밀도 연결 신경망 기반 지진 이벤트 자동 탐지 시스템

본 연구는 대규모 지질 탄소 저장소에서 발생할 수 있는 CO₂ 누출을 조기에 탐지하기 위한 새로운 머신러닝 프레임워크 “Seismic‑Net”을 제안한다. 기존의 지진 기반 누출 감시 방법은 전문가의 주관적 해석에 의존하고, 간접적인 물리량을 통해 누출 위치와 양을 추정하기 때문에 정확도가 제한적이었다. 이를 극복하고자 저자들은 자연 아날로그 현장인 뉴멕시코 주 Chimayó의 CO₂‑구동 geyser 데이터를 활용해, 시계열 신호를 직접 분석하는 딥러닝 기반 이벤트 탐지 모델을 설계하였다. ### 1. 배경 및 관련 연구 CO₂ 누출 탐지는 지진, 중력, 전자기 등 세 가지 주요 지구물리학적 방법으로 수행된다. 그 중 지진은 플룸 매핑과 부피 정량화에 가장 강력하지만, 기존 파형 상관 기반 탐지 알고리즘은 연산량이 방대하고 정확도가 낮다. 최근 이미지 분야에서 성공을 거둔 합성곱 신경망(CNN)이 시계열 데이터에도 적용 가능하다는 점에 착안해, 저자들은 1‑D CNN 구조를 채택하였다. 특히, ResNet의 스킵 연결이 깊은 네트워크 학습을 안정화시키는 것을 확인하고, 이를 더욱 확장한 DenseNet(밀도 연결 블록)을 선택해 파라미터 효율성과 특성 재사용을 동시에 달성하고자 했다. ### 2. 데이터셋 및 전처리 Chimayó 현장은 북‑남향 단층을 따라 CO₂가 자연스럽게 누출되는 지역으로, geyser가 주기적으로 폭발한다. 5개의 지진 관측소가 설치돼 3축(수직, 두 수평) 데이터를 연속 기록했으며, 본 연구에서는 RGEYB 관측소의 하나의 축만 사용하였다. 하루 데이터는 17 280 001 타임스텝(샘플링 레이트 미상)이며, geyser 이벤트는 하루에 최대 두 번 발생한다. 가장 긴 이벤트는 약 12 000 타임스텝을 차지한다. 양성 샘플은 33개의 이벤트가 포함된 18 000 타임스텝 구간이며, 음성 샘플은 현장 잡음(열차, 인간 활동)과 무작위 비이벤트 구간을 포함해 총 413개를 구성하였다. 각 구간은 평균을 빼고 표준편차로 나누어 정규화하였다. ### 3. 모델 설계 (Seismic‑Net) 입력: 18 000 × 1 1‑D 시계열 - Conv7,64, stride 2 → 9 000 × 64 - AvgPool2 → 4 500 × 64 - Dense Block 1: 6 × Conv3,12 → 채널 96, 출력 4 500 × 96 - AvgPool2 → 2 250 × 96 - Dense Block 2: 6 × Conv3,12 → 채널 168, 출력 2 250 × 168 - … (총 6개의 Dense Block, 각 블록마다 평균 풀링으로 시간 해상도 절반씩 감소) - 마지막 AvgPool9 → 1 × 744 (전역 평균) - Fully Connected → 1 (logistic) 성장률 k=12를 적용해 각 레이어마다 채널 수가 12씩 증가한다. 전체 파라미터는 약 800 K이며, 이는 VGG‑net(37 M)·ResNet‑net(15 M) 대비 20~40배 적다. ### 4. 학습 및 최적화 Adam 옵티마이저(learning rate 기본값)와 배치 크기 50을 사용해 약 50 epoch 동안 학습하였다. 손실 함수는 로지스틱 손실(이진 교차 엔트로피)이며, 정규화된 입력 덕분에 수렴이 빠르고 안정적이었다. 학습 과정에서 과적합을 방지하기 위해 early stopping이나 dropout은 언급되지 않았지만, DenseNet 구조 자체가 강력한 정규화 효과를 제공한다. ### 5. 실험 및 결과 테스트 데이터는 32일(26 이벤트)이며, 슬라이딩 윈도우는 6 000 타임스텝 오프셋으로 이동한다. 모델은 각 윈도우에 대해 점수를 출력하고, 동일 이벤트에 대해 중복 검출이 발생하면 최고 점수만 남긴다. | 모델 | Precision | Recall | 파라미터 | |------|-----------|--------|----------| | Kernel SVM (RBF) | fail | fail | - | | VGG‑based CNN | 0.609 | 0.538 | 37 M | | ResNet‑based CNN | 0.581 | 0.960 | 15 M | | **Seismic‑Net (DenseNet)** | **0.889** | **0.923** | **0.8 M** | Seismic‑Net은 FP를 크게 감소시켜 정밀도가 크게 향상되었으며, 동시에 높은 재현율을 유지한다. 특히, 두 번째 단계(impulsive phase)의 진폭 피크 수가 가변적인 경우에도 정확히 탐지함을 Fig. 5의 사례를 통해 확인한다. ### 6. 논의 DenseNet의 밀도 연결은 특성 재사용을 통해 얕은 레이어의 정보를 깊은 레이어가 직접 활용하게 하여, 작은 파라미터 수에도 불구하고 복잡한 시간 패턴을 학습한다. 이는 VGG‑net이 많은 파라미터와 깊은 레이어에서 발생하는 그래디언트 소실 문제를 겪는 것과 대조된다. ResNet‑net도 스킵 연결을 사용하지만, DenseNet은 모든 이전 레이어와 연결되므로 더 풍부한 표현력을 제공한다. 음성 샘플을 수동으로 선정한 점은 데이터 불균형을 완화하고, 현장 잡음에 대한 강인성을 확보하는 데 중요한 역할을 한다. 그러나 라벨링 비용이 높아 확장성에 한계가 있다. 또한, 현재는 단일 채널만 사용했으므로 다채널 정보를 결합하면 성능이 더욱 개선될 가능성이 있다. 윈도우 길이와 오프셋은 경험적으로 설정했으며, 자동 최적화 기법(예: attention 기반 가변 윈도우) 도입이 향후 연구 과제로 제시된다. ### 7. 결론 Seismic‑Net은 1‑D DenseNet 기반의 경량화된 심층 CNN으로, Chimayó 현장의 geyser 데이터를 이용해 CO₂ 누출을 나타내는 지진 이벤트를 높은 정확도로 실시간 탐지한다. 파라미터 효율성, 높은 정밀도·재현율, 그리고 현장 잡음에 대한 강인성을 바탕으로, 대규모 탄소 저장 모니터링 시스템에 적용 가능성이 크다. 향후 다채널 통합, 다양한 지질 현장에 대한 일반화, 그리고 가변 윈도우 설계 등을 통해 실용성을 더욱 강화할 수 있을 것으로 기대된다.