• Geophysics and Geophysical Exploration
• /
• v.25 no.4
• /
• pp.227-241
• /
• 2022

Full waveform inversion (FWI) in the field of seismic data processing is an inversion technique that is used to estimate the velocity model of the subsurface for oil and gas exploration. Recently, deep learning (DL) technology has been increasingly used for seismic data processing, and its combination with FWI has attracted remarkable research efforts. For example, DL-based data processing techniques have been utilized for preprocessing input data for FWI, enabling the direct implementation of FWI through DL technology. DL-based FWI can be divided into the following methods: pure data-based, physics-based neural network, encoder-decoder, reparameterized FWI, and physics-informed neural network. In this review, we describe the theory and characteristics of the methods by systematizing them in the order of advancements. In the early days of DL-based FWI, the DL model predicted the velocity model by preparing a large training data set to adopt faithfully the basic principles of data science and apply a pure data-based prediction model. The current research trend is to supplement the shortcomings of the pure data-based approach using the loss function consisting of seismic data or physical information from the wave equation itself in deep neural networks. Based on these developments, DL-based FWI has evolved to not require a large amount of learning data, alleviating the cycle-skipping problem, which is an intrinsic limitation of FWI, and reducing computation times dramatically. The value of DL-based FWI is expected to increase continually in the processing of seismic data.

• Geophysics and Geophysical Exploration
• /
• v.24 no.2
• /
• pp.53-66
• /
• 2021

Velocity model building is an essential procedure in seismic data processing. Conventional techniques, such as traveltime tomography or velocity analysis take longer computational time to predict a single velocity model and the quality of the inversion results is highly dependent on human expertise. Full-waveform inversions also depend on an accurate initial model. Recently, deep neural network techniques are gaining widespread acceptance due to an increase in their integration to solving complex and nonlinear problems. This study investigated cases of seismic velocity model building using deep neural network techniques by classifying items according to the neural networks used in each study. We also included cases of generating training synthetic velocity models. Deep neural networks automatically optimize model parameters by training neural networks from large amounts of data. Thus, less human interaction is involved in the quality of the inversion results compared to that of conventional techniques and the computational cost of predicting a single velocity model after training is negligible. Additionally, unlike full-waveform inversions, the initial velocity model is not required. Several studies have demonstrated that deep neural network techniques achieve outstanding performance not only in computational cost but also in inversion results. Based on the research results, we analyzed and discussed the characteristics of deep neural network techniques for building velocity models.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2018.05a
• /
• pp.45-45
• /
• 2018

오염물의 혼합거동을 해석하기 위해 물리기반 모델을 이용하는 경우 모델을 구축하고 운용하는데 많은 시간과 재정이 소요되며 현장검증을 통한 검증이 반드시 필요하다. 하지만 데이터 기반 모델의 경우 축적된 데이터만으로도 예측을 수행할 수 있으며 물리기반모델에 비해 결정해야할 입력인자가 적어 모델운용이 용이하다는 장점이 있다. 다양한 데이터 모델 중 인공신경망(ANN) 모델은 데이터가 가지는 불확실성 및 비정상성, 복잡한 상호관련성에 효과적으로 대응할 수 있는 모델로 수자원 및 환경 분야에서 자주 사용되고 있다. 본 연구에서는 인공신경망 모델을 이용하여 지천유입이 있는 대하천의 수질인자 (pH, 전기전도도, DO, chl-a)를 예측하였다. 다른 데이터기반 모델과 같이 인공신경망 모델 또한 수집된 데이터 질에 크게 영향을 받으며, 내부 입력인자의 선택이 모델의 예측 결과에 큰 영향을 미친다. 이러한 인공신경망 모델의 특성을 바탕으로 예측모형의 정확도를 향상하기 위해서는 크게 데이터 처리부분과 모델구축 부분에서의 접근이 필요하다. 본 연구에서는 데이터 처리 과정에서 연구대상지점의 각각의 수질인자가 가지는 분포 특성을 유지하기 위해 층화표츨추출법을 이용하여 데이터를 구성하였다. 모델의 구축 과정에서는 초기가중치 값의 영향을 줄이기 위해 앙상블기법을 사용하였으며, 좀 더 견고하고 정확한 결과를 예측하기 위해 탄력적 역전파알고리즘을 추가하였다. 추가적으로 합류 후 본류의 미 계측지역 수질 예측 정확도 향상을 위해 본류의 수질인자뿐만 아니라 지류의 수질인자를 입력자료로 사용하여 모의를 수행하였다. 또한 동일 구간에서 수행한 현장추적자실험 자료를 이용하여 수질인자의 분포특성을 비교, 검증하였다. 개발된 모델을 이용하여 낙동강과 금호강 합류부 하류의 수질인자를 예측한 결과 지류의 수질인자를 입력자료로 추가한 경우 예측의 정확도가 증가하였으며, 현장실험 자료를 통해 밝혀진 오염물의 거동현상을 인공신경망 모델로도 동일하게 재현하는 것으로 나타났다. 본 연구에서 제안한 인공신경모델을 이용한다면 물리기반 수치모델을 대체하여 지천으로 유입된 오염물의 거동을 정확하고 효율적으로 파악할 수 있을 것이다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2016.10a
• /
• pp.220-221
• /
• 2016

