Review (Special Issue)

Journal of the Korean Society of Mineral and Energy Resources Engineers. 31 October 2019. 435-446
https://doi.org/10.32390/ksmer.2019.56.5.435

ABSTRACT


MAIN

  • 서 론

  • 딥러닝 기술 개요

  •   머신러닝과 딥러닝

  •   주요 딥러닝 기법

  • 광업분야의 딥러닝 기술 적용연구 사례

  •   조사 및 탐사 단계

  •   광산 개발, 운영 및 관리 단계

  •   광산지역 재해 분석 및 모니터링 단계

  • 논 의

  • 결 론

서 론

정보통신기술(Information and Communication Technology, ICT)의 발전은 현대 사회의 자료 생산 능력을 비약적으로 증가시켰고, 그렇게 생산된 데이터의 막대한 팽창은 기존의 자료관리 기법만으로 처리가능한 범위를 넘어서고 있다(TechTarget, 2018). 이를 효과적으로 제어할 수 있는 기법 중 하나로 딥러닝이 대두된 이후로(Hinton, 2007) 발전된 기법들이 제시되고 있다. 또한 개발된 딥러닝 및 머신러닝 기술들은 제조(ECMiner, 2019), 의료(INFINITT, 2018), 금융(Lim, 2017) 등 다양한 분야에서 인기있는 주제이다.

지질·광업 분야의 자료는 복잡한 지질학적 과정 및 다양한 지질분포의 영향으로 자료가 정규분포 또는 로그정규분포를 따르지 않는 경우도 많고 왜도(Skewness)가 심하거나 멀티모달(Multi-modal) 분포를 띠는 경우도 많다(Zuo et al., 2019). 또한 위성사진, 물리탐사, 시추, 측정 센서 등 다양한 방법을 활용하여 자료를 획득하기 때문에 다중 해상도 융합, 노이즈 제거, 자료의 불확실성 등을 고려해야 하는데 이러한 형식의 자료는 기존의 이론기반 학문보다는 딥러닝과 같은 자료기반 인공지능 기법의 적용이 합당하다고 알려지고 있다(Karpatne et al., 2018). 딥러닝 기술을 국내 광업분야에 효과적으로 도입하기 위해서는 최근 활발하게 진행되고 있는 적용연구들이 조사되고 정리될 필요가 있다. 현재 광업분야에 대한 ICT기술(Choi, 2017)과 머신러닝 기술(Lee et al., 2019)의 적용은 정리된 바 있으나, 딥러닝 기술에 대한 연구는 부족한 실정이다.

본 논문에서는 조사, 탐사, 개발, 광산운영, 재해분석에 이르는 광업주기에 따른 딥러닝 기술의 적용연구 사례를 조사하고 연구동향을 분석하고자 한다.

딥러닝 기술 개요

머신러닝과 딥러닝

머신러닝(Machine Learning)은 유저가 컴퓨터에 명시적으로 프로그래밍을 하지 않더라도 컴퓨터 스스로 데이터에서 정보를 학습하게 만드는 데이터 분석 기술(Bishop, 2007)로써 인간 행동을 컴퓨터가 모사하게 하는 모든 기술을 의미하는 인공지능(Artificial Intelligence)의 일부이다. 머신러닝 알고리즘들은 용도에 따라 크게 지도학습(supervised learning), 비지도학습(unsupervised learning), 강화학습(reinforcement learning)으로 분류된다. 지도학습은 학습 데이터에 우리가 구하고자 하는 데이터(문제)와 레이블(정답)을 제공한 뒤, 레이블이 없는 새로운 데이터를 입력했을 때에 레이블을 추정하여 제공해주는 기법이다. 주로 사물인식, 레이블 추정 확률, 회귀분석 등에 이용되고, 광업분야에서는 광물 부존가능성 지도 작성, 재해 위험도 분석 등에 활용될 수 있다. 반면, 비지도학습은 레이블이 없는 데이터를 입력받아서 훈련을 통하여 데이터에서 새로운 특성이나 패턴을 찾아내는 기법이다. 주로 군집화(clustering), 특성 추출(feature extraction), 차원 축소(dimension reduction) 등에 이용된다. 강화학습은 컴퓨터가 취하는 행동에 따른 결과로 외부 환경 요인의 상황, 변화에 따라 보상을 받도록 설계한 뒤 이를 반복하여 행동을 계속적으로 강화시키는 기법으로써, 싸이클이 반복될수록 컴퓨터는 더욱 목적에 맞는 정교한 행동을 하게 된다. 주요 머신러닝 기법으로는 k-최근접 이웃(K-Nearest Neighbor, KNN), 로지스틱 회귀(Logistic Regression, LR), 서포트 벡터 머신(Support Vector Machine, SVM), 의사결정 트리(Decision Tree, DT), 랜덤 포레스트(Random Forest, RF), 인공신경망(Artificial Neural Network, ANN) 등이 있다. 이러한 머신러닝 기법들의 공통적인 특성은 문제를 풀기 위하여 사용되는 은닉층(hidden layer)이 하나만 포함된 간단한 구조라는 것이다. 이런 간단한 구조는 상황이 복잡하여 모델링이나 전처리를 통해 단순화된 문제를 해결하는 데에는 강력하지만 복잡한 제약을 가진 문제를 그대로 풀어내는 데에는 한계를 가지고 있다(LeCun et al., 2015).

