1차원 전자기 데이터 역산을 위한 딥 컨볼루션 신경망 적용

초록

본 연구는 해양 주파수 영역 CSEM과 육상 시간 영역 TEM 1차원 전자기 데이터를 딥 컨볼루션 신경망(CNN)으로 즉시 역산하는 방법을 제시한다. 합성 및 현장 데이터를 대상으로 정확한 저항성 모델을 빠르게 복원하고, 여러 학습 에포크의 네트워크 출력을 결합해 불확실성 분포를 추정한다.

상세 분석

이 논문은 전통적인 전자기 역산이 갖는 두 가지 근본적인 한계—비선형 최적화의 지역 최소함정과 베이지안 접근의 높은 계산 비용—를 극복하고자 데이터‑드리븐 딥러닝 접근을 채택한다. 핵심 아이디어는 1차원 전도성 구조를 파라미터화한 모델(층별 저항성 및 두께)과 측정된 전자기 응답(주파수‑도메인 전류·전압 또는 시간‑도메인 전류 감쇄) 사이의 매핑을 대규모 합성 데이터셋을 이용해 CNN이 학습하도록 하는 것이다.

1. 데이터 생성 및 전처리

   • 저항성은 0.1 Ω·m에서 1000 Ω·m까지 로그 균등 분포, 층 두께는 5 m~200 m 범위로 랜덤 샘플링하였다.
   • 해양 CSEM은 0.1 Hz~10 Hz 주파수, 수평·수직 송신·수신 배열을 고려해 복소 전기장 데이터를 생성하고, 복소값을 실·허수 두 채널로 변환하였다.
   • 육상 TEM은 전류 펄스 후 0.01 s~10 s 구간의 전류 감쇄 곡선을 64개의 시간 샘플로 정규화하였다.
   • 모든 입력은 로그 스케일 정규화하고, 출력(층 저항성·두께)은 역시 로그 변환 후 표준화하였다.

2. 네트워크 구조

   • 1차원 컨볼루션 레이어 57개를 쌓아, 각 레이어는 64128개의 필터와 3~5 크기의 커널을 사용한다.
   • 배치 정규화와 ReLU 활성화가 각 레이어 뒤에 배치되어 학습 안정성을 확보한다.
   • 마지막 전역 평균 풀링 뒤에 완전 연결 레이어 2개를 두어, 출력 차원은 층 수 × 2(저항성, 두께)로 설정한다.
   • 손실 함수는 로그‑MSE(L2)와 정규화된 L1 손실을 가중합한 복합 손실이며, Adam 옵티마이저(learning rate = 1e‑4)로 200 epoch까지 학습한다.

3. 불확실성 추정

   • 단일 모델이 아닌 동일 구조의 여러 네트워크를 서로 다른 초기 가중치와 학습 에포크(예: 50, 100, 150, 200)에서 저장한다.
   • 테스트 시 이들 예측을 평균·표준편차로 결합해 모델 불확실성을 정량화한다.
   • 결과적으로 저항성 이상(고저항성 체적)이 존재하는 깊이 구간에서 표준편차가 크게 증가함을 확인하였다. 이는 전통적인 베이지안 방법과 유사한 불확실성 패턴을 제공한다는 점에서 의미가 크다.

4. 성능 평가

   • 합성 테스트에서는 평균 상대 오차가 5 % 이하이며, 특히 표면 근처와 깊은 층에서 오차가 2 %~8 % 범위에 머문다.
   • 실제 해양 CSEM 데이터(남극 해저 탐사)와 육상 TEM 데이터(호주 광산 현장)에서 기존 Gauss‑Newton 역산 결과와 비교했을 때, 전반적인 저항성 구조는 일치하지만 CNN 기반 결과는 0.01 s 내에 즉시 제공된다.
   • 계산 비용 측면에서 GPU 기반 추론은 1 ms 수준이며, 전통적인 비선형 최적화는 수십 초~수분이 소요되는 차이를 보인다.

5. 제한점 및 향후 과제

   • 현재는 1차원 수직 구조에만 적용 가능하므로, 복잡한 2D/3D 지질 모델에 대한 일반화는 추가 연구가 필요하다.
   • 학습 데이터는 전산 모델에 기반하므로, 실제 현장 잡음(전기 잡음, 기계적 진동)과의 차이를 보정하기 위한 잡음 모델링이 요구된다.
   • 불확실성 추정은 에포크 기반 앙상블에 의존하므로, 베이지안 딥러닝(예: MC‑Dropout)과 결합하면 보다 정량적인 사후 확률 분포를 얻을 수 있다.

전반적으로 이 논문은 딥 CNN을 이용한 1D 전자기 역산이 정확도와 속도 면에서 기존 방법을 능가함을 실증하고, 불확실성 추정까지 제공함으로써 실시간 탐사 및 의사결정에 활용 가능한 새로운 패러다임을 제시한다.