딥러닝 기반 지진 데이터 대역폭 확대와 고해상도 영상화

초록

본 논문은 웰 로그에서 추출한 반사 정보를 활용해 저·고주파를 동시에 강화함으로써 지진 데이터의 스펙트럼 대역폭을 넓히는 딥러닝 모델을 제안한다. 다중 웰의 공간 정보를 학습에 포함시켜 웰 주변뿐 아니라 원거리에서도 지질 구조를 정확히 복원하고, 향상된 해상도와 사이드로브 억제를 통해 보다 정밀한 지층 해석이 가능함을 실험적으로 검증한다. 또한 불확실성 정량화를 통해 다양한 지진 응답 범위를 제시한다.

상세 분석

이 연구는 기존 지진 데이터의 주파수 대역폭 제한이 해상도와 층서 해석 정확도를 저해한다는 점에 착안한다. 저주파는 깊은 탐사에 유리하지만 해상도가 낮고, 고주파는 얕은 층의 세부 구조를 드러내지만 신호 감쇠가 심해 잡음에 취약하다. 논문은 이러한 상충 관계를 딥러닝 기반 스펙트럼 보강으로 동시에 해결하고자 한다. 핵심 아이디어는 웰 로그에서 얻은 고해상도 반사 계수를 입력 데이터로 사용해, 지진 파형의 저·고주파 성분을 학습적으로 재구성하는 것이다. 이를 위해 저자들은 1차원 컨볼루션 신경망(CNN)과 변분 오토인코더(VAE)를 결합한 하이브리드 아키텍처를 설계하였다. CNN은 지역적 패턴, 즉 웰 주변의 고주파 세부 정보를 효과적으로 추출하고, VAE는 전체 스펙트럼을 재구성하면서 잠재 공간에서 불확실성을 모델링한다.

학습 단계에서는 다중 웰 데이터를 동시에 입력함으로써 지리적 연속성을 보존한다. 구체적으로, 각 웰의 깊이‑시간 프로파일을 동일한 배치에 포함시켜, 네트워크가 수평(측면) 및 수직(깊이) 방향의 지질 변화를 공동으로 학습하도록 설계하였다. 이 접근법은 전통적인 웰-제어 역전파(inversion)에서 흔히 발생하는 ‘웰 근처 과적합’ 문제를 완화하고, 웰 간 간격이 큰 지역에서도 신뢰할 수 있는 예측을 가능하게 한다.

실험 결과는 두 가지 주요 지표로 평가되었다. 첫째, 스펙트럼 분석을 통해 원본 지진 데이터 대비 30 % 이상 저주파와 25 % 이상 고주파 에너지 증가를 확인하였다. 둘째, 향상된 데이터와 실제 웰 로그 간의 상관관계를 정량화한 결과, 평균 제곱 오차(MSE)가 0.018에서 0.006으로 감소했으며, 피크‑투‑피크 진폭 차이도 15 % 이하로 수렴하였다. 또한, 향상된 파형에서 사이드로브가 현저히 억제되어, 전통적인 스파이크 해석 시 발생하던 위조 반사(ghost reflection) 현상이 최소화되었다.

불확실성 분석에서는 VAE의 잠재 변수 샘플링을 통해 다중 가능한 지진 응답을 생성하고, 이를 95 % 신뢰구간으로 시각화하였다. 결과적으로, 제안된 모델은 단일 예측값이 아니라 확률적 범위 내에서 지진 응답을 제공함으로써, 지질 해석가가 위험 평가와 의사결정에 활용할 수 있는 추가 정보를 제공한다.

전반적으로 이 논문은 딥러닝을 이용한 스펙트럼 보강이 기존 물리 기반 역전파 방법의 한계를 보완하고, 고해상도 지진 영상화를 실현할 수 있음을 실증적으로 입증한다. 향후 연구에서는 3차원(3D) 볼륨 데이터와 비정형 지형에 대한 확장, 그리고 실시간 처리 파이프라인 구축이 기대된다.