유사해역 내 현장자료를 활용한 해양 탄성파 취득자료 품질 개선 연구

Abstract

인공지능 및 기계학습에 기반한 탄성파 자료처리 기술은 전통적인 탄성파 자료처리 방식과 달리 자료에 기반한 방식으로서 기존에 존재하던 문제점들을 완화시킬 수 있는 새로운 대안책으로 유관 분야 연구자들에게 각광받고 있다. 기계학습에 기반한 탄성파 자료처리 기술은 최근 많은 연구자들에 의해 빠른 속도로 개발되어 그 수준이 성숙한 단계에 이르렀으며, 수치 혹은 모의실험 수준이 아닌 현장 자료에도 직접 적용하여 품질을 향상시키는 우수한 결과물들을 보여주는 연구 사례들도 증가하고 있다. 국내에서도 최근 유사한 지질학적 특성을 가지고 있는 근접 해양 탐사지역의 학습자료와 기계학습 기술을 활용하여 지질학적인 층서구분을 수행하는 연구가 수행된 바 있다[1,2]. 본 연구팀은 2021년과 2022년에 유사한 해역에서 동일한 취득 변수를 이용하여 에어건 기반 다중채널 탄성파 탐사를 수행하였다. 해당 탄성파 탐사에서 취득된 자료는 유사한 탐사변수와 근접한 탐사 측선 설계로 인해 유사한 특성을 갖는다. 하지만 현장 탐사는 당시 취득 상황이나 장비 활용 시 발생되는 문제들과 같은 다양한 원인들로 인해 유사한 탐사 조건임에도 불구하고 취득된 자료의 품질이 서로 상이한 경우가 발생할 수 있다. 실제로 2021년도에 획득한 자료가 2022년도 획득 자료에 비해 상대적으로 더 넓은 범위의 주파수 대역을 가지고 있는 것으로 확인되었다. 본 연구팀은 이러한 자료 특성 분석 결과와 앞선 연구 사례들을 참고하여 유사한 해역에서 취득된 현장 자료를 활용한 기계학습 기반 자료 품질 개선 연구를 수행하였다. 탄성파 자료의 품질을 결정하는 조건은 신호대잡음비, 주파수 대역폭과 같이 다양하게 존재한다. 본 연구에서는 주파수 대역폭만을 고려하여 자료의 품질을 개선하고자 하였다. 2021년 취득 자료 중 6개의 탐사 측선에서 2,500개의 공통 송신원 모음 자료를 추출하였고 주파수 대역폭에 따라 입력 자료와 레이블 자료로 구분하여 학습자료로 취급하였다. 자료 전체의 상대적인 진폭 특성을 보존하고 학습의 효능을 개선하기 위해 훈련자료에 최대 진폭 정규화 전처리를 적용하였다. 학습모델은 수정된 U-Net을 사용하였고[3,4], 총 300번의 에포크를 통해 학습을 수행하였다. 학습된 네트워크의 일반화 성능을 검증하기 위해 2022년도 자료를 학습자료와 동일한 주파수 대역폭으로 맞추어 입력자료로 활용하였다. 예측된 결과를 시간-공간 및 주파수-공간 영역 내에서 기존 2022년 원자료와 비교함으로써 학습된 네트워크가 부족한 저주파수 대역을 성공적으로 복원함을 검증하였다. 추가적으로 복원자료의 품질을 확인하기 위해 동일한 자료처리를 거친 입력자료, 예측자료, 원자료의 중합단면도를 도출하였다. 중합단면도 비교를 통해 학습된 네트워크가 자료의 품질을 개선시키고 해석 정확도 향상에 기여함을 관찰하였다. 본 연구를 통해 유사 해역의 학습자료를 활용하여 획득된 자료 간 품질을 개선하는데 인공지능 기술의 적용 가능성을 확인하였으며, 향후에는 본 기초 연구가 보여준 가능성을 바탕으로 추가적인 네트워크의 적용 및 비교 연구가 필요할 것으로 판단된다.