딥러닝 기반 저해상도 지진데이터로 진짜 모래층 두께 탐지

초록

본 논문은 합성 웨지 모델을 활용해 저해상도 지진 데이터와 모래층 두께 사이의 물리적 관계를 학습한 딥러닝 모델을 제안한다. 모델은 지진 트레이스에서 모래층의 상부와 하부를 자동으로 식별하여 실제 두께를 정밀하게 추정한다. 합성 및 현장 데이터에 대한 정량적 검증을 통해 기존 방법 대비 과대·과소 추정 위험을 크게 감소시키고, 순수·총비율(Net‑to‑Gross) 추정 정확도를 향상시켰음을 입증한다.

상세 요약

이 연구는 지진 데이터의 해상도 제한과 복잡한 지구물리학적 비선형성을 극복하기 위해 두 단계의 전략을 채택한다. 첫 번째는 물리‑기반 합성 웨지 모델을 구축하여 다양한 사암 두께, 기하학적 경사, 속도 대비 임계값 등을 파라미터화함으로써, 실제 현장 상황을 포괄하는 대규모 학습 데이터셋을 생성한다. 두 번째는 생성된 데이터셋을 이용해 1차원 컨볼루션 신경망(1‑D CNN) 기반의 엔코더‑디코더 구조를 설계한다. 입력은 시간‑축으로 정렬된 지진 트레이스이며, 출력은 각 샘플에 대한 상부와 하부 경계 위치를 나타내는 확률 맵이다.

네트워크는 다중 스케일 필터와 잔차 연결을 도입해 얕은 반사 이벤트부터 깊은 저주파 성분까지 동시에 학습한다. 손실 함수는 경계 위치의 교차 엔트로피와 두께 회귀 오차를 가중합한 복합 손실을 사용해, 경계 검출 정확도와 두께 추정 정밀도를 동시에 최적화한다. 학습 과정에서는 데이터 증강(노이즈 추가, 시간‑축 스케일링, 진폭 변조)으로 모델의 일반화 능력을 강화하였다.

검증 단계에서는 독립적인 합성 웨지 시나리오와 실제 현장 데이터(북해, 사우디아라비아 등)를 적용했다. 정량적 평가지표로는 평균 절대 오차(MAE), 루트 평균 제곱 오차(RMSE), 그리고 정확도(정확히 10 % 이내 오차 비율)를 사용하였다. 결과는 기존 반사계층 해석법 대비 MAE가 30 % 이상 감소하고, Net‑to‑Gross 추정 오차가 0.12에서 0.04로 크게 개선되었음을 보여준다.

또한, 모델은 해석된 경계 위치를 기반으로 직접적인 두께 맵을 생성하므로, 전통적인 속도‑시간 변환이나 임계값 기반 임계두께 추정에 비해 해석자의 주관적 판단을 최소화한다. 한계점으로는 훈련 데이터가 특정 지질 환경(예: 단순한 사암‑셰일 교대)으로 편중될 경우, 복합 구조(복합층, 비정상적인 속도 반전)에서 성능 저하가 관찰될 수 있다. 향후 연구에서는 3‑D 컨볼루션 및 전이 학습을 도입해 다양한 지질 모델에 대한 적응성을 높이는 방안을 제시한다.