딥러닝(Deep Learning)은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화를 시도하는 머신러닝 알고리즘의 집합(Bengio et al., 2013)으로써, 머신러닝 기법 중 ANN에 기원을 두고 있다. ANN은 인간의 신경망을 모방하여 설계된 알고리즘으로써, 다수의 뉴런으로 이루어진 레이어들이 적층된 구조를 가지고 있다. 각 뉴런은 특정 함수(e.g. sigmoid)를 기반으로 입력 데이터에 가중치를 곱하여 합계를 출력하는 방식으로 작동한다. 데이터 신호는 입력층(input layer)에서 부터 연산을 위한 은닉층을 지나 출력층(output layer)에 다다르게 되는데, 레이블이 있는 데이터를 통한 학습을 통하여 도출되는 출력값이 사용자가 원하는 값에 가까워지도록 각각의 가중치를 조정하는 방법이다. 딥러닝의 기본이 되는 기법인 심층신경망(Deep Neural Network, DNN)과 ANN의 핵심적인 차이점은 은닉층의 갯수인데, 통상적으로 2개 이상의 은닉층을 갖춘 구조가 딥러닝으로 분류된다. Fig. 1은 인공지능, 머신러닝, 딥러닝의 관계를 모식적으로 나타낸 것이다(Oracle, 2018).

http://static.apub.kr/journalsite/sites/ksmer/2019-056-05/N0330560504/images/ksmer_56_05_04_F1.jpg
Fig. 1.

Relationship between Artificial Intelligence, Machine Learning and Deep Learning (revised from Oracle, 2018).

주요 딥러닝 기법

심층 신경망(Deep Neural Network, DNN)

DNN은 머신러닝 기법 중 하나인 ANN에서 은닉층의 수가 두 개 이상인 연산구조를 뜻한다(Fig. 2(a)). 각 층의 모든 노드는 인접한 층의 모든 노드들과 연결되어 있으며 이러한 구조를 전결합망(fully connected network)이라 한다. 각 노드는 각자 다른 특징을 추출하고 또 서로 조합되면서 층이 깊어질 수록 점점 더 복잡한 특징을 추출하게 된다(Hinton, 2007). 예를 들면, 입력자료로 인공시설물 여부에 대한 레이블이 일부 픽셀에 있는 디지털 위성영상을 사용하고 영역 내에 인공시설물이 존재하는 영역을 분류하는 경우를 들 수 있다. 이 때에, 첫번째 은닉층에서는 각 픽셀(pixel)의 색깔, 명도 등 기본적인 특징을 추출하지만 층이 깊어질 수록 직선구조, 경계선의 선명도, 피복조건 등을 추출할 수 있다. 결과적으로 출력층에서 해당 픽셀이 인공시설물일 확률을 0에서 1 사이의 값으로 반환할 수 있는 것이다. 또한, DNN은 연산을 통해 다양한 특성들이 추출되기 때문에 데이터간 유사성을 자동으로 파악할 수 있으므로 이를 토대로 군집화와 같은 비지도학습에도 적용될 수 있다.

http://static.apub.kr/journalsite/sites/ksmer/2019-056-05/N0330560504/images/ksmer_56_05_04_F2.jpg
Fig. 2.

Variety of deep learning algorithm structures: (a) Deep Neural Network (b) Convolutional Neural Network (c) Reccurent Neural Network (d) Stacked Auto-encoder (e) reforcement learning method.

ANN보다 “깊어진” 구조로 인하여 DNN이 머신러닝과 확연히 구별되는 차이점은 특성 추출이 자동적으로 수행된다는 점이다. 기존의 머신러닝 기법들은 사용자가 입력자료의 특성을 전문적으로 파악하여 관련지식과 통계학을 토대로 학습 알고리즘이 입력자료의 특성을 쉽게 탐지하도록 별도의 방법을 고안해야만 했다. 반면, DNN은 이 과정을 알고리즘 내에서 적층된 은닉층을 통하여 고차원적인 특성을 자동으로 추출하기 때문에 충분한 컴퓨터 연산속도와 충분한 양의 입력자료만 제공된다면 다양한 분야에 매우 빠르고 효과적으로 적용되어 분석이 수행된다는 장점이 있다.

합성곱 신경망(Convulutional Neural Network, CNN)

각각의 층이 완전히 연결된 심층 신경망과는 달리 CNN은 입력 레이어를 특정한 연산(e.g. 합성곱, 풀링)을 이용하여 정보를 압축하여 사용한다(Fig. 2(b)). DNN에서 입력층의 각 노드들은 인접한 노드의 연산에 영향을 주지 못하는데, 영상이나 지도를 활용하여 분석에 활용할 때 인접한 노드의 정보를 복합적으로 고려해야 훌륭한 결과를 도출할 수 있는 경우가 많다(LeCun, 1989). 예를 들면, 물리탐사 결과(영상)을 입력자료로 이용할 때 각 픽셀의 수치 뿐 아니라 인접한 픽셀 중 비슷한 수치를 보이는 영역을 연결하여 나타나는 형상 특성 등을 입력하여 활용 할 수 있게 되는 것이다. 입력자료가 기하학적인 특성을 가지는 경우(e.g. 사진, 지도)에 특히 효과적인 방법으로 자료형 변환을 통해 시계열 정보도 입력할 수 있어서 다양한 분야에 매우 활용도가 높은 딥러닝 기법 중 하나이다.

CNN의 은닉층으로는 완전연결 층 이외에도 합성곱 층(convolutional layer), 풀링 층(pooling layer) 등이 사용된다. 합성곱 층은 입력층을 일정크기(e.g. 3x3, 5x5)의 필터를 거쳐서 추상화하는 기능을 담당한다. 이를 통하여 인접한 입력 자료를 통한 가중치를 공유 및 부여할 수 있고 자료의 토폴로지(topology)가 연산에 반영될 수 있다. 풀링 층은 이전 층을 리샘플링(resampling)하여 층의 크기를 줄이는 기능을 담당한다. 주로 2x2 영역의 데이터 중 최댓값만 추출하여 보존하는 방식의 맥스풀링(max pooling) 기법이 사용되는데, 이를 통하여 자료의 해상도 변환과 같은 이슈를 해결하는 데에 활용된다.

