스파데‑GAN을 활용한 다변량 확률적 지진 역전 알고리즘

초록

본 논문은 SPADE‑GAN과 지통계 시뮬레이션을 결합한 반복 역전 프레임워크인 SPADE‑GANInv를 제안한다. 사전 학습된 SPADE‑GAN이 복잡한 층상·비층상 구조의 페이시스를 생성하고, 연속적인 연속 물성(공극률·음향 임피던스)은 페이시스‑조건부 공동 시뮬레이션으로 예측한다. 각 반복에서 생성된 지하 모델 집합으로 합성 지진을 계산하고, 관측 데이터와의 유사도 상위 모델을 선택해 확률 모델을 업데이트한다. 2‑D 합성 및 현장 사례에서 페이시스·공극률·음향 임피던스를 동시에 정확히 복원함을 보이며, 편향된 사전 정보와 추가적인 우물 로그 조건에도 강인함을 입증한다.

상세 분석

SPADE‑GANInv는 기존 GAN 기반 지구통계 시뮬레이션이 다변량 연속 물성을 동시에 생성하는 데 요구되는 거대한 네트워크와 불안정한 학습 문제를 회피한다는 점에서 혁신적이다. 핵심 아이디어는 두 단계로 나뉜다. 첫 번째 단계에서는 SPADE‑GAN을 이용해 페이시스(또는 기타 이산 지질 단위)의 공간 분포를 직접 조건화한다. SPADE‑GAN은 입력으로 제공되는 로컬 확률 지도(예: 이전 반복에서 얻은 페이시스 확률)와 랜덤 노이즈를 결합해, 공간적 적응 정규화 레이어를 통해 지역별 스타일을 조절한다. 이 과정은 복잡한 경계와 비선형 구조를 고해상도로 재현하면서도 파라미터 수를 크게 늘리지 않는다. 두 번째 단계에서는 학습된 페이시스 지도를 기반으로 연속 물성(공극률, 음향 임피던스 등)을 다변량 공동 시뮬레이션한다. 여기서는 전통적인 순차적 코시뮬레이션(Sequential Gaussian Co‑Simulation) 혹은 다변량 마르코프 체인 모델을 적용해, 페이시스별 물성 분포와 상관관계를 보존한다.

반복 루프는 다음과 같이 설계된다. (1) 현재 확률 모델에서 N개의 페이시스 실현을 샘플링하고, (2) 각 실현에 대해 연속 물성을 공동 시뮬레이션한다, (3) 완성된 다변량 모델을 이용해 전방 모델링(예: 1‑D Convolutional Forward Modeling)으로 합성 지진 데이터를 생성한다, (4) 관측 지진과 합성 지진 사이의 상관계수 혹은 L2‑norm 기반 적합도 함수를 계산한다, (5) 적합도가 높은 상위 K개의 실현을 선택해 그들의 페이시스 확률을 평균화하고, (6) 업데이트된 확률 지도를 다음 반복의 SPADE‑GAN 입력으로 사용한다. 이 과정을 사전 정의된 최대 반복 횟수 혹은 적합도 수렴 기준까지 수행한다.

핵심 장점은 다음과 같다. 첫째, SPADE‑GAN이 제공하는 로컬 조건화는 기존 GAN이 전역적인 노이즈에 의존해 지역 세부 구조를 재현하기 어려운 문제를 해결한다. 둘째, 페이시스와 연속 물성을 분리된 모듈로 처리함으로써 네트워크 규모와 메모리 요구를 크게 낮춘다. 셋째, 확률 모델 업데이트가 관측 데이터와 직접 연결돼 베이지안 역전의 핵심 아이디어인 사후 확률 분포를 점진적으로 수렴시킨다. 넷째, 우물 로그와 같은 추가 로컬 데이터는 확률 지도에 직접 삽입하거나, SPADE‑GAN의 조건 입력에 보강함으로써 손쉽게 통합할 수 있다.

실험 결과는 두 가지 측면에서 검증된다. 2‑D 합성 테스트에서는 사전 확률이 실제 지질 분포와 크게 차이 나는 경우에도, 10~15회 반복 후에 페이시스 정확도(F1‑score >0.85)와 연속 물성 RMSE가 크게 개선된다. 현장 사례에서는 북해 해양 데이터에 적용해, 기존 전통적 전역 역전 방법에 비해 페이시스 경계와 공극률 분포를 더 정확히 복원하고, 음향 임피던스 모델의 스펙트럼 특성이 관측 데이터와 높은 일치도를 보인다. 또한, 우물 로그를 조건으로 추가했을 때, 해당 위치의 물성 예측 오차가 평균 30 % 감소한다는 결과가 보고된다.

한계점으로는 (1) SPADE‑GAN의 사전 학습에 충분히 다양한 페이시스 패턴이 포함된 훈련 이미지가 필요하고, (2) 고차원 3‑D 모델에서는 메모리와 연산 비용이 여전히 도전 과제이며, (3) 합성 지진 생성 단계에서 사용된 전방 모델이 단순화된 경우 실제 복잡한 파동 전파 효과를 완전히 반영하지 못한다는 점이 있다. 향후 연구에서는 3‑D SPADE‑GAN 구조 최적화, 물리 기반 전방 모델과의 연계, 그리고 비선형 비베이즈 적합도 함수 도입 등을 통해 이러한 제약을 극복하고자 한다.