중력 역산 2차원 초점화 모델의 정규화 파라미터 자동 추정 및 사포 망간 광산 적용

초록

본 논문은 2‑D 중력 역산에서 최소 지원(MS) 안정자를 이용한 초점화 모델링에 대해 정규화 파라미터를 L‑curve와 일반화 교차 검증(GCV) 방법으로 자동 선택하는 절차를 제시한다. 작은 규모 문제에 적합한 일반화 특이값 분해(GSVD)를 활용해 효율적으로 해를 구하고, 합성 데이터와 이란 사포 광산 현장 데이터를 통해 모델의 경계와 밀도 분포를 성공적으로 복원한다.

상세 분석

이 연구는 중력 역산이 본질적으로 불완전하고 잡음에 민감한 역문제임을 전제로, 정규화 기법 중에서도 특히 비연속적 구조를 잘 복원할 수 있는 최소 지원(MS) 안정자를 선택한다. MS 안정자는 현재 모델 파라미터와 사전 추정값 사이의 차이를 가중치 행렬 Wₑ 으로 정규화하며, ε → 0 인 경우 가장 컴팩트한 해를 제공한다. 그러나 ε가 너무 작으면 수치적 불안정이 발생하므로, ε는 트레이드오프 곡선 방법으로 조정한다.

정규화 파라미터 α 는 데이터 적합도와 정규화 항 사이의 균형을 결정하는 핵심 변수이다. 기존에는 노이즈 수준을 정확히 알 경우 모로조프 불일치 원칙(MDP)을 사용했지만, 실제 현장에서는 노이즈 통계가 불명확한 경우가 많다. 따라서 저자는 상대적 표준편차만을 이용해 가중치 행렬 W_d 을 구성하고, L‑curve와 GCV 두 가지 자동 선택 기준을 반복적 알고리즘에 통합한다. 각 반복 단계에서 α를 새롭게 추정함으로써, 초기 과소/과대 정규화에 대한 의존성을 최소화한다.

수치 해법으로는 문제 규모가 작아 전통적인 SVD 대신 GSVD를 적용한다. GSVD는 행렬 Ĝ = W_d G와 정규화 행렬 D (= Wₑ W_hard W_depth) 사이의 일반화 특이값 γ_i 를 제공하며, 필터 계수 f_i = γ_i²/(γ_i²+α²) 를 통해 해를 직접 구성한다. 이는 α에 대한 미분이 필요 없는 폐쇄형 표현을 가능하게 하여, L‑curve와 GCV의 평가 비용을 크게 낮춘다.

알고리즘은 (i) Wₑ 업데이트, (ii) GSVD 계산, (iii) α 추정, (iv) 해 업데이트 순으로 진행된다. 수렴 판단은 정규화 함수 감소량과 모델 변화량을 기준으로 하며, τ = 0.01을 임계값으로 설정한다. 또한, 사전 지식이 있는 셀에 대해 강제 가중치 W_hard 을 100으로 설정해 밀도 범위를 제한함으로써 물리적 타당성을 강화한다.

합성 실험에서는 다양한 잡음 수준과 구조 복잡도에 대해 L‑curve와 GCV가 모두 안정적인 α 값을 제공함을 확인하였다. 특히, 경계가 뚜렷한 얇은 체적을 복원할 때 MS 안정자가 전통적인 1차·2차 미분 정규화보다 우수한 해상도를 보여준다.

현장 적용 사례인 사포 망간 광산에서는 2‑D 프로파일을 이용해 광상체의 깊이와 형태를 성공적으로 추정하였다. 결과 모델은 기존 3‑D 해석과 비교했을 때 주요 구조를 동일하게 포착하면서 계산 비용을 크게 절감하였다. 이는 조사 대상이 길게 뻗은 구조를 가지고 있어 2‑D 가정이 타당함을 입증한다.

전반적으로, 본 논문은 정규화 파라미터 자동 선택과 GSVD 기반 효율적 해법을 결합함으로써, 초점화 중력 역산의 실용성을 크게 향상시켰다. 특히, 데이터 잡음 정보가 제한적인 실제 현장 상황에서 L‑curve와 GCV가 신뢰할 수 있는 대안임을 실증하였다.