순환 신경망(Recurrent Neural Network, RNN)

DNN에서 입력층 내의 노드들은 서로 독립적이고 시간적 순서와 같은 개념이 고려되지 않았기 때문에 시계열 자료를 효과적으로 처리하는 데에는 한계가 있다. RNN은 현재 입력과 이전 시간대의 숨겨진 기억(memory) 상태를 모두 고려하여 출력값을 제공하는 기법이다(Fig. 2(c)). 이 구조는 시계열 데이터처럼 순서가 있는 자료를 토대로 미래를 예측하거나 의사결정을 내릴 때에 효과적이다(Williams et al., 1986). 그러나 연산구조상 새로운 입력마다 기억이 갱신되기 때문에, 가령 특정 중요 이벤트가 있었더라도 연산이 반복되면 기억이 소멸하듯 중요 이벤트의 영향력이 다소 과도하게 감소하는 경향이 있다. 이를 해결하기 위하여 Long short-term memory(LSTM)이라는 변형된 기법이 개발되었는데(Hochreiter and Schmidhuber, 1997), 이 기법은 값을 기록하고 임의의 기간동안 이를 저장하여 마치 사람의 두뇌가 단기기억과 장기기억을 따로 보관하다가 이를 융합하여 의사결정을 내리는 것을 모사하였다. LSTM은 CNN과 함께 딥러닝 기법 중에서도 활용도가 높은 기법 중 하나이다.

누적형 자동인코더(Stacked Auto-Encoder, SAE)

앞서 소개된 기법들은 주로 지도학습에 활용되는 것으로, 레이블이 있는 데이터를 이용하여 사물인식, 레이블 추정 확률, 회귀분석 등에 사용되는 반면, SAE는 대표적으로 비지도학습에 사용되는 딥러닝 기법이다. 머신러닝 기법 중 하나인 자동인코더의 은닉층은 인코더와 디코더 두 부분으로 나뉘는데, 기본적으로는 입력자료를 출력자료와 최대한 동일하게 표현하는 데에 목적이 있다. 그런데 통상적으로 은닉층보다 입력층의 노드 수가 많기 때문에 이 기법은 주로 차원 축소와 특성 추출에 활용된다(Ballard, 1987). SAE는 은닉층을 깊게 설계하여 적은 노드 수로도 고차원의 특성을 추출하는 데에 그 목적이 있다(fig. 2(d)). 최근에는 SAE의 성능을 강화하여 노이즈가 섞인 입력자료에서 노이즈를 제거하여 원본 이상의 결과물을 제공하고자 하는 기법(e.g. stacked denoising auto-encoder, SDAE; Vincent et al., 2010)도 제안되고 있다. 이 기법은 과거에 주성분분석(Principal Component Analysis, PCA)이나 내삽법(interpolation)이 적용되던 영역에 대체제로 활용될 수 있으며 주성분분석보다 대체로 성능이 뛰어난 것으로 알려져 있다.

강화학습기법(Reinforcement Learning, RL)

강화학습은 새로운 환경에 점차 적용하는 알고리즘이다. 사용자의 개입 없이 컴퓨터는 행동에 따른 환경의 변화에 따라 특정 조건에 대한 산발적인 보상을 통하여 행동을 점차 수정하면서 보상을 극대화하는 방향으로 발전한다. 이 기법은 에이전트와 환경, 행동, 보상, 상태에 따라 작동한다(fig. 2(e)). 주요 기법으로는 Deep Q Network 등이 있다고 알려져 있다. 가장 유명한 활용 사례 중 하나로, 딥마인드(DeepMind Technologies Limited)에서 고전 컴퓨터 게임(Atari 2600) 7개의 화면 상황을 ‘환경’으로 입력하고 게임 점수를 ‘보상’으로 설정한 뒤 다른 설명은 전혀 없이 점수를 높이는 것을 목표로 강화학습을 수행한 사례가 있다(Mnih et al., 2013). 시험 결과, 7개 중 6개 항목에서 전문가급의 플레이를 에이전트가 스스로 익혔고, 그 중 3개에서는 사람이 기록한 역대 최고기록을 갱신하는 성능을 나타낸 바 있다.

광업분야의 딥러닝 기술 적용연구 사례

본 논문에서는 광업분야의 딥러닝 기술 적용사례를 분석하기 위하여 세부분야를 다음과 같이 세 단계로 분류하였다. 첫번째는 광산개발 이전에 다양한 조사 및 탐사자료를 토대로 대상광물의 부존가능성과 자원량을 추정하는 단계이다. 이 때에는 먼저 지표 지질조사, 토양 및 퇴적물 지화학조사를 바탕으로 넓은 범위의 대상영역을 설정한다. 그 뒤에 대상광물 및 광석의 지구물리적 특성에 적합한 탐사기법(e.g. 중력. 자력, 전기, 전기비저항, 유도분극, 탄성파, 방사능)을 선정 및 조합하여 지하의 지구물리 이상대 영역을 특정하고 추가 탐사를 위한 좁은 영역을 제시한다. 이후에 시추를 통하여 시료를 확보하고, 성분분석을 토대로 광물 품위 및 공간적 분포를 특정하여 광체형상 및 자원량을 추정한다. 두번째는 광산을 운영하면서 수행되는 다양한 작업을 제어 및 관리하는 단계이다. 일반적으로 광산개발은 천공, 장약, 발파, 굴진, 채굴, 통기, 운반, 지보, 측량, 배수 등의 작업이 연속 반복적으로 진행된다. 이와 동시에 차량 및 장비, 인력에 대한 관리와 모니터링도 광산 관리의 주요 이슈이고, 작업자의 안전을 위하여 유독가스 모니터링, 역학적 안정성 분석 또한 함께 고려되어야 한다. 세번째는 광산개발 도중에서부터 개발 이후까지 발생 가능한 광산지역 재해 위험도 분석과 특성치 변화양상 모니터링 및 예측 단계이다. 이 단계에서는 광산 또는 폐광지역에서 발생할 수 있는 지반침하, 사면변형 및 붕괴, 유해가스 누출, 광미 유출, 먼지 등의 재해와 관련된 인자를 분석하여 예방․복구하고 피해를 최소화하기 위한 사전대책을 수립한다. 본 논문에서는 각 단계의 다양한 세부 목표를 달성하는 데에 딥러닝 기법을 적용한 최신 연구사례를 조사하였으며, 이를 간략히 정리하였다. 선광 및 제련 분야와 기타 일반 지구과학 분야에 대한 딥러닝 적용사례는 본 논문에 포함되지 않았으며, 별도의 연구가 필요할 것으로 판단된다.

