RnDCircle Logo
arrow left icon

RISE.ML

한양대학교 자연환경공학과

변중무 교수

Carbon Capture and Storage (CCS)

Machine Learning in Geophysics

Elastic Wave Data Processing

RISE.ML

자연환경공학과 변중무

RISE.ML 연구실(Reservoir Imaging with Seismic & EM Technology Lab)은 한양대학교 자원환경공학과에 소속되어 있으며, 탄성파 및 전자탐사 기술과 머신러닝(ML)·딥러닝(DL)을 융합한 첨단 지하 구조 영상화 및 저류층 특성화 연구를 선도하고 있습니다. 본 연구실은 정량적 탄성파 해석, 전자탐사, 복합역산, 그리고 인공지능 기반 지구물리 자료 처리 및 해석 등 다양한 분야에서 국내외 최고 수준의 연구 역량을 보유하고 있습니다. 연구실의 주요 연구 분야는 탄성파 자료의 고해상도 영상화, 결측 데이터 복원, 회절파 분리, 트레이스 내삽 및 외삽, 수직 해상도 향상 등 탄성파 자료 처리의 혁신적 방법론 개발입니다. 특히, U-Net, LSTM, Attention 등 최신 딥러닝 모델을 활용하여 기존의 이론 기반 방법이 가지는 한계를 극복하고, 현장 자료의 불규칙성, 잡음, 알리아싱 등 실질적 문제를 해결하는 데 중점을 두고 있습니다. 또한, 들로네 삼각분할, 모델 제약 조건이 적용된 MWNI 등 계산기하학적 방법과 인공지능을 결합하여 실질적 현장 적용성을 높이고 있습니다. 전자탐사 분야에서는 주파수 영역 2D/3D 전자탐사, 항공 및 해저 전자탐사, 자화율 및 전기전도도 동시 추정, 그리고 탄성파-전자탐사 복합역산 등 다양한 연구를 수행하고 있습니다. 구조텐서, cross-gradient, 도메인 적응 등 구조적 제약조건을 도입한 복합역산 기법과, 딥러닝 기반 전자탐사 역산 및 불확실성 추정 연구를 통해, CCS(이산화탄소 지중저장) 모니터링, 가스하이드레이트 부존 평가, 광물자원 탐사, 지반침하 및 지질재해 분석 등 국가적·산업적 중요성이 높은 분야에 실질적으로 기여하고 있습니다. 최근에는 한반도 해역 대규모 CO₂ 저장소 확보, CCS 모니터링, 도로 하부 공동 탐지, 도시 인프라 모니터링 등 다양한 국책과제와 산학협력 프로젝트를 수행하며, 실시간 현장 적용이 가능한 자동화·고속 영상화 기술 개발에도 앞장서고 있습니다. 또한, 머신러닝 기반의 암상 분류, 공극압 예측, 광물조성 예측 등 지구물리 자료의 정량적 해석과 신뢰성 향상을 위한 연구도 활발히 진행 중입니다. RISE.ML 연구실은 앞으로도 첨단 인공지능 기술과 지구물리 탐사 기술의 융합을 통해, 에너지·환경·인프라 분야의 미래 문제 해결과 국가·산업 발전에 기여하는 세계적 연구 거점으로 성장해 나갈 것입니다.

