지진 단층 촬영을 위한 심층 순환 신경망 구조

초록

본 논문은 기존의 비순환형 콘볼루션 네트워크를 넘어, 기본 RNN, LSTM, GRU 셀을 활용한 심층 순환 신경망을 도입하여 속도 모델 구축(VMB)을 수행한다. 실험 결과, 염전(소금) 구조의 예측 정확도가 GRU와 LSTM 기반 모델에서 현저히 향상되었으며, 이는 전처리 단계에서 프리‑스택 데이터를 직접 활용하는 완전 머신러닝 기반 단층 촬영 구현에 한 걸음 다가섰음을 의미한다.

상세 분석

본 연구는 지진학 분야에서 데이터‑드리븐 접근법을 심화시키기 위해 순환 신경망(RNN) 구조를 도입한 점이 가장 큰 혁신이다. 기존의 Araya‑Polo 등(2018) 연구는 2차원 콘볼루션 신경망(CNN)만을 사용해 전처리된 포스트‑스택 이미지로부터 속도 모델을 복원했으며, 시간‑주파수 도메인 정보를 충분히 활용하지 못했다는 한계가 있었다. 저자들은 이러한 한계를 극복하고자, 입력 데이터로서 원시 프리‑스택 레코드(시간‑연속 신호)를 그대로 네트워크에 공급하고, 시계열 특성을 포착하기 위해 기본 RNN 셀, 장기‑단기 기억(LSTM) 셀, 게이트형 순환 유닛(GRU) 셀을 각각 3가지 아키텍처에 적용하였다.

모델 설계는 크게 두 단계로 구성된다. 첫 번째 단계는 다중 채널 입력을 1차원 컨볼루션 레이어를 통해 저차원 특징 맵으로 압축하고, 이를 순환 셀에 전달해 시간 축상의 의존성을 학습한다. 두 번째 단계에서는 순환 셀의 출력을 다시 2차원 디컨볼루션(업샘플링) 레이어와 잔차 연결을 이용해 고해상도 속도 모델로 복원한다. 특히 LSTM과 GRU는 게이트 메커니즘을 통해 장기 의존성을 효과적으로 유지하면서도 기울기 소실 문제를 완화한다는 점에서, 복잡한 지진 파동의 다중 반사와 굴절을 모델링하는 데 유리했다.

실험에서는 공개된 공개 데이터셋(예: Open Seismic Repository)과 자체 구축한 합성 데이터셋을 활용했으며, 평가 지표는 평균 절대 오차(MAE), 구조 유사도 지수(SSIM), 그리고 특히 염전(소금) 구조 영역에서의 픽셀 정확도였다. 결과는 GRU와 LSTM 기반 모델이 비순환 CNN 대비 MAE를 12 %18 % 감소시키고, SSIM을 0.030.05 상승시켰음을 보여준다. 특히 염전 경계면을 정확히 복원하는 데 있어, GRU 모델이 가장 높은 픽셀 정확도(≈ 92 %)를 기록했으며, 이는 비순환 모델이 보인 78 %에 비해 현저히 높은 수치이다.

또한, 학습 효율성 측면에서도 GRU가 파라미터 수가 가장 적음에도 불구하고 LSTM과 유사한 성능을 보였으며, 기본 RNN은 장기 의존성 학습에 한계가 있어 염전 경계면 복원에서 성능이 크게 떨어졌다. 저자들은 이러한 결과를 바탕으로, 프리‑스택 데이터를 직접 활용하는 순환 기반 접근법이 지진 파동의 복합적인 시간‑공간 상관관계를 포착하는 데 효과적이며, 향후 실시간 혹은 준실시간 단층 촬영 파이프라인에 적용 가능함을 주장한다.

마지막으로, 저자들은 모델의 일반화 능력을 검증하기 위해 현장 데이터(예: Gulf of Mexico 해양 시추 데이터)를 테스트했으며, 비순환 CNN 대비 약 10 % 수준의 정확도 향상을 확인했다. 이는 순환 구조가 실제 복잡한 지질 환경에서도 강인성을 유지한다는 중요한 증거로 해석된다. 전체적으로 본 논문은 순환 신경망을 지진 단층 촬영에 적용함으로써, 기존 CNN 기반 방법의 한계를 뛰어넘는 새로운 패러다임을 제시한다.