조사 및 탐사 단계

지구화학 조사자료의 이상대 클러스터링은 자연계에서의 일반적인 품위분포를 벗어나는 고품위 영역대를 특정하는 데에 활용되고, 이를 토대로 다음 단계의 광물 부존가능성 조사를 진행하는 단서가 되는 분야이다. 기존에는 지구통계학 기법이나 핫스팟 분석 등이 적용되던 영역인데 딥러닝 기법이 발달하면서, 누적된 자동인코더(SAE)의 활용이 최근 활발하게 보고되고 있다(Xiong and Zuo, 2016; Zhang et al., 2019).

Xiong and Zuo(2016)는 SAE와 RBM(Restricted Boltzmann Machine)을 이용하여 지화학자료의 이상값을 인식하는 데에 활용하였다. 1:2,000,000 축척의 지화학 자료와 39개의 시료에 대한 ICP-MS, XRF, ICP-AES 측정값이 머신을 학습시키는 데에 활용되었다. 제안된 기법으로 도출된 지화학이상도에서 상위 2.4%에 해당하는 영역 내에 알려진 철 광상이 31.5% 포함되었고, 상위 34.1%에 해당하는 영역 내에는 68.4%의 철 광상이 포함되었다(Xiong and Zuo, 2016). Zhang et al.(2019)은 SAE를 기반으로 한 새로운 기법을 개발하여 퇴적물 지화학 샘플의 이상값을 분류하는 연구를 수행하였다. 자료를 log-ratio 변환하여 전처리하고 SAE과 밀도 기반의 공간 클러스터링(DBSCAN)을 접목하는 기법을 제안하여 중국 Hezuo.Meiwu 지역의 금(Au) 이상대를 추정하였다. 기법의 검증은 AUC(Area under curve)기법을 적용하였으며, 초기데이터와 해당 기법을 적용한 데이터를 비교하여 새로운 기법의 효과를 제시하였다(Fig. 3).

http://static.apub.kr/journalsite/sites/ksmer/2019-056-05/N0330560504/images/ksmer_56_05_04_F3.jpg
Fig. 3.

Au potential map using SAE for geochemical anomaly extraction (revised from Zhang et al., 2019).

지화학자료의 분석 외에도 개별 물리탐사 자료의 특성추출이나 이종 자료간 융합해석 분야에 딥러닝 기술이 적용되는 연구가 제시되고 있다(Xiong et al., 2018a; Tessema, 2017; Xiong et al., 2018b; Li et al., 2019). 해당 연구에는 탐사자료가 도면의 형식을 띠고 있는 경우가 많기 때문에 일반적으로는 CNN 기법이 적합하나 개별 자료들의 특성에 따라서 기법이 조정되거나 새로운 기법이 제안되기도 하였다.

Xiong et al.(2018a)은 탄성파탐사 자료에 CNN을 적용하여 단층 구조를 탐지하는 것을 제안하였다. 알고리즘의 은닉층은 합성곱+ReLU, 풀링+LRN(지역 반응 정규화), 합성곱+ReLU, 풀링+LRN, 전연결#1(fully connected), 전연결#2, Softmax의 7개의 순차적인 단계로 설계되었다. 설계된 CNN 알고리즘은 탄성파탐사 단면도 및 3차원 자료 영역에서의 단층 탐지에 적합하게 구축되었다. Tessema (2017)은 DNN 기법 중 하나인 RBFLN(Radial Basis Function Link Neural network)기법과 일반 머신러닝 기법 중 하나인 fuzzy-WofE(Weight of Evidence)기법을 적용하여 chrimite 광상의 지역적 부존가능성을 분석하였다. 사용된 탐사자료는 지질도, 중력탐사, 항공자력탐사, 지화학도, 지질학적 경계도(Ford and Blenkinsop, 2008)이다. 적용 결과, 제안된 기법은 73%의 알려진 광상을 상위 6.5%로 추정하였고, 광상이 아닌 것으로 알려진 모든 지역을 올바르게 분류하였다. Xiong et al.(2018b)은 지질도, 단층 위치 정보, 퇴적물 지화학 자료, 항공자력탐사 자료를 융합하여 광물 부존예측 지도를 작성하는 데에 SAE를 사용하였다. 작성된 지도와 기존에 알려진 철 광상 위치를 중첩하여 기법의 성능을 분석하였다(Fig. 4). SAE를 이용하면 지화학자료와 다른 조사·탐사 자료와의 상관성을 분석하여 지화학자료가 부재한 곳에도 값을 추정할 수 있기 때문에 기존의 지구통계 기법과 내삽법을 적용하던 영역을 일부 대체 가능한 것으로 판단된다. Xiong et al.(2018b)은 지화학자료에 내삽법(Inverse Distance Weighting, IDW)을 적용한 레이어를 SAE의 입력 자료 중 하나로 활용하였다. Li et al.(2019)는 지표지질도, 지질구조선도, 노두형상, 수계분포도, 기축적된 광종별 광상 정보를 토대로 CNN을 이용하여 광물 부존가능성 지도를 제작하고 광상의 위치를 예측하였다. 지화학자료는 IDW를 이용하여 2차원 레이어 형태로 자료를 변형하여 사용하였다. CNN 기법의 적용 과정에서 타분야 적용 사례에서도 일반적으로 사용되는 기술들(e.g. ReLU function, dropout, softmax function)을 해당 분야에도 접목시켜 분석을 수행하였다. 해당 사례는 자료 융합을 통한 광물 부존가능성 예측에 CNN 기법의 적용 가능성을 보여주었다.

http://static.apub.kr/journalsite/sites/ksmer/2019-056-05/N0330560504/images/ksmer_56_05_04_F4.jpg
Fig. 4.

