지진 사건 및 위상(phase) 탐지는 지진 사건과 미소지진(microseismic) 데이터를 분석하는 데 근본적인 기법이다. 최근에는 이러한 과정의 속도와 정확도를 향상시키기 위해 기계학습(ML) 방법들이 사용되고 있다. 그러나 분산음향탐지(distributed acoustic sensing, DAS) 시스템으로 획득한 미소지진 데이터에 ML을 적용하는 일은 훈련에 사용할 충분한 라벨 데이터가 부족하다는 점 때문에 어렵다. 이러한 문제를 해결하기 위해, 우리는 DAS 미소지진 데이터에 적용 가능한 전이학습(transfer learning, TL) 기반의 새로운 지진 위상 탐지 알고리즘을 제안한다. 본 연구에서는 TL 적용을 위해 지진 데이터의 P파 및 S파 위상을 탐지하는 ML 모델을 수정하였다. 일반화 위상 탐지(generalized phase detection, GPD) 모델은 전 세계적으로 획득된 지진 데이터인 Stanford 지진 데이터셋(STEAD)으로 학습하였다. TL은 이와 같이 학습된 모델의 가중치에서 시작하며, Utah FORGE 데이터셋에서 제공되는 소량의 라벨링된 시추공(borehole) DAS 미소지진 데이터를 사용하여 TL 모델을 미세조정(fine-tuning)한다. 최초 DAS 기록에서 발생한 두 사건을 라벨링하고 이를 TL의 학습 데이터로 사용하였다. 제안된 방법은 다른 미소지진 사건에 대한 시험에서도 S파를 포함하여 위상 탐지에서 우수한 성능을 보였다. 또한 제안된 방법은 DAS 미소지진 데이터만을 사용한 기존의 지도학습(supervised learning) 방법보다 더 나은 일반화 위상 탐지 성능을 나타냈다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.