딥러닝으로 혁신하는 지하탐사: 의사 스펙트럼 전파형 역산의 새로운 지평

딥러닝 기반의 새로운 지하 구조 영상화 기법이 기존 방식보다 심부 및 역단층 지역에서 우수한 성능을 보이며, 향후 지하 탐사 분야에 혁신을 가져올 것으로 기대됩니다.

지하자원 탐사 및 지진파 분석 분야에서 핵심 기술로 자리 잡은 전파형 역산(FWI)은 고해상도 지하 모델 구축을 목표로 합니다. 하지만 복잡한 지질 환경에서는 적절한 전파 모델 선택의 어려움과 충분한 데이터 확보의 제약으로 한계를 드러냈습니다.

Christopher Zerafa, Pauline Galea, Cristiana Sebu 연구팀은 최근 발표한 논문 "Data-Driven Pseudo-spectral Full Waveform Inversion via Deep Neural Networks" 에서 딥러닝 기술을 활용하여 이러한 한계를 극복하는 새로운 FWI 방법론을 제시했습니다. 이 연구는 기존의 시간 영역 기반 FWI에서 벗어나 의사 스펙트럼 영역에 딥러닝을 접목한 획기적인 시도입니다. 기존의 결정론적 모델이 물리 법칙에 의존하는 것과 달리, 데이터 기반 방법은 파동 전파 모델의 제약 없이 데이터에 기반하여 지하 구조를 추정합니다.

연구팀은 의사 스펙트럼 FWI 문제를 딥러닝 알고리즘으로 재구성하여 새로운 심층 신경망(DNN) 프레임워크를 제안했습니다. 2차원 Marmousi 데이터셋을 사용한 실험 결과, 이 데이터 기반 의사 스펙트럼 DNN은 기존 FWI 방식보다 심부 및 역단층 지역에서 훨씬 우수한 성능을 보였습니다. 이는 딥러닝의 전역적 근사 능력 덕분으로, 광선 추적 기반의 물리적 제약에서 자유롭기 때문입니다.

이 연구는 딥러닝이 지하탐사 분야에 가져올 혁신적인 가능성을 보여주는 중요한 사례입니다. 데이터 기반의 딥러닝 접근 방식은 기존 FWI의 한계를 극복하고, 보다 정확하고 효율적인 지하 구조 영상화를 가능하게 할 것으로 기대됩니다. 앞으로 이 기술이 실제 현장 데이터에 적용되어 그 효용성이 더욱 검증되기를 기대해 봅니다. 향후 다양한 지질 환경과 더욱 복잡한 데이터에 대한 적용 연구가 활발히 진행될 것으로 예상됩니다.