칼만 앙상블 생성기를 이용한 주파수 영역 전자기 데이터 1차원 확률 역산

초록

본 논문은 주파수 영역 전자기(FDEM) 측정값을 전기 전도도와 자기 감수성으로 동시에 추정하기 위해 칼만 앙상블 생성기(KEG)를 적용한 1차원 확률적 다층 역산 방법을 제안한다. KEG는 베이지안 프레임워크의 근사 해법으로, 사전 확률분포와 측정 오차를 이용해 파라미터의 사후 평균과 불확실성을 효율적으로 계산한다. 합성 및 현장 데이터 사례를 통해 깊이 조사 한계(depth of investigation)를 공분산으로 추정하고, 동일한 사전 모델을 여러 측정점에 재사용함으로써 계산 비용을 크게 절감함을 보였다.

상세 분석

이 연구는 FDEM 데이터의 비선형 전방 모델을 완전한 맥스웰 방정식 해석으로 구현하고, 전기 전도도(EC)와 자기 감수성(MS) 두 파라미터를 동시에 추정한다는 점에서 기존 연구와 차별화된다. 베이지안 관점에서 사전 확률분포(평균·공분산)와 측정 오차 공분산을 정의한 뒤, 전통적인 마르코프 연쇄 몬테카를로(MCMC) 방법이 요구하는 수천 번의 전방 모델 실행을 피하기 위해 Ensemble Kalman Filter(EKF)의 업데이트 식을 그대로 적용한 KEG를 도입한다. KEG는 사전 앙상블을 생성하고, 각 앙상블 멤버에 대해 전방 모델을 실행해 관측값 행렬 G를 만든다. 이후 식 (8)의 칼만 이득을 이용해 파라미터 앙상블을 한 번의 행렬 연산으로 업데이트한다. 이 과정에서 선형화가 필요 없으며, 공분산은 샘플 공분산으로 대체돼 계산량이 크게 감소한다.

핵심적인 기술적 기여는 다음과 같다. 첫째, IP와 OP 두 성분을 모두 활용해 EC와 MS를 동시에 추정함으로써 자기 환경에서 발생할 수 있는 시스템적 편향을 최소화한다. 둘째, 업데이트 후 파라미터 앙상블의 표준편차를 불확실성 지표로 제공함으로써 전통적인 정규화(regularization) 없이도 해의 안정성을 보장한다. 셋째, 앙상블 간 공분산을 이용해 깊이 조사 한계(depth of investigation)를 정량화한다. 이는 관측 코일 배열과 주파수에 따라 민감도가 급격히 감소하는 깊이 이하에서는 파라미터가 데이터에 거의 영향을 미치지 않음을 의미한다. 넷째, 동일한 사전 모델을 여러 측정 위치에 재사용함으로써 초기 앙상블을 한 번만 생성하고, 각 위치마다 업데이트만 수행해 계산 효율을 크게 향상시킨다.

제한점으로는 KEG가 가우시안 확률분포 가정에 기반하므로 비가우시안 사후분포를 정확히 포착하지 못한다는 점이다. 또한 전방 모델이 강한 비선형성을 보일 경우, 샘플 기반 공분산 추정이 실제 후분포를 왜곡할 가능성이 있다. 그럼에도 불구하고, 실험 결과는 KEG가 MCMC 대비 10배 이상 빠른 계산 속도와 비교적 작은 추정 오차를 보이며, 특히 CPU 자원이 제한된 현장 적용에 적합함을 입증한다.