Carbon Capture and Storage (CCS)
Machine Learning in Geophysics
Elastic Wave Data Processing
정량적 탄성파 해석 및 머신러닝 기반 탄성파 자료 처리
RISE.ML 연구실은 정량적 탄성파 해석(Quantitative Seismic Interpretation)과 관련된 다양한 연구를 수행하고 있습니다. 탄성파 탐사 자료는 지하 구조의 물성 정보를 고해상도로 획득할 수 있는 핵심 기술로, 석유·가스 저류층, 광물 자원, 지하수, 그리고 최근에는 이산화탄소 저장소 등 다양한 지하 매체의 특성 평가에 활용됩니다. 본 연구실은 전통적인 이론 기반의 역산(inversion) 기법뿐만 아니라, 최신 머신러닝 및 딥러닝 기법을 접목하여 탄성파 자료의 해상도 향상, 결측 데이터 복원, 잡음 제거, 그리고 복잡한 지하 구조의 정밀 영상화에 중점을 두고 있습니다. 특히, 최근에는 U-Net, LSTM, Attention 기반 신경망 등 다양한 딥러닝 모델을 활용하여 탄성파 자료의 내삽 및 외삽, 수직 해상도 향상, 회절파 분리, 트레이스 정규화 등 기존 방법의 한계를 극복하는 연구를 선도하고 있습니다. 또한, 불규칙한 빠짐이나 공간적 알리아싱이 존재하는 현장 자료에 대해 들로네 삼각분할, 모델 제약 조건이 적용된 MWNI 등 계산기하학적 방법과 인공지능을 융합하여 실질적 현장 적용성을 높이고 있습니다. 이러한 연구는 국내외 해양 및 육상 탐사, 도시 인프라 모니터링, 도로 하부 공동 탐지, CCS(탄소 포집·저장) 모니터링 등 다양한 분야에 적용되고 있습니다. RISE.ML 연구실은 앞으로도 머신러닝 기반의 혁신적 탄성파 자료 처리 및 해석 기술을 통해 지하 구조의 고해상도 정량적 평가와 실시간 모니터링 기술 발전에 기여할 것입니다.
전자탐사 및 탄성파-전자탐사 복합역산을 통한 지하 구조 정밀 영상화
RISE.ML 연구실은 전자탐사(Electromagnetic survey, EM) 및 탄성파-전자탐사 복합역산(Joint Inversion)을 통한 지하 구조의 정밀 영상화 연구를 활발히 수행하고 있습니다. 전자탐사는 전기전도도, 자화율 등 지하 매질의 전기적·자기적 특성을 평가하는 데 강점을 가지며, 탄성파 탐사와 결합할 경우 저류층의 공극률, 유체포화율, 광물 분포 등 다양한 물성 정보를 동시에 추정할 수 있습니다. 본 연구실은 2D/3D 주파수 영역 전자탐사, 항공 전자탐사, 해저 전자탐사 등 다양한 환경에서의 전자탐사 자료 해석 및 역산 알고리즘을 개발하고 있습니다. 특히, 구조텐서, cross-gradient, 도메인 적응(domain adaptation) 등 다양한 구조적 제약조건을 도입하여, 탄성파와 전자탐사 자료의 해상도 차이와 불확실성을 보완하는 복합역산 기법을 선도적으로 연구하고 있습니다. 또한, 딥러닝 기반 전자탐사 역산, 불확실성 추정, 실시간 영상화 등 최신 인공지능 기술을 접목하여, 기존의 수치해석 기반 역산의 한계(계산 비용, 비선형성, 데이터 부족 등)를 극복하고 있습니다. 이러한 기술은 CCS(이산화탄소 지중저장) 모니터링, 가스하이드레이트 부존 평가, 광물자원 탐사, 지반침하 및 지질재해 분석 등 국가적·산업적 중요성이 높은 분야에 적용되고 있습니다. RISE.ML 연구실은 앞으로도 탄성파-전자탐사 융합 해석 및 인공지능 기반 복합역산 기술을 통해 지하 구조의 신뢰성 높은 정량적 평가와 미래 에너지·환경 문제 해결에 기여할 것입니다.
1
Deep Neural Network-Based Interpretation of Frequency-Domain Electromagnetic Data: Dual Output of 2D Resistivity Models and Electromagnetic Data
변중무
GEOPHYSICS, 202504
2
Improving generalization performance of deep learning?based seismic data interpolation
변중무
GEOPHYSICAL PROSPECTING, 202504
3
Transfer Learning-Based Seismic Phase Detection Algorithm for Distributed Acoustic Sensing Microseismic Data
변중무
IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, 202409
1
한반도 권역별 종합 2D/3D 물리탐사 및 전산 재처리를 통한 상용화급 대규모 CO2 저장소 확보
산업통상자원부
2024년 05월 ~ 2025년 06월
2
2024년 대학기술경영촉진사업(한양대학교 산학협력단)
과학기술정보통신부(2017Y)
2024년 ~ 2024년 12월
3
고성능 해양 CO2 저장 모니터링 기술개발
산업통상자원부
2024년 ~ 2024년 12월