Fe-related mineralization map using SAE (revised from Xiong et al., 2018b).

광산 개발, 운영 및 관리 단계

작업자와 장비를 활용하여 광산을 개발․관리 하는 영역에 대한 최신 연구의 세부 분야는 센서나 카메라를 이용하여 정보를 획득 및 인식하는 주제(Zhang et al., 2018; Bewley and Upcroft, 2016)와 인식된 정보를 기반으로 발파, 통기, 운반, 배수 등 단위작업 중 발생되는 상황을 분석․예측하는 주제(Nguyen et al., 2018; Guo et al., 2019), 분석자료를 기반으로 로봇에 명령을 내리고 작업을 자동화하는 주제(Yinka-Banjo et al., 2012) 등으로 분류될 수 있다.

Bewley and Upcroft(2016)은 CNN을 이용하여 차량에 부착된 카메라로 획득한 노천광산의 전경영상을 분석하였다. 영상에서 작업자, 경장비, 중장비, 배경을 효과적으로 인식하여 분류하기 위해서 Joint Cosine Similarity Model을 전처리로 적용한 뒤 CNN 알고리즘 결과와 결합하여 최종적으로 물체를 식별하는 방식을 고안하였다(Fig. 5). 해당 기술은 향후에 광산 모니터링을 통한 상황파악을 자동으로 수행하여 관리자에게 이상징후를 안내하는 데에 활용될 수 있으며, 더 나아가 광산자동화를 위한 기반기술 중 하나로 이용될 수 있다. Yinka-Banjo et al.(2012)은 재해의 잠재위험성이 있는 지하광산에서의 작업을 로봇이 대체하는 광산자동화 시스템을 위한 기초기술을 설계하였다. 특히 개발도상국(e.g. 남아프리카 공화국)에서는 지하채굴이 국가 경제를 지탱하는 주요 수단이지만, 산업 규모에 적합한 광산안전 체계의 도입은 미흡한 실정이므로 광산자동화의 필요성이 대두되고 있다. Yinka-Banjo et al.(2012)은 다수의 로봇 행동을 자동화하는 데에 강화학습을 도입하여 일부 낙반에 의한 소규모 피해가 발생할 때마다 상황을 학습하여, 낙석 검사와 지하광산의 유독 가스 검사 시나리오에서 로봇에 발생할 수 있는 피해 유형을 분석하였다.

http://static.apub.kr/journalsite/sites/ksmer/2019-056-05/N0330560504/images/ksmer_56_05_04_F5.jpg
Fig. 5.

Visual object detection in an open-pit mine using CNN fused model (revised from Bewley and Upcroft, 2016).

Nguyen et al.(2018)은 탄광에서 발파시 발생하는 공기폭압 초과압력(Air-blast overpressure)을 예측하는 데에 DNN을 적용하였다. 베트남의 Deo Nai 노천탄광에서 습도, 풍압, 발파지점과 거리, 발파진동을 측정하여 입력자료로 활용하였다. Guo et al.(2019)은 발파시 발생하는 비석(飛石, flyrock) 분석을 위하여 DNN과 최적화 알고리즘(whale optimization)을 제안하였고, 측정된 5개 dataset의 RMSE(Root Mean Squared Error)를 계산하여 기법의 성능을 검증하였다. Zhang et al.(2018)은 지하광산 내 메탄가스 농도를 모니터링하는 작업을 RFID(Radio-Frequency Identification) 센서로 수행하고 취합된 정보를 토대로 메탄가스 거동을 예측하는 데에 CNN 기법을 적용하였다. 센서는 지하광산 내 가스유출 위험지역들에 설치되어있고, 이를 근거리 무선통신으로 수신하여 자료를 취합해서 사용하였다. 취합된 데이터는 CNN으로 특성을 추출한 뒤, LS-SVR(Least Squares Support Vector Regression)기법으로 농도 변화를 예측하였다(Fig. 6). 가스 농도 예측 결과는 통기 시스템과의 연동, 작업자 대피안내, 광산 시설 관리와 연계될 수 있다.

http://static.apub.kr/journalsite/sites/ksmer/2019-056-05/N0330560504/images/ksmer_56_05_04_F6.jpg
Fig. 6.

Methane gas density monitoring and predicting using CNN (revised from Zhang et al., 2018).

광산지역 재해 분석 및 모니터링 단계

광산 또는 폐광지역에서 광업활동의 영향으로 발생할 수 있는 지반침하, 사면변형 및 붕괴, 유해가스 누출, 광미 유출 등의 재해와 관련된 인자를 측정 및 분석하는 데에 딥러닝 기법을 적용하는 연구가 진행되고 있다(Du et al., 2019; Geng et al., 2019; Luo et al., 2019). Luo et al.(2019)은 광산지역 지반침하 발생가능성 분석을 위하여 IVM(Information Value Model), ANN, SVM을 적용하고 AUC를 기준으로 비교분석하였다. 중국 지질 조사국(China Geological Survey)의 지반침하 이력 자료를 레이블로 활용하여 알고리즘을 학습시키고, 사면각도, 사면방향, 고도, 곡률, 연간 강우량, 하천 밀도, 하천과의 거리, 지질, 단층과의 거리, 포화도, 도로 밀도, 도로와의 거리, NDVI(Normalized Difference Vegetation Index), NDWI(Nornalized Difference Water Index), ULI(Urban Land-use Index)를 영향요소로 선정하여 분석에 활용하였다. 각 요소는 IGR(Information Gain Ratio)에 의해서 가중치가 결정되었다. Geng et al.(2019)은 지하 탄광에 CNN과 LSTM을 융합한 기법을 적용하여 UCI seismic bumps dataset(Marek and Lukasz, 2010)과 AAIA‘16 Data Mining Challege dataset(Boulle, 2018)을 분석하여 기법의 성능을 검증하였다. 동일한 자료에 SVR, RF, LSTM, TCNN(Temporal Convolutional Neural Network)을 적용한 결과와 새로 제안된 기법의 결과를 비교하여 RMSE와 MAE(Mean Absolute Error), 분석소요시간 측면에서 새로운 기법이 모두 우위에 있음을 보여주었다. Du et al.(2019)은 노천광산의 사면 변형을 예측하기 위하여 RNN을 적용하였다. GB-SAR(Ground based interferometric radar)로 사면을 측정하여 획득한 자료를 SVM, RVM(relevance vector machine), ANFIS (Adaptive Network-based Fuzzy Inference System), RNN, 앙상블 기법 각각에 입력하여 분석결과를 토대로 가중치를 결정하는 기법을 제안하였다. 기법의 성능을 검증하기 위한 대상 광산은 중국의 Anjialing 탄광이다. GB-SAR로 획득된 자료를 토대로 분석결과를 비교하면 개별 기법으로는 RVM이 가장 오차가 작았으나 RNN을 포함한 앙상블기법이 가장 오차가 작게 도출되었다(Fig. 7). 제안된 분석 결과는 재해 예방 및 복구를 위한 자료로 활용되고 재해로 인한 피해를 최소화하기 위한 사전대책을 수립하는 데에 사용된다.

