시계열 컨볼루션 네트워크로 지진 데이터에서 음향 임피던스 추정

**1. 서론** 지진 반사 데이터를 이용해 지하 물성(특히 음향 임피던스, AI)을 추정하는 작업은 탄화수소 탐사에서 핵심적인 단계이다. 전통적인 방법은 웰 로그와 지진 데이터를 매핑하는 선형 역전파 기법을 사용했지만, 비선형성 및 데이터 부족 문제로 정확도가 제한적이었다. 최근 머신러닝, 특히 딥러닝을 활용한 지도학습 방식이 주목받고 있다. 기존 연구에서는 인공신경망(ANN), 서포트 벡터 회귀(SVR), RNN, CNN 등을 적용했으나, RNN은 기울기 소실·폭발, CNN은 깊은 네트워크에서 파라미터 과다와 과적합 문제가 있었다. **2. 관련 연구** - ANN 기반 속도 예측 (Calder‑On‑macas 등, 1999) - SVR을 이용한 공극률·투과성 예측 (Al‑Anazi & Gates, 2012) - 사전처리와 웨이브렛 변환을 결합한 특성 추출 (Chaki 등, 2015) - GAN을 활용한 반사계와 반사성 매핑 (Lipari 등, 2018) - RNN 기반 스택킹 속도 예측 (Biswas 등, 2018) 및 물성 추정 (Alfarraj & AlRegib, 2018) - CNN 기반 임피던스 역전파 (Das 등, 2018) 이들 방법은 각각 장점이 있으나, 데이터가 제한될 때 학습 안정성이나 일반화 능력이 떨어지는 공통적인 한계를 보였다. **3. Temporal Convolutional Network (TCN) 소개** TCN은 1‑D dilated convolution을 층마다 적용해 receptive field를 기하급수적으로 확대한다. 각 Temporal Block은 두 개의 dilated convolution, weight normalization, dropout, ReLU, 그리고 입력‑출력 skip connection으로 구성된다. dilated convolution은 커널 사이에 ‘구멍’을 두어 입력 시퀀스의 먼 위치까지 동시에 고려하게 하며, 이는 깊은 CNN 없이도 장기 의존성을 학습하게 한다. 또한, weight normalization은 파라미터 재표현을 통해 학습 속도를 높이고, dropout은 과적합을 방지한다. **4. 문제 정의 및 수식화** 입력 X는 N개의 포스트‑스택 지진 트레이스 $\{x_i\}_{i=1}^N$, 목표 Y는 동일 위치의 AI 트레이스 $\{y_i\}_{i=1}^N$이다. 네트워크 $F_{\Theta}$는 $x_n$을 받아 $\hat{y}_n = F_{\Theta}(x_n)$를 출력한다. 학습 목표는 \