Temel Kavramlar
드릴 코어 이미지만을 활용하여 점토, 탄산염, 규산염 광물 함량을 예측할 수 있는 심층 신경망 모델을 개발하였다.
Özet
이 연구에서는 드릴 코어 이미지를 활용하여 지질 형성 분류와 광물 함량 예측을 수행하였다.
지질 형성 분류:
6개의 서로 다른 지질 형성(Parkinsoni-Wurttembergica-Schichten, Humphriesioolith Formation, Wedelsandstein Formation, Murchisonae-Oolith Formation, Opalinus Clay, Staffelegg Formation)을 96.7%의 정확도로 분류할 수 있는 합성곱 신경망 모델을 개발하였다.
전이 학습을 활용하여 ImageNet 데이터셋에 사전 학습된 ResNet 모델의 특징 추출기를 활용하였다.
광물 함량 예측:
드릴 코어 이미지만을 입력으로 하여 점토, 탄산염, 규산염 광물 함량을 예측할 수 있는 회귀 모델을 개발하였다.
전이 학습을 활용하여 지질 형성 분류 모델의 특징 추출기를 활용하였다.
모델 예측 결과와 실제 XRD 측정값을 비교한 결과, 점토 광물 함량은 R2 0.811, 탄산염 광물 함량은 R2 0.609, 규산염 광물 함량은 R2 0.707로 양호한 상관관계를 보였다.
향후 연구 방향:
더 많은 데이터와 다양한 지질 형성에 대한 데이터 확보
최적의 신경망 구조 및 하이퍼파라미터 탐색
합성 데이터 생성을 통한 데이터 증강
이미지 전처리 기법 개선(방사 왜곡 보정 등)
İstatistikler
점토 광물 함량 예측 정확도: 절대 오차 0.046, 상대 오차 10.7%
탄산염 광물 함량 예측 정확도: 절대 오차 0.059, 상대 오차 39.1%
규산염 광물 함량 예측 정확도: 절대 오차 0.038, 상대 오차 18.7%