디지털 암석 분석의 새로운 가능성
현대 기술은 우리가 자연을 이해하고 활용하는 방식을 근본적으로 바꾸고 있습니다. 특히, 인공지능(AI)과 기계 학습(Machine Learning)의 도입은 다양한 산업 분야에서 생산성과 효율성을 혁신적으로 향상시키고 있습니다.
최근 사우디아라비아의 킹 아브둘라 대학교(King Abdullah University of Science and Technology, 이하 KAUST) 연구팀이 발표한 디지털 암석 분석 기술 최적화 연구는 이러한 변화를 집중적으로 보여주는 사례입니다. 지질학 연구와 자원 탐사에서 디지털 이미지 분석의 활용도는 점차 높아지고 있으며, 특히 저수지 특성화를 위한 암석 특성 분석은 석유 및 가스 산업에서 핵심적인 역할을 담당하고 있습니다. KAUST 연구팀의 혁신적인 접근은 디지털 암석 분석 과정을 기계 학습으로 최적화하면서 시작되었습니다.
이 팀은 저수지 특성화에 중요한 암석 특성을 얻기 위한 방법론을 개발하면서, 페트로그래픽 박편 분석(petrographic thin section analysis)에 주목했습니다.
광고
페트로그래픽 박편 분석은 저수지 특성화의 중요한 부분이며, 마이크로-CT 및 SEM 이미지에 비해 상대적으로 쉽고 저렴하게 얻을 수 있다는 장점이 있습니다. 연구팀은 이러한 박편 이미지의 디지털 이미지 처리를 개선함으로써 신뢰할 수 있는 공극 네트워크 특성화를 달성하고자 했습니다.
연구팀이 해결하고자 한 핵심 과제는 세 가지 질문으로 구체화되었습니다. 첫 번째 질문은 '컬러(RGB) 박편 이미지를 이진 이미지로 분할하는 가장 실용적이고 신뢰할 수 있는 방법은 무엇인가?'입니다.
이는 디지털 이미지 분석의 가장 기초적이면서도 중요한 단계로, 공극과 암석 매트릭스를 정확하게 구분하는 것이 후속 분석의 정확도를 결정하기 때문입니다. 두 번째 질문은 '2D 공극 공간 및 속성을 대표적인 3D 공극 부피로 변환하는 방법은 무엇인가?'입니다. 박편 이미지는 본질적으로 2차원 데이터이지만, 실제 암석의 공극 네트워크는 3차원 구조를 가지고 있어 이를 효과적으로 재현하는 것이 필수적입니다.
광고
세 번째 질문은 '유동 특성을 계산하는 방법은 무엇인가?'로, 투과성(permeability)과 같은 암석물리적 특성을 정확하게 예측하는 것은 저수지 성능 평가에 직결됩니다. 첫 번째 질문에 답하기 위해, KAUST 연구팀은 세 가지 기계 학습 알고리즘을 체계적으로 비교 분석했습니다.
K-Means 클러스터링, 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine, 이하 SVM)을 RGB 박편 이미지 분할에 적용하고, 각 방법의 성능을 정량적으로 평가했습니다. K-Means 클러스터링은 비지도 학습 방식으로 데이터를 군집화하는 방법이며, 랜덤 포레스트는 다수의 의사결정 트리를 활용한 앙상블 학습 기법입니다.
반면 SVM은 고차원 공간에서 최적의 결정 경계를 찾는 지도 학습 방법입니다. 연구 결과, 서포트 벡터 머신이 RGB 박편 이미지에서 매크로 공극을 분할하는 데 가장 우수한 성능을 보였습니다. SVM은 복잡한 지질학적 특징을 가진 암석 이미지에서도 높은 정확도로 공극과 매트릭스를 구분할 수 있었으며, 이는 매크로 공극 구조를 처리하는 데 최적화되어 있음을 입증했습니다.
광고
그러나 매크로 공극만으로는 암석의 전체 공극 네트워크를 완전히 설명할 수 없습니다. 마이크로 공극은 크기가 작지만 전체 공극률과 유동 특성에 상당한 영향을 미칠 수 있습니다. 연구팀은 마이크로 공극의 특성화를 개선하기 위해 혁신적인 접근 방식을 제안했습니다.
