GPRInvNet을 활용한 터널 라이닝 복합 결함 고해상도 역전파

초록

본 논문은 GPR B‑Scan 데이터를 복소 유전율 지도에 매핑하기 위해 트레이스‑투‑트레이스 인코더와 디코더로 구성된 딥러닝 모델 GPRInvNet을 제안한다. 인접 트레이스 간 특징 융합과 개별 트레이스 압축을 통해 시간‑공간 정렬 문제를 해결하고, 복합 결함을 선명하게 복원한다. 합성 데이터에 현장 잡음 패치를 삽입해 재학습한 후 실제 모델 테스트에서 높은 재현성을 입증하였다.

상세 분석

GPRInvNet은 기존 GPR 역전파 문제의 두 가지 핵심 난관—시간‑시계열 B‑Scan과 2차원 유전율 맵 사이의 공간 정렬 불일치, 그리고 복합 결함에 대한 민감도 저하—를 동시에 해결하도록 설계되었다. 먼저 트레이스‑투‑트레이스 인코더는 B‑Scan의 각 레이더 트레이스를 독립적으로 처리하면서도, 인접 트레이스의 피처를 윈도우 방식으로 합쳐 ‘강화된 트레이스’를 만든다. 이 과정에서 1‑D 컨볼루션과 어텐션 메커니즘을 결합해 지역적 전파 특성을 보존하면서도 장거리 상관관계를 포착한다. 강화된 트레이스는 이후 별도의 채널로 압축되어 디코더에 전달되며, 디코더는 전통적인 U‑Net 구조를 변형해 각 트레이스에 대응하는 유전율 맵의 슬라이스를 재구성한다. 중요한 점은 디코더가 트레이스별로 독립적인 공간 좌표를 복원하도록 설계돼, 시간축상의 샘플이 실제 지하 깊이와 정확히 매핑된다는 것이다.

데이터 생성 단계에서는 다양한 복합 결함(공극, 물 침투, 재료 비균질성 등)을 포함한 터널 라이닝 모델을 전자기 시뮬레이션(FDTD)으로 합성하고, 현장 실험에서 수집한 잡음 패치를 랜덤하게 삽입해 도메인 갭을 최소화하였다. 학습은 L2 손실과 구조적 유사도(SSIM) 손실을 가중합한 복합 손실 함수를 사용해, 정량적 정확도와 시각적 경계 선명도를 동시에 최적화한다.

실험 결과는 세 가지 측면에서 기존 베이스라인(전통적 전파 역전파, 2‑D CNN, 3‑D U‑Net)보다 우수함을 보여준다. 첫째, 복합 결함의 경계가 평균 12 % 이상 sharper하게 복원되었으며, 평균 절대 오차(MAE)는 0.018 이하로 낮았다. 둘째, 트레이스‑투‑트레이스 인코더가 도입된 모델은 잡음에 대한 강인성이 크게 향상돼, SNR이 -5 dB 수준에서도 시각적 재구성이 유지되었다. 셋째, 실제 모델 테스트에서는 합성 데이터와 동일한 학습 파라미터로도 85 % 이상의 정확도로 결함을 검출했으며, 현장 엔지니어가 직접 확인한 결과와 높은 일치도를 보였다.

이러한 설계는 GPR 데이터가 본질적으로 1‑D 시계열이면서도 2‑D 공간 정보를 내포한다는 점을 효과적으로 활용한 사례라 할 수 있다. 특히 트레이스 간 특징 융합과 개별 트레이스 압축을 분리해 처리함으로써, 복합 결함이 존재하는 비균질 매질에서도 높은 재현성을 확보했다는 점이 학술적·산업적 의미가 크다. 향후 다중 주파수 GPR, 이동형 플랫폼 데이터, 그리고 실시간 현장 적용을 위한 경량화 모델로 확장될 가능성이 기대된다.