단계는 상기 평활화된 S파 임피던스에 필터를 적용하여 S파 임피던스 저주파 모델을 더 획득하고, 상기 역산단계는 상기 P파 임피던스 저주파 모델, 상기 S파 임피던스 저주파 모델 및 타겟데이터의 상기 탄성파자료를 이용하여 P파 임피던스와 S파 임피던스를 동시역산하여 최종 P파 임피던스와 최종 S파 임피던스를 예측하는, 탄성파자료를 이용한 머신러닝 기반 2단계 임피던스 역산 방법.

청구항 5에 있어서, 상기 확장단계는 상기 평활화된 P파 임피던스를 이용하여 평활화된 밀도를 더 획득하며, 상기 필터링 단계는 상기 평활화된 밀도에 필터를 적용하여 밀도 저주파 모델을 더 획득하고, 상기 역산단계는 상기 P파 임피던스 저주파 모델, 상기 S파 임피던스 저주파 모델, 상기 밀도 저주파 모델 및 타겟데이터의 상기 탄성파자료를 이용하여 P파 임피던스, S파 임피던스, 및 밀도를 동시역산하여 최종 P파 임피던스, 최종 S파 임피던스, 및 최종 밀도를 예측하는, 탄성파자료를 이용한 머신러닝 기반 2단계 임피던스 역산 방법.

청구항 5에 있어서, 상기 확장단계는 소스데이터의 시추공자료에 포함된 P파 임피던스와 S파 임피던스의 관계에 기초하여 도출한 관계식을 이용하여, 평활화된 P파 임피던스를 평활화된 S파 임피던스로 변환하는, 탄성파자료를 이용한 머신러닝 기반 2단계 임피던스 역산 방법.

청구항 6에 있어서, 상기 확장단계는 소스데이터의 시추공자료에 포함된 P파 임피던스와 밀도의 관계에 기초하여 도출한 관계식을 이용하여, 평활화된 P파 임피던스를 평활화된 밀도로 변환하는, 탄성파자료를 이용한 머신러닝 기반 2단계 임피던스 역산 방법.

프로세서; 및 상기 프로세서에 통신가능하게 연결되고, 상기 프로세서에서 동작하는 프로그램 코드를 저장하는 저장부를 포함하고, 상기 프로그램 코드는 시추공이 있는 지역에서 획득한 소스데이터와 시추공이 없는 지역에서 획득한 타겟데이터를 이용하여, 시추공이 없는 지역의 P파 임피던스를 예측하는 도메인 적응 모델을 생성하는 학습모듈; 상기 도메인 적응 모델이 출력하는 P파 임피던스를 이용하여, P파 임피던스 저주파 모델을 생성하는 전처리모듈; 및 상기 P파 임피던스 저주파 모델과 상기 타겟데이터를 이용하여 역산하여 최종 P파 임피던스를 생성하는 역산모듈을 포함하는, 탄성파자료를 이용한 머신러닝 기반 2단계 임피던스 역산 장치.

청구항 9에 있어서, 상기 학습모듈은 추출알고리즘을 이용하여 소스데이터의 탄성파자료에서 특징정보를 추출하고, 타겟데이터의 탄성파자료에서 특징정보를 추출하며, 도메인분류알고리즘을 이용하여 상기 특징정보가 기초하는 도메인이 소스인지 타겟인지 판단하고, 판단의 정확성이 낮을수록 값이 낮은 제1 손실함수값을 생성하며, 레이블예측알고리즘을 이용하여 상기 소스데이터의 탄성파자료에서 추출된 특징정보의 레이블을 예측하고, 예측의 정확성이 높을수록 값이 낮은 제2 손실함수값을 생성하고, 상기 제1 손실함수값과 제2 손실함수값의 합이 낮도록 특징추출알고리즘을 재학습시키고, 상기 제1 손실함수값과 제2 손실함수값의 합이 최소가 되면 도메인 적응 모델의 학습을 중지하고, 레이블예측알고리즘을 이용하여 상기 타겟데이터의 탄성파자료에 대응하는 레이블을 예측하는, 탄성파자료를 이용한 머신러닝 기반 2단계 임피던스 역산 장치.

청구항 9에 있어서, 상기 전처리모듈은 상기 P파 임피던스에 평활화를 적용하여 평활화된 P파 임피던스를 획득하고, 상기 평활화된 P파 임피던스에 필터를 적용하여 P파 임피던스 저주파 모델을 획득하는, 탄성파자료를 이용한 머신러닝 기반 2단계 임피던스 역산 장치.

청구항 11에 있어서, 상기 전처리모듈은 상기 평활화된 P파 임피던스를 이용하여 평활화된 S파 임피던스를 더 획득하고, 상기 평활화된 S파 임피던스에 필터를 적용하여 S파 임피던스 저주파 모델을 더 획득하며, 상기 역산모듈은 상기 P파 임피던스 저주파 모델, 상기 S파 임피던스 저주파 모델 및 상기 타겟데이터의 탄성파자료를 이용하여 P파 임피던스와 S파 임피던스를 동시역산하여 최종 P파 임피던스 및 최종 S파 임피던스를 예측하는, 탄성파자료를 이용한 머신러닝 기반 2단계 임피던스 역산 장치.

청구항 12에 있어서, 상기 전처리모듈은 상기 평활화된 P파 임피던스를 이용하여 평활화된 밀도를 더 획득하고, 상기 평활화된 밀도에 필터를 적용하여 밀도 저주파 모델을 더 획득하며, 상기 역산모듈은 상기 P파 임피던스 저주파 모델, 상기 S파 임피던스 저주파 모델, 상기 밀도 저주파 모델 및 상기 타겟데이터의 탄성파자료를 이용하여 P파 임피던스, S파 임피던스, 및 밀도를 동시역산하여 최종 P파 임피던스, 최종 S파 임피던스 및 최종 밀도를 예측하는, 탄성파자료를 이용한 머신러닝 기반 2단계 임피던스 역산 장치.

청구항 12에 있어서, 상기 전처리모듈은 상기 소스데이터의 시추공자료에 포함된 P파 임피던스와 S파 임피던스의 관계에 기초하여 도출한 관계식을 이용하여, 평활화된 P파 임피던스를 평활화된 S파 임피던스로 변환하는, 탄성파자료를 이용한 머신러닝 기반 2단계 임피던스 역산 장치.

청구항 13에 있어서, 상기 전처리모듈은 상기 소스데이터의 시추공자료에 포함된 P파 임피던스와 밀도의 관계에 기초하여 도출한 관계식을 이용하여, 평활화된 P파 임피던스를 평활화된 밀도로 변환하는, 탄성파자료를 이용한 머신러닝 기반 2단계 임피던스 역산 장치.