Acedemic_Mental_representation

1. Make the script locally (out side of this environment) 2. When you mark start and ends, please refer the data from *.cor. In the case of the start located left-side, Latitude increase.  Latitude decrease the start is located in the right-side.

  Structure Tensor and Eigenvectors : We computed the structure tensor components using a Gaussian filter with specified sigma values for the vertical and inline directions.   Eigenvalue decomposition was performed on the structure tensor to obtain eigenvectors and eigenvalues.   The eigenvectors represent directions in the data, and the eigenvalues indicate the magnitude of changes in those directions.     The "first" eigenvector corresponds to the smaller eigenvalue (least change), and the "second" eigenvector corresponds to the larger eigenvalue (most significant change).   First Eigenvector ( k=0 ) : Corresponds to the eigenvector associated with the smaller eigenvalue.   Second Eigenvector ( k=1 ) : Corresponds to the eigenvector associated with the larger eigenvalue. The eigenvalues represent the magnitude of the stretching in the direction of the eigenvectors, and they can provide insights into the relative importance or dominance of different d...

 Thursday, July 20, 2023 Texas A&M University.  석유공학과, 김지훈 교수님 Full-physics simulation  Coupled Simullation (유체 유동 + 역학)  나의 관심... Cryro-deformation -> Ceres 암염돔 진화 응용? Fault reactivation -> 김창민 교수님과 Cowork? Geothermal engineering  Hydrogen storage 지질 매질 -> 불균진, 비선형 -> 수치해석 -> 수렴가능성 확인 한번에 다 풀기 어려우므로 -> 순차적 기법 자체개발과 사용 소프트웨어 혼용하여 사용 시뮬레이션 모사 완료 후  ->전산모사기 유효성 검증 -> 실제 필드 물성치 적용 *시뮬레이션이 어디까지 카바 가능한가? Small Deformation  Large deformation   *시뮬레이션이기 때문에 다양한 시나리오 가정하여 수행 가능 *거대 시뮬레이션의 경우 앞부분에서 반복적인 것은 미리 Deep learning 이용해서 모델을 만들어 둔다... (Sangcheol Yoon's Thesis 참조) -Gas Hydrate 지반침하 or 가스 생산량 *시추 주상도 해석 모델이 2014 년에서 2017 년으로 가면서 바뀌었다.  -> 내가 한 굴착 단면의 해석의 모델도 달라질 수 있다.. *장기 분지 자체 개발 코드 교차 검증 (with Berkley의 TOUGH2) (TOUGH: https://tough.lbl.gov/) flac3d 암반, 흙, 구조물의 역학적 해석을 위한 3차원 연속 해석 프로그램 이희권 박사님도 노력  단층 슬립을 위해 interface element 를 사용 단층을 모사하는 경우 활성되고 있는 단층의 permeability를  몇으로 주어야 하는지 모른다... --> 현장...

  *coherent 노이즈 (Clutter) 제거 기계학습이 통계적 분포를 이용하여 데이터를 학습한다면 Radar clutter도 통계적 분포가 있는데,  기계학습이 Radar clutter 억압에 기여할 수 있을까? *incoherent 노이즈 제거 GPR signal processing이 기계학습으로 대체 가능성이 있을 까? 현재, 노이즈 억압을 위해서 시간을 들여 stacking을 하고 있는데, 이러면서  측정 영역이 좁아 진다. 그렇다면, 기계 학습을 이용해서 노이즈 억압을 하여 측정 영역을 넓힐 수 있을까? *Noist2Nois 모델은 다른 나라에서 공개한 행성탐사 자료에 활용할 수 있지 않을까? 특히, 시계열 원시 자료를 확보하기 힘든 LRS 자료의 경우 말이다. 

  모든 분야의 데이터들이 저마다의 특성이 있으나 인공지능 적용 분야에 있어 ,  지질자원 분야의 데이터들은 일반적인 데이터 특성과는 달리 조금 더 구별되는 주요 특성들을 가지고 있다 .  제조 · 생산 분야에서 정기적 ,  주기적으로 획득되는 팩토리 데이터와 달리 땅은 획득할 수 있는 데이터 샘플이 양적인 측면에서 매우 제한적이다 .  땅이라는 대상의 특성상 다양한 잡음원과 불확실성 등 더티 데이터가 될 수 밖에 없다 .  위치 및 지역에 따라 그 통계적 특성이 매우 달라지는 데이터는 학습 모델의 일반화가 용이하지 않다는 점도 큰 어려움으로 작용한다 . 이러한 이질적인 데이터 환경으로 인해 래퍼런스 인공지능 모델들을 구조 변경 없이 적용했을 때 기대 이상의 낮은 퍼포먼스를 나타내는 경우들이 많다 .  어느 정도 성공적인 성능을 나타내는 모형들이 개발되었을 때도 이러한 모델들이 지질자원 분야 내에서 확대 재생산되지 않고 사장되기도 한다 .  이는 제조 ,  산업 분야 대비 인공지능 생태계가 잘 갖추어져 있지 못하다는 관점에서 바라볼 수도 있다 .  이는 비단 국내에만 국한되는 것이 아니다 . https://www.kigam.re.kr/gallery.es?mid=a10703020000&bid=0004&list_no=5192&act=view