Fault Detection via DL-Assisted Deterministic Inversion in Electrical Resistivity Tomography
연구 내용
ERT에서 ill-posed 역문제를 완화하기 위해 DL-ERT inversion으로 초기 지하모델을 예측하고 결정론적 inversion으로 최종 해를 보정하는 통합 워크플로우 연구
전기비저항 탐사는 단층대 점토 구간의 전기적 대비를 활용할 수 있지만 역해석 과정이 ill-posed라 단일·안정 해를 얻기 어렵습니다. 본 연구는 U-Net 기반 DL-ERT inversion이 apparent resistivity 데이터를 subsurface resistivity 모델로 직접 사상하도록 학습하고, borehole 정보를 사용할 수 있는 경우 borehole mixer로 이를 결합합니다. 학습은 base 모델 학습, borehole mixer 학습, fine-tuning의 단계로 구성합니다. 예측 결과를 결정론적 inversion의 초기모델로 사용해 불안정성을 줄이고 fault detection 정확도를 높이는 방향으로 검증합니다. 또한 joint inversion 관점에서 다중 관측치를 함께 다루는 역해석 구조를 병행합니다.
관련 연구 성과
관련 논문
2편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 ERT 역해석의 비정칙성을 고려하여 deep learning이 수렴 경로를 보조하도록 설계했습니다. U-Net 구조로 apparent resistivity-모델 매핑을 수행하고, borehole 데이터가 존재할 때 정보 주입을 위해 borehole mixer를 추가하여 현장 조건 반영성을 높였습니다. 이후 학습을 단계화하고 fine-tuning을 통해 예측 정확도를 개선하는 절차를 구축했습니다. 마지막으로 DL 결과를 deterministic inversion의 초기모델로 전달하는 결합 워크플로우를 적용해 단층 탐지 사례에서 기존 역해석 대비 효율과 재현성을 비교했습니다. 별도의 연구에서는 joint inversion 프레임으로 지구물리 역문제 전반의 딥러닝 적용 가능성을 확장했습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Integrating Deep Learning and Deterministic Inversion for Enhancing Fault Detection in Electrical Resistivity Surveys
Deep learning-based geophysical joint inversion using partial channel drop method