예측 신경망을 활용한 3D 지진 영상 고해상도 속도 모델링

초록

본 논문은 3차원 컨볼루션·디컨볼루션·맥스풀링 구조와 GAN 기반 데이터 증강, 가중 손실 함수를 결합한 예측 신경망을 제안한다. 소수의 라벨링된 단면만으로도 염전(소금) 구조와 포함체의 확률 큐브를 생성하며, 이를 초기 속도 모델 및 FWI 정규화 항으로 활용해 전파 전역 반전(FWI)의 수렴 속도와 정확도를 향상시킨다.

상세 요약

제안된 네트워크는 3D 컨볼루션 레이어와 디컨볼루션(전치 컨볼루션) 레이어, 그리고 3D 맥스풀링을 조합해 입력된 원시 진폭 지진볼륨을 다중 스케일 특징 맵으로 변환한다. 이러한 구조는 공간적 연속성을 유지하면서 깊은 층에서 복잡한 지질 구조, 특히 고밀도 소금체와 그 주변의 급격한 속도 변화를 포착한다. 데이터 증강 단계에서는 GAN을 이용해 가상의 지진 슬라이스를 생성함으로써 훈련 샘플의 다양성을 크게 확대한다. 이는 라벨이 희소한 상황에서 과적합을 방지하고 모델의 일반화 능력을 강화한다. 손실 함수는 소금체와 비소금 영역에 서로 다른 가중치를 부여하는 형태로 설계되어, 소금체 경계와 같은 중요한 구조에 더 큰 학습 신호를 전달한다. 배치 정규화는 각 레이어의 출력 분포를 안정화시켜 학습률을 높이고 수렴 속도를 가속화한다.

예측된 3D 확률 큐브는 다중 모델 앙상블을 통해 평균화하거나 베이지안 방식으로 불확실성을 추정함으로써 변동성을 감소시킨다. 이러한 확률 지도는 두 가지 방식으로 FWI에 통합된다. 첫째, 초기 속도 모델을 생성할 때 확률 큐브를 직접 매핑해 소금체와 포함체의 위치를 반영한 초기 조건을 제공한다. 이는 전통적인 초기 모델링보다 실제 지하 구조에 더 근접한 시작점을 제공해 FWI의 반복 횟수를 줄인다. 둘째, 각 FWI 반복 단계에서 확률 큐브를 정규화 항으로 삽입해 소금체 영역의 속도 변화가 물리적 제약을 벗어나지 않도록 강제한다. 이는 특히 소금체 경계에서 발생하기 쉬운 고주파 잡음과 비선형 수렴 문제를 완화한다. 마지막으로, FWI 결과로 얻은 고해상도 마이그레이션 이미지를 다시 신경망 입력으로 사용함으로써 순환적 학습 루프를 형성한다. 이 루프는 초기 모델의 품질을 지속적으로 개선하고, 모델이 새로운 데이터에 적응하도록 만든다. 전체적으로 제안된 프레임워크는 소금체가 복잡하게 얽힌 3D 지진 데이터 처리에 필요한 데이터 효율성, 모델 정확도, 계산 효율성을 동시에 달성한다는 점에서 기존 방법론을 크게 확장한다.