구체적으로, 박편 이미지 분할을 위한 CNN(Convolutional Neural Network) 초고해상도 모델을 훈련하기 위해 대표적인 SEM(Scanning Electron Microscopy) 이미지를 사용했습니다. SEM 이미지는 마이크로 공극의 세부 구조를 매우 높은 해상도로 보여줄 수 있지만, 획득 비용이 높고 시간이 많이 소요된다는 단점이 있습니다.
연구팀은 제한된 수의 SEM 이미지로 CNN 모델을 훈련시킨 후, 이 모델을 활용하여 더 저렴하고 접근성이 높은 박편 이미지에서 마이크로 공극을 정확하게 특성화하는 방법을 개발했습니다.
광고
이러한 접근은 비용 효율성과 분석 정확도를 동시에 향상시킬 수 있는 가능성을 보여줍니다. 두 번째 핵심 질문인 2D-3D 변환에 대해, 연구팀은 다지점 통계(Multiple Point Statistics, 이하 MPS)를 적용하는 혁신적인 방법론을 제시했습니다. MPS는 지구통계학(geostatistics) 분야에서 발전한 기법으로, 훈련 이미지(training image)의 공간적 패턴을 학습하여 이를 새로운 영역으로 확장하는 방식입니다.
전통적인 2점 통계(two-point statistics) 방법이 단순히 두 점 사이의 상관관계만을 고려하는 반면, MPS는 여러 점 사이의 복잡한 공간적 관계를 포착할 수 있어 더욱 현실적인 지질학적 구조를 재현할 수 있습니다. 연구팀은 MPS를 통한 2D-3D 재구성 방법이 연구된 암석 샘플의 매크로 공극 연결성을 효과적으로 재현했음을 입증했습니다.
공극 연결성(pore connectivity)은 유체가 암석 내부에서 이동할 수 있는 경로를 결정하므로, 저수지의 생산 능력을 평가하는 데 매우 중요한 요소입니다.
광고
MPS 기반 재구성은 2D 박편 이미지의 한계를 극복하고 3D 공극 네트워크의 복잡한 구조를 정확하게 모델링할 수 있는 강력한 도구로 입증되었습니다. 세 번째 질문인 유동 특성 계산과 관련하여, 연구팀은 기존 방법의 한계를 명확히 인식하고 있었습니다. 투과성과 같은 암석물리적 특성의 유동 기반 계산은 계산 비용이 매우 높다는 문제가 있습니다.
3D 공극 네트워크 모델에서 나비에-스토크스 방정식(Navier-Stokes equation)을 직접 풀거나, 격자 볼츠만 방법(Lattice Boltzmann Method)을 적용하는 것은 막대한 계산 자원과 시간을 필요로 합니다. 특히 고해상도 이미지를 사용할 경우 계산량은 기하급수적으로 증가합니다. 연구팀은 이러한 계산 비용 문제를 해결하기 위한 방법론을 모색했으며, MPS 기반 재구성과 기계 학습을 결합하여 효율성을 높이는 접근을 제안했습니다.
기계 학습: 석유·가스 탐사의 게임 체인저
그럼에도 불구하고, 박편 이미지를 공극 네트워크 특성화에 사용하는 데는 여전히 제약이 존재합니다. 연구팀이 명확히 지적한 주요 제약 중 하나는 3D 공극 연결성을 효과적으로 표현하는 것의 어려움입니다.
박편 이미지는 본질적으로 암석의 얇은 단면을 보여주는 2차원 데이터이므로, 깊이 방향의 정보가 부족합니다. 이로 인해 공극들이 실제로 3차원 공간에서 어떻게 연결되어 있는지를 완벽하게 파악하기 어렵습니다. MPS 기반 재구성이 이러한 한계를 상당 부분 극복할 수 있지만, 여전히 훈련 이미지의 품질과 대표성에 의존한다는 한계가 있습니다.
또한, 앞서 언급한 유동 특성 계산의 높은 계산 비용 문제도 실용적인 적용을 제한하는 요인입니다. 특히 대규모 저수지 모델링이나 실시간 의사결정이 필요한 상황에서는 이러한 계산 부담이 심각한 장애물이 될 수 있습니다.
