엘만 신경망을 활용한 지진 데이터 잡음 제거 기술

본 논문은 지진 데이터 처리 과정에서 필수적인 잡음 제거 단계에 인공신경망(ANN)을 적용하는 새로운 방법론을 제시한다. 기존의 물리 기반 필터링 기법은 신호와 잡음에 대한 사전 정보가 필요하고, 복잡한 지질 구조에서는 성능이 제한적이었다. 이를 보완하기 위해 저자들은 피드백 연결을 갖는 엘만 네트워크를 선택하였다. 엘만 네트워크는 은닉층 출력이 컨텍스트 층을 통해 다시 은닉층 입력으로 피드백되는 구조로, 이전 시간 단계의 정보를 현재 단계에 전달함으로써 시계열 데이터의 연속성을 보존한다. 연구는 크게 두 부분으로 나뉜다. 첫 번째는 합성 데이터 실험이며, 두 번째는 실제 현장 데이터 적용이다. 합성 실험에서는 6층 수평 구조 모델을 기반으로 Ricker 파형(중심주파수 20 Hz)을 사용해 지진 신호를 생성하고, 여기에 10%와 50% 비율의 랜덤 잡음 및 가우시안 잡음을 각각 추가하였다. 목표 출력은 잡음이 전혀 없는 원본 신호이며, 입력은 잡음이 섞인 신호이다. 네트워크는 입력‑출력 쌍을 학습하고, 역전파 기반의 경사 하강법을 통해 가중치를 업데이트한다. 은닉 뉴런 수는 10~30개, 학습 반복 횟수는 최대 4000회, 손실이 일정 기준 이하가 되면 조기 종료한다. 실험 결과, 50% 잡음 상황에서도 네트워크는 원본 신호와 거의 동일한 형태의 필터링 결과를 도출했으며, 특히 랜덤 잡음에 대해서는 수렴 속도가 빠르고 필터링 품질이 높았다. 은닉 뉴런 수가 증가할수록 학습 속도는 약간 감소했지만, 최종 오류는 크게 악화되지 않아 적절한 뉴런 수 선택이 중요함을 시사한다. 두 번째 단계에서는 실제 현장 데이터를 사용하였다. 48개의 트레이스를 각각 2000 샘플로 전처리하고, 다양한 잡음(랜덤, 직접파, 굴절파, ground roll 등)이 포함된 원본 데이터를 f‑x 도메인에서 전통적인 필터링 기법으로 정제한 결과를 목표 출력으로 설정하였다. 학습된 엘만 네트워크는 동일한 입력 트레이스를 처리했을 때, 전통 필터와 유사하거나 더 우수한 잡음 억제 효과를 보였다. 특히 1200 ms 이하 구간에서는 지층 경계가 명확히 드러났으며, ground roll와 같은 저주파 잡음이 크게 감소하였다. 학습 후에는 교차 검증을 수행하여 모델이 새로운 데이터에 대해 일반화 능력을 유지함을 확인하였다. 테스트 데이터는 학습에 사용되지 않은 별도 데이터 세트였으며, 네트워크 출력은 목표 출력과 높은 상관관계를 보였다. 이는 엘만 네트워크가 잡음 특성을 스스로 학습하고, 사전 모델링 없이도 효과적인 필터링을 수행할 수 있음을 입증한다. 결론적으로, 엘만형 피드백 ANN은 지진 데이터의 시계열 특성을 활용해 비선형 잡음 억제에 적합한 도구임을 실험적으로 증명하였다. 기존 물리 기반 방법이 요구하는 사전 정보 없이도 충분한 학습 데이터와 적절한 네트워크 설계만으로 높은 신호‑대‑잡음비(SNR) 향상을 달성할 수 있다. 향후 연구에서는 다중 은닉층, 다른 활성화 함수, 실시간 처리 구현 등을 통해 성능을 더욱 향상시키고, 다양한 지질 환경에 대한 적용 가능성을 탐색할 필요가 있다.