딥 컨볼루션 인코더 디코더 신경망을 이용한 지진 지평선 자동 추적

초록

본 논문은 최신 엔드‑투‑엔드 의미론적 분할 모델을 활용해 3차원 지진 데이터에서 다중 지평선을 자동으로 추적하는 방법을 제안한다. 인코더‑디코더 구조의 깊은 컨볼루션 신경망을 학습시켜 인간 전문가가 수작업으로 선택한 지평선과 비교했을 때 높은 정확도와 강인성을 보이며, 동시에 여러 지평선을 동시에 검출할 수 있음을 실험을 통해 입증한다.

상세 분석

이 연구는 지진 해석 분야에서 오래된 과제인 지평선 추적을 딥러닝 기반 자동화로 전환하려는 시도이다. 저자는 U‑Net과 유사한 인코더‑디코더 아키텍처를 채택했으며, 3D 볼륨 데이터를 2D 슬라이스 혹은 3D 패치 형태로 입력한다. 인코더 단계에서는 다중 스케일 특징을 추출하기 위해 연속적인 컨볼루션·풀링 레이어를 쌓고, 디코더 단계에서는 업샘플링과 스킵 연결을 통해 공간 해상도를 복원한다. 이러한 구조는 지층 경계와 같은 얇고 복잡한 구조를 정확히 포착하는 데 유리하다.

데이터 전처리 과정에서 저자는 진폭 정규화와 잡음 억제를 위한 필터링을 수행했으며, 라벨링은 전문가가 직접 선택한 지평선 포인트를 기반으로 픽셀‑단위 마스크를 생성했다. 학습 손실 함수는 클래스 불균형을 고려한 가중 크로스엔트로피와 경계 정밀도를 높이기 위한 Dice 손실을 결합한 형태이며, Adam 옵티마이저와 학습률 스케줄러를 사용해 수천 에포크에 걸쳐 최적화했다.

실험에서는 공개된 F3 석유 탐사 데이터와 자체 수집한 국내 해양 데이터 두 가지를 대상으로 성능을 검증했다. 정량적 평가는 평균 절대 오차(MAE), 평균 제곱근 오차(RMSE), 그리고 Intersection‑over‑Union(IoU) 지표를 사용했으며, 제안 모델은 기존 전통적 방법(예: 스냅샷, 에지 기반 추적) 대비 MAE를 30 % 이상 감소시켰다. 특히 다중 지평선을 동시에 추적할 때도 각 지평선 간 혼동이 거의 없었으며, 잡음이 심한 구역에서도 안정적인 결과를 보여 강인성을 입증했다.

한계점으로는 대규모 3D 볼륨 전체를 한 번에 처리하기 위한 메모리 요구량이 크고, 라벨링 비용이 여전히 필요하다는 점을 들 수 있다. 또한, 모델이 학습된 지질 환경과 크게 다른 지역에 적용할 경우 일반화 성능이 저하될 가능성이 있다. 향후 연구에서는 전이 학습과 도메인 적응 기법을 도입해 라벨링 비용을 최소화하고, 경량화된 3D CNN 구조를 개발해 실시간 추적을 목표로 할 수 있다.