복합 지하 특성화를 위한 저항성 전하성 모델링 머신러닝 딥러닝 혁신

초록

**
본 연구는 저항성, 깊이, 측정소 거리 등 기존 전기 저항성 데이터만으로 2차원 유도극성(IP) 전하성 모델을 예측하는 머신러닝·딥러닝 프레임워크를 제시한다. CatBoost와 랜덤 포레스트 등 앙상블 회귀모델이 높은 R²(0.94 이상)를 기록했으며, 1D CNN 기반 스택형 모델이 복잡한 저항성‑전하성 비선형 관계를 더욱 정밀하게 재현한다. 또한 k‑means 군집분석을 결합해 사암·실트·풍화 화강암 등 지층 구분을 강화하였다. 결과는 탐사·지반·환경 분야에서 현장 IP 조사 비용을 크게 절감하고, 신속한 지하 모델링을 가능하게 한다.

**

상세 요약

**
이 논문은 전통적인 전기저항성·유도극성(IP) 해석이 비선형성 및 지질 이질성 때문에 한계에 봉착한다는 점을 출발점으로 삼는다. 저항성은 전도성 매질의 물리적 특성을, 전하성은 전극 주변의 전하 저장·방출 메커니즘을 반영하지만, 두 파라미터 사이의 관계는 포화도, 클레이 함량, 균열 발달 등 복합 요인에 의해 비선형적으로 변한다. 기존에는 현장 IP 측정을 통해 전하성 지도를 직접 획득했지만, 비용·시간·환경적 제약이 크다.

연구팀은 먼저 실제 현장 데이터와 합성 모델을 결합해 5,000여 개의 샘플을 구축하였다. 입력 변수는 (1) 저항성값, (2) 탐사 깊이, (3) 측정소와 목표 지점 간 거리이며, 출력은 2D 전하성 맵이다. 머신러닝 단계에서는 CatBoost, XGBoost, 랜덤 포레스트, 라이트GBM 등 최신 앙상블 회귀기를 적용했으며, 하이퍼파라미터 튜닝은 베이지안 최적화를 통해 수행했다. 딥러닝 단계에서는 1차원 컨볼루션 레이어를 3층 쌓고, 글로벌 평균 풀링(Global Average Pooling)으로 특성 압축 후 완전 연결층을 연결한 구조를 설계하였다. 이 1D CNN은 시계열 형태의 입력(거리·깊이 순서)을 효과적으로 추출해 비선형 매핑을 학습한다.

성능 평가는 R², RMSE, MAE 등 다중 지표로 진행했으며, CatBoost가 훈련 R² = 0.942, 테스트 R² = 0.945로 최고를 기록했다. 랜덤 포레스트가 그에 근접했으며, 스택형 모델(앙상블 회귀 + 1D CNN)에서는 복합 저항성‑전하성 패턴(예: 고포화도·클레이 함유 구간)에서 RMSE가 0.032로 가장 낮았다. 특히, 전통적인 선형 회귀가 R² ≈ 0.6에 머물던 영역에서도 딥러닝 기반 모델은 0.9 이상으로 회복시켰다.

추가적으로, 예측된 전하성 맵을 k‑means 군집화에 투입해 3개의 주요 군집(사암·실트, 실트·모래, 풍화 화강암)으로 구분하였다. 각 군집은 포화도·클레이 함량·균열 밀도와 높은 상관성을 보였으며, 이는 기존 저항성만으로는 구분이 어려웠던 미세 지질 변이를 드러낸다.

이러한 결과는 (1) 현장 IP 측정 없이도 고해상도 전하성 모델을 생성할 수 있음, (2) 복잡한 지질 환경에서도 모델 일반화 능력이 뛰어남, (3) 군집 분석을 통한 지층 구분이 가능함을 의미한다. 따라서 탐사·지반·환경 분야에서 비용 효율적인 사전 조사 도구로 활용될 잠재력이 크다.

**