자동 지진 패턴 해석 네트워크 SpiNet 개발

초록

본 논문은 12가지 대표적인 지진 패턴을 정의한 데이터셋 SpiDat을 구축하고, 이를 기반으로 실시간으로 패턴을 인식·주석 달 수 있는 디컨볼루션 신경망 SpiNet을 제안한다. SpiNet은 대규모 지진 데이터에 적용해 빠른 전처리를 제공하며, 향후 전용 해석 모델(예: 단층 검출) 개발의 토대로 활용될 수 있다.

상세 분석

본 연구는 기존 지진 해석 방법이 특정 패턴(예: 단층, 염수 돔)만을 대상으로 하여 전체 지질 정보를 놓치는 문제점을 인식하고, 다중 패턴을 동시에 처리할 수 있는 프레임워크를 제시한다. 먼저 저자들은 전형적인 지진 이미지에서 관찰되는 12가지 패턴을 ‘신호 강도’와 ‘횡방향 기하학’이라는 두 축으로 분류하였다. 여기에는 단층, 염수 돔, 가스 굴뚝, 퇴적 연속체 등 지질학적 의미가 큰 현상이 포함된다. 이러한 패턴을 라벨링한 대규모 3D 볼륨 데이터셋을 SpiDat이라 명명하고, 각 패턴별로 수천 개의 샘플을 확보함으로써 딥러닝 학습에 충분한 다양성을 제공한다.

네트워크 설계는 최신 디컨볼루션(Deconvolution) 구조를 차용했으며, 인코더‑디코더 형태의 U‑Net 변형으로 구현되었다. 인코더 단계에서는 3D 컨볼루션을 통해 다중 스케일 특징을 추출하고, 디코더 단계에서는 전치 컨볼루션(transposed convolution)으로 원래 해상도로 복원하면서 픽셀‑레벨(볼륨‑레벨) 클래시피케이션 맵을 생성한다. 중요한 점은 skip‑connection을 활용해 저해상도에서 손실된 세부 정보를 보완함으로써 경계가 뚜렷한 단층이나 복잡한 염수 돔 형태를 정확히 복원한다는 것이다.

학습 과정에서는 교차 엔트로피 손실에 클래스 불균형을 보정하기 위해 가중치를 부여했으며, 데이터 증강(회전, 플립, 강도 변조)으로 일반화 능력을 강화하였다. 검증 결과, 평균 Intersection‑over‑Union(IoU)와 정확도에서 0.78 이상의 성능을 달성했으며, 특히 단층과 염수 돔에서 0.85 이상의 IoU를 기록했다. 추론 속도는 GPU 환경에서 3D 볼륨 1,000×1,000×500 샘플을 실시간(초당 1프레임 이하)으로 처리할 수 있어 기존 반복적 분류 방식에 비해 수십 배 가량 빠른 것으로 나타났다.

한계점으로는 드물게 나타나는 복합 패턴(예: 가스 굴뚝과 단층이 겹치는 경우)에서 혼동이 발생하고, 라벨링 품질에 따라 성능 변동이 크다는 점을 들 수 있다. 또한 현재는 12가지 패턴에 국한되어 있어, 실제 현장에서는 더 다양한 지질 구조가 존재한다는 점에서 확장성이 요구된다. 향후 연구에서는 멀티태스크 학습을 도입해 패턴별 세분화와 동시에 물성 추정(예: 포어스페이스)까지 수행하는 통합 모델을 구축하고, 반감형(Edge) 디바이스에서도 실행 가능한 경량화 모델을 탐색할 계획이다.