http://static.apub.kr/journalsite/sites/ksmer/2019-056-05/N0330560504/images/ksmer_56_05_04_F7.jpg
Fig. 7.

Prediction model for slope deformation of an open-pit mine (revised from Du et al., 2019).

논 의

조사된 연구들은 광물자원의 부존여부 조사 및 탐사, 광산 개발과 재해 분석과정에서 획득되는 다양한 유형의 데이터를 입력자료로 활용하고 있었다. 조사 및 탐사단계에서는 주로 point형식의 퇴적물 지구화학탐사 자료에 내삽법(e.g. IDW)을 적용하여 layer로 형식을 변형하여 입력자료로 사용하고 있었다. 이에 추가로 광상 종류에 따라 물리탐사, 지질도, 단층선, 지형정보를 융합하여 광물 부존가능성 지도화(mineral potential mapping)를 목적으로 하는 사례가 다수 제안되었다. 이 단계에 적용된 딥러닝 기법은 주로 비지도학습 기법인 SAE와 지도학습인 CNN이었다. 일반적으로 조사 및 탐사 단계에서 데이터의 레이블로 사용할 수 있는 정보는 시추공을 통한 분석결과나 지질조사를 통하여 지표에서 발견된 광상노두 위치정보 뿐인데, 그 수가 전체 입력데이터에 비해서 현저히 작기 때문에 상대적으로 비지도학습 기법인 SAE를 적용하기 용이한 측면이 있다. 또한, 대부분의 입력자료를 2차원 layer형식으로 통일할 수 있기 때문에 CNN 기법도 활용도가 높았다. 광산 개발, 운영 및 관리 단계에서는 광산현장에서 고정식 또는 이동식 센서에 의해 측정되는 빅데이터나 카메라 영상이 입력자료로 활용되었다. 카메라 영상은 차량, 무인항공기, 고정식 스테이션 등을 통하여 획득할 수 있으며, 영상을 통하여 작업자와 장비 위치 및 상황을 자동으로 인식하는 연구가 수행되었다. 아직 개별 연구들이 파편화되어 있지만, 점차 연구가 축적되면서 광산 내 상황 자동감지, 상황 해결을 위한 솔루션 자동 연산, 솔루션 적용을 위한 장비제어까지 이르는 광산자동화의 단계로 진입하는 상황에 돌입하고 있다. 이미지 자료의 물체 인식에는 주로 CNN이 활용되고 있으며, 발파 등 개별공정의 예측모델 설계에는 DNN 등을 기본으로 하여 입력자료 특성에 적합한 새로운 알고리즘을 개발하는 연구가 축적되고 있다. 장비제어 및 자동운영에는 강화학습을 도입하는 시도도 제안되었다. 재해 분석 및 모니터링 단계는 주로 지도학습을 이용한 상황 인식 및 예측이 주된 목적이었다. 시계열 예측을 위해서 RNN이나 LSTM을 사용하는 연구가 많이 제안되었으며, layer 정보의 분석에 용이한 CNN도 훌륭한 분석도구임을 확인할 수 있었다.

전반적으로 광업분야에 딥러닝 기법이 적용된 연구사례들의 주요 논의점을 정리하면 다음과 같다.:

(1) 기존의 분석방법론보다 더 오차를 줄이고 정확도를 제고하기 위하여 적용되었다. 딥러닝 기술의 주 목적이 높은 수준(고차원 비선형 솔루션)의 특성을 추상화하는 것이므로, 지질학적현상을 사람이 이해하는 수준으로 단순화하여 모델링한 기존의 방법론이 간과하던 특성도 분석에 반영될 수 있다는 강점이 있다.

(2) 다양한 데이터(e.g. 물리탐사, 시추공, 지질조사, 위성영상, 시계열 측정자료 등)간 융합이 용이하다. 딥러닝 기법은 입력자료의 특성에 더욱 적합한 다양한 기법들(e.g. SAE, CNN, RNN 등)이 개발되었으며, 기법들을 융합하여 각각의 목적에 부합하도록 설계할 수 있다. 또한 영상의 해상도 조절기법(합성곱, 풀링 등), 노이즈 제거 및 자료 복원(e.g. SDAE)을 위한 가용도구들이 풍부하여 이종데이터의 융합분석에 적합하다.

(3) 레이블이 부족한 문제를 해결할 수 있는 도구들이 제시되고 있다. 광업분야에서 조사 및 탐사 단계에서는 지하 물성에 대한 측정값이 부족하고 전체 데이터에 비해 그 비율이 매우 낮다. 광산 운영 단계에서도 갱도가 굴착되지 않았거나 미시추지역은 여전히 미지의 영역이라 기존의 분석방법론에서는 지질학적 지식과 현장전문가의 판단에 기초하여 의사결정이 진행되던 분야에서도 딥러닝 기법과 관련 융합 기법들이 새로운 솔루션을 제안하고 있다.

