단층대(fault zone) 내 점토는 전기비저항이 낮아 전기비저항 단층촬영술(ERT)이 단층 조사를 위한 효과적인 방법이 된다. 그러나 기존의 ERT 역산(inversion) 방법은 문제의 ill-posed한 특성으로 인해 고유한 해를 찾는 데 어려움을 겪고 불안정한 결과를 산출한다. 이를 해결하기 위해 딥러닝(DL) 기술과 전통적인 ERT 역산을 통합하는 워크플로를 제안한다. 먼저, 겉보기 비저항(apparent resistivity) 데이터에서 심부 비저항(subsurface resistivity) 모델로의 매핑을 수행하는 DL-ERT inversion이라는 딥러닝 모델을 개발한다. 목표 지향적(target-oriented) 훈련 데이터를 생성하기 위해 대한민국의 다양한 조사 지역에서 획득한 약 150개의 현장 시추공(borehole) 데이터를 사용한다. DL-ERT 역산 알고리즘은 U-Net 구조를 기반으로 하며, 이용 가능한 경우 시추공 정보를 반영하기 위해 borehole mixer라는 추가 네트워크를 포함한다. DL-ERT 역산 모델은 세 단계로 학습된다: 기반 모델 학습(base model training), 시추공 믹서 학습(borehole mixer training), 그리고 파인튜닝(fine-tuning)이다. 결과는 파인튜닝 모델이 모든 테스트 데이터셋에서 가장 높은 예측 정확도를 제공함을 보여주었다. 다음으로, 학습된 모델의 예측 결과를 결정론적 역산(deterministic inversion) 방법의 초기 모델로 사용하여 최종 심부 모델을 예측한다. 제안된 워크플로의 효율성과 정확성은 현장 데이터 예시를 통해 전통적인 결정론적 역산과 비교하여 단층 탐지에서 입증된다.

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