Physics-Informed Explainable Machine Learning for Tight Sandstone Facies Prediction from Conventional Well Logs: A Blind-Well Comparative Study Krishna-Godavari Basin, INDIA

지구 표면 깊은 곳, 세계의 에너지를 품고 있는 거대한 퇴적 분지에서 지질학자들은 지속적인 과제에 직면해 있습니다. 바로 암석 속에 갇혀 흐르기를 거부하는 석유와 가스를 찾는 일입니다. 수십 년 동안 탐사는 유체가 쉽게 이동할 수 있는 다공성 스펀지 형태의 저류층에 집중되었습니다. 오늘날 그러한 쉬운 목표들이 줄어듦에 따라, 업계는 "타이트(tight)" 저류층으로 시선을 돌리고 있습니다. 이들은 기공이 너무 작고 기공 사이의 연결 통로가 너무 좁아서 석유나 가스가 제자리에 갇혀 있는 암석층으로, 이를 추출하기 위해서는 막대한 공학적 노력이 필요합니다. 이러한 타이트 존을 식별하는 것은 어렵습니다. 왜냐하면 지하를 들여다보는 데 사용되는 도구들—시추공 속으로 내려보내는 긴 센서 줄들—이 종종 혼란스러운 신호를 보내기 때문입니다. 센서 판독상으로는 좋은 저류층처럼 보이는 암석이 실제로는 치밀하고 불투과성인 블록일 수도 있고, 그 반대일 수도 있습니다. 이러한 모호함은 어디에 시추를 할지, 혹은 암석을 파쇄하여 에너지를 방출하기 위해 어디에 수백만 달러를 쓸지를 결정하는 것을 어렵게 만듭니다.

인도 동부 해안의 크리슈나-고다바리(Krishna-Godavari) 분지에서 한 연구자는 인간 전문가들이 구별하기 어려워하는 것을 컴퓨터에게 가르침으로써 이 문제를 해결했습니다. 그들은 매우 깊은 지하에 위치하며 셰일, 실트스톤, 깨끗한 모래가 섞여 있는 타이트 사암이라는 특정 유형의 암석에 집중했습니다. 목표는 표준 센서 데이터를 보고 해당 데이터가 지나가고 있는 암석의 유형을 정확하게 예측할 수 있는 시스템을 만드는 것이었습니다. 이를 위해 연구자는 단순히 센서의 원시 숫자만을 컴퓨터에 입력하지 않았습니다. 대신, 먼저 물리학 법칙을 사용하여 그 원시 숫자들을 암석의 강성이나 압축에 대한 저항과 같이 암석의 거동을 더 의미 있게 설명하는 새로운 정보로 변환했습니다. 그런 다음 여러 종류의 학습 알고리즘을 훈련시켜 이러한 암석 유형의 패턴을 인식하도록 했으며, 시스템이 단순히 정답을 암기하는 것이 아니라 새로운 데이터를 적용할 수 있는지 확인하기 위해 본 적 없는 유정(well)들을 대상으로 테스트했습니다.

연구자는 이 분지의 데이터가 담긴 다섯 개의 유정을 활용했는데, 그중 세 개는 지질학자들이 모든 깊이에서 어떤 암석 유형이 존재하는지 정확히 알고 레이블을 붙인 것들이었습니다. 나머지 두 개는 컴퓨터가 배운 것을 새로운 위치에 적용할 수 있는지 확인하기 위한 블라인드 테스트용으로 숨겨두었습니다. 연구자는 두 가지 접근 방식을 비교했습니다. 첫 번째 접근 방식은 암석의 자연 방사능, 전기 저항, 음파의 속도와 같은 표준 측정값만을 사용했습니다. 두 번째 접근 방식은 동일한 측정값에 에너지 저장 능력이나 파손 저항성과 같이 물리학에서 유도된 계산된 특성들을 한 층 더 추가했습니다. 연구자는 수많은 결정 트리를 구축하는 방식과 스스로의 실수를 교정하며 학습하는 방식을 포함하여 네 가지 서로 다른 머신러닝 모델을 테스트하여 어떤 조합이 가장 잘 작동하는지 확인했습니다.

결과는 두 접근 방식 사이에 명확한 차이를 보여주었습니다. 모델이 표준 센서 판독값에만 의존했을 때, 암석 유형을 식별하는 데 보통 수준의 성공을 거두었으며 평균 정확도는 약 6668%였습니다. 이들은 센서상으로는 비슷해 보이지만 실제로는 다른 암석들을 자주 혼동했습니다. 그러나 모델에 물리학 기반의 기술적 설명을 추가했을 때, 성능이 크게 향상되었습니다. 평균 정확도는 8184%로 뛰어올랐습니다. 더 중요한 것은, 가장 중요하고 찾기 어려운 "타이트 사암" 존을 정확하게 식별하는 능력이 극적으로 개선되었다는 점입니다. 최선의 경우, 모델은 이러한 타이트 존을 거의 매번 정확하게 식별하여 97% 이상의 성공률을 기록했습니다. 이러한 개선은 우연이 아니었습니다. 통계적 검증을 통해 이 이득이 실질적이고 일관적임을 확인했으며, 성능 향상이 매우 커서 우연히 발생했을 가능성이 매우 낮다는 것을 입증했습니다.

물리학 기반의 접근 방식이 왜 그렇게 잘 작동했는지 이해하기 위해, 연구자는 컴퓨터가 결정을 내릴 때 어떤 구체적인 단서를 사용하는지 밝혀내는 스포트라이트와 같은 기법을 사용했습니다. 연구자들은 표준 센서 판독값만으로는 종종 모호하지만, 계산된 특성들이 암석의 내부 구조에 대한 더 명확한 그림을 제공한다는 것을 발견했습니다. 예를 들어, 암석의 강성과 압력에 대한 반응은 기본 센서 판독값이 거의 동일할 때조차도 치밀하고 단단한 사암과 깨끗하고 다공성인 사암을 구분하는 데 도움을 주었습니다. 또한 연구는 컴퓨터가 각 예측에 대해 얼마나 확신하는지를 측정하는 방법을 개발했습니다. 서로 다른 모델 간에 의견이 일치하지 않거나 확신도가 낮을 때, 시스템은 해당 구간을 인간의 검토 대상으로 표시했습니다. 이는 지질학자들이 컴퓨터를 맹목적으로 신뢰하기보다 가장 불확실한 부분에 집중할 수 있도록 하는 안전망을 만들어 줍니다.

이 연구는 전통적인 센서 데이터와 물리학 기반의 계산을 결 der는 것이 지하 세계에 대한 훨씬 더 신뢰할 수 있는 지도를 만든다는 것을 보여줍니다. 이는 어려운 저류층을 여는 열쇠가 더 나은 센서뿐만 아니라, 그 센서들이 제공하는 데이터를 더 나은 방식으로 해석하는 데 있음을 시사합니다. 기계에게 단순히 원시 숫자가 아닌 암석의 물리적 특성을 이해하도록 가르침으로써, 업계는 석유와 가스가 어디에 갇혀 있는지에 대해 더 정확한 예측을 할 수 있습니다. 연구는 모델이 단순히 데이터를 암기하는 것이 아니라 진정으로 지질학을 학습하고 있는지 확인하기 위해 새로운 유정에서 엄격하게 테스트되어야 한다는 전제하에, 이 방법이 복잡한 저류층을 특성화하는 강력한 도구라고 결론짓습니다. 이 결과는 향 만큼 앞으로의 몇십 년간 에너지 수요를 충족시킬 가능성이 높은 깊은 타이트 형성층을 탐사하는 데 있어 명확한 경로를 제시합니다.