그러나 이러한 한계에도 불구하고, KAUST 연구팀의 연구는 디지털 암석 분석 분야에 중요한 기여를 했습니다. 박편 이미지는 마이크로-CT나 SEM 이미지에 비해 획득이 쉽고 비용이 저렴하다는 명확한 장점이 있습니다.
마이크로-CT 스캐닝은 고가의 장비와 전문 기술이 필요하며, 샘플 준비와 스캔 시간도 상당히 소요됩니다. SEM 이미지 역시 진공 환경에서의 촬영이 필요하고, 넓은 영역을 커버하기 위해서는 많은 시간과 비용이 듭니다. 반면 박편 제작은 전통적인 지질학 실험실에서 일상적으로 수행되는 작업이며, 광학 현미경으로 쉽게 이미지를 획득할 수 있습니다.
연구팀이 제안한 기계 학습 기반 방법론은 이러한 비용 효율적인 박편 이미지로부터 고품질의 공극 네트워크 특성 정보를 추출할 수 있는 길을 열었습니다. 이는 특히 탐사 초기 단계나 대규모 스크리닝이 필요한 경우, 또는 연구 예산이 제한된 환경에서 매우 유용할 수 있습니다.
연구팀이 개발한 워크플로우는 다음과 같이 요약될 수 있습니다. 먼저 RGB 박편 이미지를 획득하고, SVM 알고리즘을 활용하여 매크로 공극을 정확하게 분할합니다. 마이크로 공극의 경우, SEM 이미지로 훈련된 CNN 초고해상도 모델을 적용하여 특성화를 개선합니다.
그 다음 MPS 기법을 활용하여 2D 공극 정보를 3D 공극 네트워크로 재구성합니다. 이 과정에서 공극 연결성이 효과적으로 재현됩니다. 마지막으로 재구성된 3D 모델을 기반으로 유동 특성을 계산합니다.
이러한 통합된 접근 방식은 각 단계에서 기계 학습과 전통적인 지질학적 지식을 결합하여 최적의 결과를 도출합니다. 이러한 연구 성과는 석유 및 가스 탐사 산업에 직접적인 응용 가능성을 제공합니다. 저수지 특성화는 탐사 및 개발의 핵심 단계로, 저수지의 공극률, 투과성, 유체 포화도 등을 정확하게 평가하는 것이 자원 회수율을 높이고 생산 비용을 절감하는 데 필수적입니다.
전통적으로 이러한 특성화는 코어 샘플의 실험실 분석과 검층(well logging) 데이터에 크게 의존해왔습니다. 그러나 KAUST 연구팀이 제안한 방법론은 상대적으로 저렴한 박편 이미지로부터 신뢰할 수 있는 암석 특성 정보를 추출할 수 있어, 더 많은 샘플을 분석하고 공간적 변동성을 더 잘 이해할 수 있는 기회를 제공합니다.
또한 이 연구는 토목 공학, 환경 공학, 지하수 관리 등 다른 분야에도 적용될 수 있는 잠재력을 가지고 있습니다. 예를 들어, 콘크리트나 시멘트의 공극 구조 분석, 오염물질의 지하 이동 경로 예측, 이산화탄소 지중 저장(Carbon Capture and Storage) 프로젝트의 저장층 특성 평가 등에 활용될 수 있습니다. 암석의 공극 네트워크 특성화는 이러한 다양한 응용 분야에서 공통적으로 필요한 기초 정보이기 때문입니다.
기계 학습과 디지털 이미지 분석의 결합은 지질학 연구 방법론 자체를 변화시키고 있습니다. 전통적인 페트로그래픽 분석은 숙련된 지질학자의 육안 관찰과 경험에 크게 의존했습니다.
이러한 정성적 분석은 매우 가치 있지만, 주관성이 개입될 수 있고 대량의 샘플을 처리하는 데 시간이 많이 소요된다는 한계가 있었습니다. 기계 학습 기반 자동화 분석은 객관성과 재현성을 높이고, 분석 속도를 크게 향상시킬 수 있습니다. 또한 인간의 눈으로는 쉽게 인식하기 어려운 미세한 패턴이나 복잡한 관계를 발견할 수 있는 가능성도 제공합니다.
