Well Log를 이용한 탄성파 속도 예측

탄성파 속도와 암석의 밀도를 예측하는 발표자료를 우연히 접했습니다.

데이터셋을 구할 수 있어서 그것으로 탄성파에서 P파, S파, 그리고 암석의 밀도를 예측하는 머신러닝 모델을 구현해봤습니다.

데이터는 유정(Well, 시추공)의 Well Log 자료입니다. 데이터 부분보다는 모델에 대한 내용입니다.

 

1. 데이터 불러오기

• 데이터 : 6개 유정의 로그 자료
• 총 데이터 : 12,019 개
• 훈련데이터(X_train) : 5개 유정의 로그 자료 - 9,243 개
• 시험데이터(X_test) : 1개 유정의 로그 자료 - 2,776 개
• labels : 3 개 (vp : P 파 속도 / vs : S 파 속도 / rho : 암석의 밀도)

 

 

2. 데이터 전처리

• 5 개 유정의 로그자료를 합치고(concatenate) 섞음(shuffle)

<code>

training_data = pd.concat(training_wells).sample(frac=1)

sample(frac=1) : 메소드가 shuffling

 

• 숫자가 커서 스케일링 : 0~1 사이 숫자로 변환

<code>

scaler = RobustScaler().fit(X_train)

 

3. 모델링

• 모듈 불러오기

<code>

import tensorflow as tf

from keras import models

from keras.models import Sequential, Model

from keras.layers import Dense, Input

import matplotlib.pyplot as plt

 

• 모델 구현

<code>

def nn_training(X, y, n_features, n_targets, nn_title, X_test):

    model = Sequential(

        [Input(shape=(n_features,)),

        Dense(32, activation='sigmoid'),

        Dense(128, activation='sigmoid'),

        Dense(512, activation='sigmoid'),

        Dense(64, activation='sigmoid'),

        Dense(n_targets, activation='linear')]

    )

    optimizer = tf.keras.optimizers.RMSprop(0.001)

    model.compile(optimizer=optimizer,

                loss ='mse',

                metrics=['accuracy'])

   

    print(model.summary())

    # 모델 훈련

    history = model.fit(X, y,

                        validation_split=0.2,

                        epochs=500, verbose=1)

   

    # 훈련과정 시각화 : 손실

    plt.figure(figsize=(20, 16))

    plt.subplot(2, 1, 1)

    plt.plot(history.history['loss'])

    plt.plot(history.history['val_loss'])

    plt.title(nn_title + ' Model Loss')

    plt.xlabel('Epoch')

    plt.ylabel('Loss')

    plt.legend(['Train', 'Test'], loc='upper left')

   

    select_menu = {

        'vp': [0, scaler_vp, y_test_scaled_vp],

        'vs': [1, scaler_vs, y_test_scaled_vs],

        'rho': [2, scaler_rho, y_test_scaled_rho]

    }

    x_label = 'TWT (ms)'

    y_label = {

        'vp': "Velocity (m/s)",

        'vs': "Velocity (m/s)",

        'rho': "Density (g/cm^3)"    

    }

    sel = select_menu[nn_title][0]

    sel_scaler = select_menu[nn_title][1]

    sel_inv_scaled = select_menu[nn_title][2]

   

    y_pred = model.predict(X_test)

   

    y_test_inv = sel_scaler.inverse_transform(sel_inv_scaled)

    y_pred_inv = sel_scaler.inverse_transform(y_pred)

    plt.subplot(2, 1, 2)

    plt.plot(y_test_inv, label=nn_title+' True')

    plt.plot(y_pred_inv, '--', color='orange', label=nn_title+' Prediction')

    plt.xlabel(x_label)

    plt.ylabel(y_label[nn_title])

    plt.legend()

   

    img_name = nn_title + '_result.png'

    plt.savefig(img_name, dpi=200, edge_color='darkgray')

 

vp, vs, rho 각각 레이블로 정하고 훈련이 되도록 함수로 만들었습니다.

epoch=500 은 배치파일로 500번을 훈련시킨 것입니다.

복잡한 LSTM이나 CNN이 아니라 신경망으로 5개 층을 쌓아서 훈련하였습니다.

 

스케일한 것을 inverse를 통해 원래 값으로 변환시키는 과정입니다.

 

  <code>

   y_pred_inv = sel_scaler.inverse_transform(y_pred)

 

모델 summary입니다.

 

 

• 함수 호출

<code>

# vp(velocity of p waves) training

nn_title = 'vp'

y_vp = y[:, 0]

nn_training(X, y_vp, n_features, 1, nn_title, X_test)

 

# vs(velocity of s waves) training

nn_title = 'vs'

y_vp = y[:, 1]

nn_training(X, y_vp, n_features, 1, nn_title, X_test)

 

# rho(density of rock_material) training

nn_title = 'rho'

y_vp = y[:, 2]

nn_training(X, y_vp, n_features, 1, nn_title, X_test)

 

이렇게 함수를 호출하여 결과를 얻었습니다.

회귀문제이기 때문에 정확도는 큰 의미가 없고 결과입니다.

 

 

4. 결과

 

각 결과의 첫 번째 그래프는 에폭마다 손실입니다.

파란색은 X_train, 초록색은 Validation Data입니다.

두 번째 그림은 실제 데이터(X_test의 레이블인 y_test)와 예측한 데이터(y_predict)와 비교 그래프입니다.

파란색은 실제 값, 주황색은 예측 값으로 그린 것입니다.

 

• P 파 속도

 

• S 파 속도

 

• 밀도