Table 1은 본 논문에서 조사된 연구논문들을 광업 단계별, 적용 방법별로 분류한 것이다. 실측자료가 부족한 조사&탐사 단계에서는 비지도학습이 많이 사용된 것을 볼 수 있고, 그 이후 단계로는 주로 지도학습을 통한 상황인지 및 예측, 특성 추출이 주된 주제임을 볼 수 있다. 레이블이 부족한 실제 현장자료를 대상으로 적용기법을 고려한다면 비지도학습 기법도 광산 내 센서에서 획득되는 빅데이터의 정리 및 자동 분석 등 분야에 유용하게 활용될 수 있을 것으로 판단된다. 그러나 본 논문에서는 지도학습의 사례가 다소 많은 것으로 조사되었는데, 일반적으로 연구논문들의 특성상 새로 제시되는 기법의 경우 측정데이터를 통한 성능 검증을 강하게 요구받는 점이 그 원인 중 하나일 것으로 추정된다. 주로 활용된 입력자료는 layer형식의 공간적 분포를 띠는 측정자료인데, 향후에는 무인항공기를 이용한 가시광영상, 초분광영상, 물리탐사 등의 고해상도 자료가 광업분야에서 딥러닝 기법과 좋은 조합을 보일 것으로 판단된다.

Table 1. Characteristics of the articles reviewed in this paper

Mining phase
Applied method
Survey &
Exploration
Mine development Hazards assessment & Monitoring
Unsupervised (e.g. SAE) Xiong and Zuo, 2016
Xiong et al., 2018b
Zhang et al., 2019
Supervised (e.g. CNN, RNN) Tessema, 2017
Xiong et al., 2018a
Li et al., 2019
Bewley and Upcroft, 2016
Nguyen et al., 2018
Zhang et al., 2018
Guo et al., 2019
Du et al., 2019
Geng et al., 2019
Luo et al., 2019
Reinforcement Yinka-Banjo et al., 2012

결 론

본 논문에서는 딥러닝 기술의 조사, 탐사, 개발, 광산운영, 재해분석에 이르는 광업주기에 따른 적용연구 사례를 조사하고 연구동향을 분석하였다. 광산 및 광물부존지역을 대상으로 한 최근 적용사례들이 조사되었으며, 각 사례의 입력자료 특성, 적용 기법, 목적 등이 분류되고 정리되었다. 적용연구 사례들은 주로 DNN과 타 알고리즘을 융합하여 광업분야 자료에 특화된 알고리즘을 제시하는 연구, 기하학적인 특성을 가지는 다양한 입력자료들을 CNN으로 분석하는 연구, SAE를 적용하여 조사·탐사 자료의 품질을 향상시키고 특성 추출, 노이즈 제거, 자료 융합을 도모한 연구 등이 있었다.

조사된 연구들을 토대로 딥러닝 기술이 광업분야에도 적용성이 높고 범용적으로 활용될 수 있을 것으로 판단되었다.다만, 의료, 제조업 등 타분야에 비하면 지구과학 분야 논문 건수가 상대적으로 적은 편이고 그 중에서도 광업분야는 기상, 해양, 석유 등 타 영역보다 규모가 작은 실정인데, 광업 분야는 축적된 경험에 의존하는 경향이 크고 신기술 적용에 보수적이라는 측면이 기여한 현상으로 보인다. 그만큼 향후에 해당 분야의 연구가 발전할 가능성이 매우 높은 것으로 판단되었다.

연구 사례 조사 중 국내 사례는 찾아보기 어려웠다. 광업분야는 특히 현장에 따라 분석결과가 상이하므로 딥러닝 기술이 향후 국내광업분야에 효과적으로 도입되기 위해서는 광업주기에 따른 다양한 국내 연구사례가 지속적으로 제안되어야 할 것으로 보인다.

Acknowledgements

본 논문은 2019년 산업통상자원부 에너지자원기술개발사업(과제명 : 스마트 무인항공 물리탐사시스템 개발 및 현장실증)과 한국지질자원연구원의 지원을 받아 수행된 연구임.