한국 자원 연구에의 적용과 전망
향후 연구 방향으로는 여러 가지 가능성이 제시될 수 있습니다. 첫째, 더 다양한 암석 유형과 공극 구조에 대한 알고리즘의 적용성을 검증하고 일반화하는 작업이 필요합니다. 둘째, 계산 효율성을 더욱 개선하여 실시간 또는 준실시간 분석이 가능하도록 하는 연구가 요구됩니다.
셋째, 다중 스케일 이미징 데이터(광학 현미경, SEM, 마이크로-CT 등)를 통합하여 분석하는 방법론 개발이 필요합니다. 넷째, 공극 네트워크 특성과 거시적 암석물리 특성(투과성, 모세관압 등) 사이의 관계를 더 정확하게 모델링하는 기계 학습 기법 개발이 중요합니다. 이제 우리는 이러한 기술적 진보가 글로벌 자원 개발 산업에 어떤 의미를 갖는지 고려해볼 필요가 있습니다.
전 세계적으로 에너지 전환과 지속 가능성에 대한 관심이 높아지고 있지만, 석유와 가스는 여전히 주요 에너지원으로 남아 있으며, 향후 수십 년간 중요한 역할을 할 것으로 예상됩니다. 이러한 상황에서 탐사와 생산의 효율성을 높이고 환경 영향을 최소화하는 것은 중요한 과제입니다. KAUST 연구팀의 기계 학습 기반 디지털 암석 분석 기술은 이러한 목표를 달성하는 데 기여할 수 있습니다.
한국의 관점에서 볼 때, 이러한 기술 발전은 특별한 의미를 가질 수 있습니다. 한국은 석유 및 가스를 포함한 에너지 자원의 대부분을 수입에 의존하고 있으며, 해외 자원 개발 프로젝트에 참여하거나 독자적인 탐사 활동을 수행하고 있습니다. KAUST 연구와 같은 선진적인 디지털 분석 기술을 도입하고 발전시킨다면, 한국 기업과 연구기관의 자원 탐사 역량을 강화하고 국제 경쟁력을 높일 수 있을 것입니다.
특히 기계 학습과 인공지능 분야에서 한국이 보유한 강점을 활용하여, 지질학 데이터 분석 기술을 선도할 수 있는 기회가 될 수 있습니다. 구체적으로, 한국의 공공 연구기관과 대학들은 KAUST 연구팀의 방법론을 참고하여 자체적인 디지털 암석 분석 플랫폼을 개발할 수 있습니다.
한국석유공사(KNOC)와 같은 공기업은 해외 탐사 프로젝트에서 이러한 기술을 활용하여 탐사 성공률을 높이고 비용을 절감할 수 있습니다. 또한 민간 기업들도 관련 기술을 상용화하여 글로벌 시장에 진출할 수 있는 가능성을 모색할 수 있습니다. 이를 위해서는 지질학, 컴퓨터 과학, 데이터 과학 분야의 학제간 협력이 필수적이며, 산학연 협력을 통한 기술 개발과 인력 양성이 병행되어야 할 것입니다.
마지막으로, 기계 학습을 활용한 디지털 암석 분석이 단순히 과학적 호기심을 만족시키는 데서 멈추지 않고, 실제 산업 현장에서 경제적 영향을 미칠 수 있는 단계로 나아가야 함을 강조하고 싶습니다. KAUST 연구팀의 혁신은 기술적 우수성을 입증했지만, 이를 실제 탐사 및 생산 워크플로우에 통합하고, 다양한 지질학적 환경에서 검증하며, 사용자 친화적인 소프트웨어로 구현하는 추가적인 노력이 필요합니다.
학계와 산업계의 긴밀한 협력을 통해 이러한 기술이 실용화되고 널리 보급될 때, 비로소 자원 탐사의 진정한 혁신이 이루어질 것입니다. 독자 여러분은 이러한 신기술이 미래 에너지 산업에 어떤 변화를 가져올 수 있을지 상상해 보셨나요?
기술과 지질학, 그리고 경제적 효율성이 조화를 이루는 미래를 실현하기 위한 노력이 지금 이 순간에도 계속되고 있습니다.
김도현 기자
광고
[참고자료]
vertexaisearch.cloud.google.com
){kind=small}
){kind=small}
){kind=small}
){kind=small}