딥러닝 기반 지진 데이터 잡음 제거 및 블렌딩 해제

초록

본 논문은 ImageNet 사전학습 가중치를 활용한 ResNet34 인코더를 갖는 U‑Net 모델을 설계하고, 인접 오프셋 가더들을 추가 입력 채널로 사용해 합성·실제 해양 지진 데이터의 잡음 및 블렌딩 노이즈를 자동으로 제거한다. 3개의 인접 가더를 입력으로 사용할 때 최적의 성능을 보이며, 파라미터 조정 없이 다양한 데이터셋에 적용 가능함을 보였다.

상세 분석

이 연구는 기존 지진 데이터 잡음 제거·디블렌딩 방법이 파라미터 선택과 반복적인 처리에 높은 인적·계산 비용을 요구한다는 문제점을 인식하고, 딥러닝 기반 자동화 접근법을 제안한다. 핵심 모델은 U‑Net 구조에 ResNet34를 인코더로 채택했으며, ImageNet에서 사전학습된 가중치를 초기화에 활용한다. ResNet34는 기본적으로 3채널(RGB) 입력을 기대하므로, 인접 오프셋 가더들을 여러 개 제공할 경우 첫 번째 컨볼루션 레이어의 커널 차원을 조정하고, 기존 가중치를 채널 수에 맞게 평균화해 재배치한다.

학습 데이터는 20개의 무작위 음속 모델을 이용한 2D 음향 파동 전파 시뮬레이션으로 생성했으며, 각 모델당 300개의 리시버와 250개의 샷을 포함한다. 블렌딩 노이즈는 샷 기록을 시간 지연(0.51.5 s)과 지터(0.10.6 s)로 겹치게 하여 합성했으며, 실제 해양 데이터(롤링덱 레포지터리)와 백색 가우시안 노이즈를 혼합해 잡음 다양성을 확보했다. 입력과 타깃은 각각 ‘노이즈가 포함된 가더’와 ‘노이즈(입력‑신호)’이며, 표준편차 정규화를 적용해 학습 안정성을 높였다.

학습 전략은 1‑cycle 스케줄링과 AdamW 옵티마이저를 사용했으며, 초기 5 epoch 동안은 사전학습 가중치를 고정하고, 이후 350 epoch 동안 전체 가중치를 미세조정했다. 깊이에 따라 학습률을 1e‑6에서 1e‑3까지 선형 증가시키는 차별적 학습률 방식을 적용해 깊은 레이어의 미세조정 효과를 극대화했다.

실험에서는 인접 가더 수를 0~8개까지 변화시켜 검증 손실을 측정했으며, 3개의 인접 가더(양쪽 각각 3개) 제공 시 손실이 최소화되는 최적점을 발견했다. 이는 인접 가더가 제공하는 상관 정보를 충분히 활용하면서도 과도한 채널 증가에 따른 학습 부담을 피한 결과로 해석된다.

블렌딩 데이터에 모델을 적용한 결과, 입력 SNR이 –3.6 dB였던 것이 16.5 dB로 크게 향상되었으며, 이는 기존 문헌에서 보고된 SNR 개선폭(≈15–19 dB)과 동등하거나 약간 낮은 수준이다. 또한, CMP 스택 이미지에서도 블렌딩 아티팩트가 눈에 띄게 감소했지만, 신호 강도가 약간 감소하는 현상이 관찰되었다.

실제 해양 데이터(베네수엘라, 노르웨이, 뉴질랜드)에도 동일 모델을 적용했을 때, 대부분의 잡음이 제거되었으나 일부 미세 신호가 노이즈로 오인되어 손실되는 현상이 있었다. 이는 합성 데이터 중심의 학습이 실제 데이터의 진폭 변동성을 충분히 포괄하지 못했기 때문으로, 향후 실제 데이터 비율을 높인 혼합 학습이 필요함을 시사한다.

논문은 또한 인접 가더 대신 NMO 보정된 CMP 가더를 채널로 활용하는 대안을 제시했지만, 추가 전처리 비용과 속도 모델 의존성으로 인해 현재 구현에서는 채택하지 않았다. 마지막으로, 딥러닝 기반 방법이 ‘블랙박스’ 특성을 갖는다는 점을 인정하면서, 전통적 필터링 기법 대비 복잡한 패턴 인식 능력에서의 장점을 강조한다. 전반적으로, 파라미터 튜닝 없이 다양한 환경에 적용 가능한 자동화된 잡음·디블렌딩 솔루션을 제시했으며, 향후 실시간 처리와 육상 데이터 적용을 위한 추가 연구가 요구된다.