AI 기반 생성 모델을 활용한 해안 화산성 대수층 개념 모델링 비교

초록

본 연구는 해안 화산성 대수층의 복잡한 지질·지구물리학 데이터를 통합하기 위해 자체 조직 지도(SOM)와 여러 생성 알고리즘을 결합한 AI‑지원 워크플로우를 제안한다. 데이터 불균형과 희소성을 극복하고, 최적의 생성 모델(CopulaGAN)을 선정하여 3차원 확률적 개념 모델을 구축함으로써 염수 침입 경로와 지하 흐름 양상을 재현한다.

상세 분석

이 논문은 전통적인 개념 모델링이 갖는 “정성적 결합” 한계를 인공지능(AI) 기반의 정량적 프레임워크로 전환하려는 시도다. 먼저 데이터 큐브를 구축해 다양한 카테고리(지질 단위, 구획, 해양 여부)와 연속 변수(전기저항, 중력, 온도 등)를 하나의 테이블에 통합하고, 원-핫 인코딩과 로그 변환을 통해 클래스 불균형을 완화한다는 점이 실용적이다. SOM을 두 단계(비지도 → 지도)로 활용해 고차원 데이터의 토포로지를 보존하면서도 목표 변수와의 매핑을 수행하는 방법은, 기존 클러스터링보다 해석 가능성을 높인다.

생성 단계에서는 CTGAN, TVAE, Tabular Gaussian Copula(TGC), CopulaGAN 등 네 가지 최신 테이블 생성 모델을 비교한다. 여기서 핵심은 “데이터 품질 메트릭”(예: Kolmogorov‑Smirnov, Wasserstein 거리, 변수별 상관 보존)으로 각 모델의 샘플이 원본 분포를 얼마나 잘 재현하는지를 정량화한 점이다. 결과적으로 CopulaGAN이 다중 클래스와 연속 변수의 공동 분포를 가장 정확히 복제했으며, 특히 희소한 지질 단위와 극단값을 보존하는 데 강점을 보였다.

선정된 CopulaGAN으로부터 생성된 “사이트 모델”은 다시 SOM에 투입돼 격자화된 수치 모델(그리드) 위에 매핑된다. 이 과정에서 불확실성 전파가 자연스럽게 이루어져, 각 격자 셀에 대한 확률적 지질·지구물리학 속성이 부여된다. 3‑D 전도도 모델을 통해 해안 경사, 펌핑, 염수 침입 등 실제 관측과 일치하는 흐름 패턴을 재현했으며, 이는 기존 정성적 모델이 제공하지 못했던 정량적 근거를 제공한다.

하지만 몇 가지 한계도 존재한다. 첫째, SOM의 토폴로지 보존이 고차원 비선형 관계를 완전히 포착한다는 가정이 과도할 수 있다. 둘째, 생성 모델 학습에 사용된 데이터 양이 제한적이므로, 특히 깊이별 지구물리학 데이터가 부족한 경우 모델이 과적합될 위험이 있다. 셋째, CopulaGAN의 성능 평가는 주로 통계적 거리와 변수 상관 보존에 의존했으며, 실제 물리적 일관성(예: 전도도와 투과성 간의 물리 법칙) 검증이 부족하다. 향후 연구에서는 물리 기반 제약을 포함한 하이브리드 생성 모델이나, 베이지안 네트워크를 통한 불확실성 정량화를 도입하면 보다 견고한 CGM을 구축할 수 있을 것이다.