물리탐사 역산·위상탐지 딥러닝 워크플로우 연구

Deep-Learning Workflows for Geophysical Inversion and Phase Detection

연구 내용

공중 전자기 탐사 역산에서 전지형 왜곡을 보정하고 DOI 범위를 활용해 신뢰 영역을 제한하며, DAS 마이크로시즘 위상을 전이학습으로 탐지하고, 도시 교통 소음으로 지하 구조를 영상화하는 연구

본 연구는 탐사 현장에서 데이터 취득이 불완전하거나 지형·잡음 변동이 큰 조건에서도 지하 정보를 획득하기 위한 end-to-end 워크플로를 구성합니다. 공중 전자기 탐사에서는 전처리 네트워크로 심각한 노이즈 오염 구간을 제거하고, inversion DL과 depth of investigation(DOI) 네트워크를 연계해 신뢰 예측 구간 내 resistivity 이미지를 생성합니다. 또한 산악 지형이 포함된 frequency-domain AEM 해석에서는 인접 데이터점의 slope angle을 DNN 입력에 포함하는 pseudo 1D 해석 전략을 사용해 지형 왜곡에 의한 비합리적 결과를 완화합니다. 마이크로시즘에서는 DAS 데이터의 라벨 부족 문제를 transfer learning으로 해결해 P- 및 S-파 위상 탐지를 수행하며, 도시 교통 소음 기반 간섭에서는 추적별 가변 threshold와 f-k 필터 기반 방향 분리를 통해 spurious event를 억제하여 구조 경계를 명확히 합니다.

관련 프로젝트

3건

연구 흐름

2022년에는 도시 교통 소음을 이용한 seismic interferometry에서 신호 성격 차이로 인해 발생하는 spurious 이벤트를 처리 파라미터 고정 방식으로는 대응하기 어렵다는 점을 데이터 분석으로 확인하고, 가변 threshold와 방향 분리로 영상 품질을 개선하는 연구를 수행하였습니다. 2023년에는 공중 전자기 탐사의 DNN 역산에서 전처리-역산-DOI를 연계하는 구조와, 지형 정보를 학습에 포함하는 해석 전략으로 현장 적용성을 높였습니다. 2024년에는 DAS 마이크로시즘에서 라벨이 부족한 조건을 고려해 STEAD 사전학습과 Utah FORGE 소량 라벨로 미세조정하는 transfer learning 기반 위상 탐지로 확장하였습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

ATEM 실시간 역산 파이프라인
DOI 제한 기반 신뢰 영역 영상화
산악 지형 AEM 해석 자동화
지형 보정 입력 생성 절차
DAS 마이크로시즘 위상 자동 탐지
라벨 부족 환경 전이학습 모델
도시 상시 모니터링 기반 지하 구조 추적
잡음 변동 대응형 전처리 워크플로
간섭 억제 기반 구조 경계 강화
현장 처리 시간 단축형 딥러닝 추론