U-Net을 이용한 시간 영역 탄성파 자료의 저주파수 복원에 관한 연구

Abstract

탄성파 자료는 현장에서 자료 취득 시 장비가 갖는 기술적인 한계와 자료처리 과정에서 필수적으로 수행하는 주파수 필터링으로 인해 저주파수 부족 문제를 수반한다. 저주파수가 불충분한 경우 지질학적으로 중요한 정보를 내포하고 있는 신호 주변에 불필요한 신호가 추가되는 링잉(ringing) 현상이 나타나게 되는데 이는 왜곡된 자료처리 결과를 유발하고 전반적인 분해능이 하락하는 문제로 귀결된다. 또한 해저 지층의 정량적인 물성 정보를 제공하는 전파형 역산을 수행하는 경우 저주파수 부족 문제로 인한 지역 최솟값 문제에 쉽게 빠지게 된다. 이러한 문제를 해결하기 위해 부족한 저주파수 자료를 예측﹡재건하기 위한 연구가 요구된다. 4차 산업혁명 시대의 도래와 함께 지구물리﹡물리탐사 분야에도 많은 연구자들에 의해 딥러닝 기술을 접목한 탄성파 자료의 저주파수 복원 기술과 관련한 연구들이 다양하게 시도되고 있다. 초기에 Ovcharenko et al. (2019)는 딥러닝을 이용하여 주파수영역에서 송신원 모음 자료의 상대적인 고주파수 정보로부터 단일 저주파수 성분의 자료를 보간하는 방식에 대해서 소개하였다. 이와 달리 Fang et al. (2020)은 시간 영역의 탄성파 자료에 두 가지 다른 필터링을 적용함으로써 학습 자료와 레이블 자료를 구축한 뒤 저주파수 성분의 신호를 예측하고 이를 활용하여 개선된 지하 구조 영상화 결과를 도출하였다. 본 연구에서는 U-Net (Ronneberger et al., 2015)기반의 딥러닝 모델을 이용하여 탄성파 자료의 부족한 저주파수 성분을 복원하고자 하였다. 두 개의 다른띠통과 필터를 이용하여 고주파수 성분만을 가지고 있는 시간-공간 영역의 탄성파 자료로부터 저주파수 성분을 포함한 시간-공간 영역의 탄성파 자료를 예측하고자 하였다. 먼저 다양한 합성 자료와 실험을 통해 변형된 U-Net을 이용하여 저주파수 복원 기술을 구현하였다. 그다음 현장 자료를 이용하여 훈련된 네트워크의 활용 가능성에 대하여 조사하였다. 일반화 성능 결과를 통해 저주파수 예측 기술 또한 추론하고자 하는 현장 자료의 특성을 최대로 반영한 학습 자료를 구축하는 기술이 필요함을 관찰하였으며 향후 테스트 자료의 특성을 최대한 모사할 수 있는 학습 자료 생성 방법에 관한 연구가 필수적으로 이행되어야 할 것이다.