References

1
Ballard, D.H., 1987. Modular learning in neural networks, In Proc. AAAI, p.279-284.
2
Bengio, Y., Courville, A., and Vincent, P., 2013. Representation learning: A review and new perspectives. IEEE Trans. PAMI, special issue Learning Deep Architectures.
10.1109/TPAMI.2013.5023787338
3
Bewley, A. and Upcroft, B., 2016. Background appearance modeling with applications to visual object detectin in an open-pit mine. J. of Field Robot, 34(1), 53-73.
10.1002/rob.21667
4
Bishop, C.M., 2007. Pattern Recognition and Machine Learning, Springer.
5
Boulle, M., 2018. Predicting dangerous seismic events in coal mines under distribution drift. in Proceedings of the Federated Conference on Computer Science and Information Systems (FedCSIS), p.221-224.
6
Choi, Y., 2017. The roles and technology trends of ICT in mines. J. of the Korea Soc. of Min. and Ener. Resour, 54(1), 66-78.
10.12972/ksmer.2017.54.1.066
7
Du, S., Feng, G., Wang, J., Feng, S., Malekian, R., and Li, Z., 2019. A new machine-learing prediction model for slope deformation of an open-pit mine: an evaluation of field data. Energies, 12, 1288-1302.
10.3390/en12071288
8
ECMiner, 2019. ECMinerIMS, ecminer.com/?page_id=177, accessed at 19 August, 2019.
9
Ford, A. and Blenkinsop, T.G., 2008. Evaluating geological complexity and complexity gradients as controls on copper mineralization, Mt Isa Inlier. Austral. J. of Earth Sci, 55, 13-23.
10.1080/08120090701581364
10
Geng, Y., Su, L., Jia, Y., and Han, C., 2019. Seismic events prediction using deep temporal convolution networks. J. of Elec. and Comp. Eng, 2019, p.14, Article ID 7343784.
10.1155/2019/7343784
11
Guo, H., Zhou, J., Koopialipoor, M., Armaghani, D.J., and Tahir, M.M., 2019. Deep neural network and whale optimization algorithm to assess flyrock induced by blasting. Eng. w Comp, Published online:
10.1007/s00366-019-00816-y.
12
Hinton. G.E., 2007. Learning multiple layers of representation. Trends in Cognitive Sciences, 11, 428-434.
10.1016/j.tics.2007.09.00417921042
13
Hochreiter, S. and Schmidhuber, J., 1997. Long short-term memory. Neur. Comp, 9(8), 1735-1780.
10.1162/neco.1997.9.8.17359377276
14
INFINITT, 2018, www.mountainsidehosp.com/assets/39/7/ Infinitt_-_Clinician_PACS_Guide.pdf, Accessed at 19, August, 2019.
15
Karpatne, A., Ebert-Uphoff, I., Ravela, S., Babaie, H.A., and Kumar, V., 2018. Machine learning for the geosciences: challenges and opportunities. IEEE Trans. Knowl. Data Eng. Published online:
10.1109/TKDE.2018. 2861006.
16
LeCun, Y., 1989. Backpropagation applied to handwritten zip code recognition. Neur. Comp, 1, 541-551.
10.1162/neco.1989.1.4.541
17
LeCun, Y., Bengio, Y., and Hinton, G., 2015. Deep learning. Nature, 521, 436.
10.1038/nature1453926017442
18
Lee, C., Kim, S.-M., and Choi, Y., 2019. Case analysis for introduction of machine learning technology to the mining industry. Tunn. and Undg. Space, 29(1), 1-11.
19
Li, S., Chen, J., and Xiang, J., 2019. Application of deep convolutional neural networks in prospecting prediction based on two-dimensional geological big data. Nuer. Comp. and App, Published online:
10.1007/s00521- 019-04341-3.
20
Lim, H.J., 2017. Development direction of fraud detection ststem technology. J. of the Korea Ins. of Comm. Sci, 34(3), 37-46.
21
Luo, X., Lin, F., Zhu, S., Yu, M., Zhang, Z., Meng, L., and Peng, L., 2019. Mine landslide susceptibility assessment using IVM, ANN and SVM models considering the contribution of affecting factors. PLoS ONE, 14(4), Published online:
10.1371/journal.pone.0215134.
22
Marek, S. and Lukasz, W., 2010. Application of rule induction al-gorithms for analysis of data collected by seismic hazard monitoring systems in coal mines. Archives of Ming Sciences, 55, 91-114.
23
Mnih, V., Kavukcuoglu, K., Silver, D., Graves, A., Antonoglou, I., Wierstra, D., and Reidmiller, M, 2013. Playing Atari with Deep Reinforcement Learning, arXiv:1312.5602.
24
Nguyen, H., Bui, X.-N., Bui, H.-B., and Mai, N.-L., 2018. A comparative study of artificial neural networks in predicting blast-induced air-blast overpressure at Deo Nai open-pit coal mine. Neur. Comp. and App, Publiched online: https:// doi.org/10.1007/s00521-018-3717-5.
10.1007/s00521-018-3717-5
25
Oracle, 2018. What's the Difference Between AI, Machine Learning, and Deep Learning?, https://blogs.oracle.com/ bigdata/difference-ai-machine-learning-deep-learning, accessed at 19, August, 2019.
26
TechTarget, 2018. big data analytics, searchbusinessanalytics. techtarget.com/definition/big-data-analytics, Accessed at 19, August 2019.
27
Tessema, A., 2017. Mineral systems analysis and artificial neural network modeling of chromite prospectivity in the western limb of the bushveld complex. South Africa, Nat. Resour. Resch. 26(4), 465-488.
10.1007/s11053-017-9344-5
28
Vincent, P., Larochelle, H., Lajoie, I., Bengio, Y., and Manzagol, P.A., 2010. Stacked denoising autoencoders: learning useful representations in a deep network with a local denoising criterion. J. of Mach. Learn. Resch, 11, 3371-3408.
29
Williams, R.J., Hinton, G.E., and Rumelhart, D.E., 1986. Learning representations by back-propagating errors. Nature, 323(6088), 533-536.
10.1038/323533a0
30
Xiong, W., Ji, X., Ma, Y., Wang, Y., AlBinHassan, N.M., Ali, M.N., and Luo, Y., 2018a. Seismic fault detection with convolution neural network. Geophysics, 83(5), O97-O103.
10.1190/geo2017-0666.1
31
Xiong, Y. and Zuo, R., 2016. Recognition of geochemical anomalies using a deep autoencoder network. Comp & Geosci, 86, 75-82.
10.1016/j.cageo.2015.10.006
32
Xiong, Y., Zuo, R., and Carranza, E.J.M., 2018b. Mapping mineral prospectivity through big data analytics and a deep learning algorithm. Ore Geology Reviews, 102, 811-817.
10.1016/j.oregeorev.2018.10.006
33
Yinka-Banjo, C., Bagula, A., and Osunmakinde, I.O., 2012. Autonomous multi-robot behaviours for safety inspection under the constraints of underground mine Terrains. Ubiq. Comp. and Comm. J., 7(5), 1316-1328.
34
Zhang, C., Fu, Y., Deng, F., Wei, B., and Wu, X., 2018. Methane gas density monitoring and predicting based on RFID sensor tag and CNN algorithm. Electronics, 7(5), 69-81.
10.3390/electronics7050069
35
Zhang, S., Xiao., K., Carranza, E.J.M., Yang, F., and Zhao, Z., 2019. Integration of auto-encoder network with density- based spatial clustering for geochemical anomaly detection for mineral exploration. Comp & Geosci, 130, 43-56.
10.1016/j.cageo.2019.05.011
36
Zuo, R., Xiong, Y., Wang, J., and Carranza, E.J.M., 2019. Deep learning and its application in geochemical mapping. Earth-Science Reviews, 192, 1-14.
10.1016/j.earscirev.2019.02.023
페이지 상단으로 이동하기