전력제어시스템은 외부망으로부터 보호하기 위하여 망분리를 해야 하지만 부득이하게 외부망과 연결을 필요로한다. 이러한 이유때문에 망연계 구간에서 보안을 강화할 수 있는 다양한 보안솔루션들이 개발되고 있다. 이 논문에서는 제어시스템에서 사용하고 있는 PI시스템과 제어망으로의 접속을 원천적으로 차단하는 물리적 일방향자료전달시스템 연계를 위한 구성과 그에 따른 에이전트 구현방법을 소개한다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2020.07a
• /
• pp.425-428
• /
• 2020

본 논문에서는 경계 합성곱 신경망(Convolutional neural network, CNN)기반의 슈퍼 해상도 기법을 이용하여 저해상도 옷감 메쉬를 슈퍼 해상도로 노이즈 없이 안정적으로 표현할 수 있는 기법을 제안한다. 저해상도와 고해상도 메쉬들 간의 쌍은 옷감 시뮬레이션을 통해 얻을 수 있으며, 이렇게 얻어진 데이터를 이용하여 고해상도-저해상도 데이터 쌍을 설정한다. 학습할 때 사용되는 데이터는 옷감 메쉬를 지오메트리 이미지로 변환하여 사용한다. 우리가 제안하는 경계 합성곱 신경망은 저해상도 이미지를 고해상도 이미지로 업스케일링 시키는 이미지 합성기를 학습시키기 위해 사용된다. 테스트 결과로 얻어진 고해상도 이미지가 고해상도 메쉬로 다시 변환되면, 저해상도 메쉬에 비해 주름이 잘 표현되며, 경계 부근에서 나타나는 노이즈 문제가 완화된다. 합성 결과에 대한 성능으로는 전통적인 물리 기반 시뮬레이션보다 약 10배 정도 빠른 성능을 보여준다.

• Information and Communications Magazine
• /
• v.26 no.7
• /
• pp.10-16
• /
• 2009

본고에서는 무선 통신 망에서 게임 이론이 적용된 주요 물리 계층 설계 기술을 소개한다. 셀룰러 망과 ad-hoc 망에서 일반적으로 적용할 수 있는 비협력 게임 이론 모형을 제시하고 서로 다른 목적을 위해 제안된 게임 전략과 유틸리티 함수를 소개함으로써 게임 이론으로 다양한 분산 알고리즘을 도출할 수 있음을 보인다.

• Defense and Technology
• /
• no.4 s.182
• /
• pp.36-45
• /
• 1994

미국 특수전투단에 속해 있는 컴퓨터 바이러스 전투단은 걸프전시 이라크의 미사일망을 교란 시킬 목적으로 컴퓨터 바이러스를 그들의 컴퓨터에 투입하여 물리적인 폭탄보다도 더 위력적인 효과를 발휘하여 연합군의 공격이 감행되었을 때 효과적으로 이라크의 레이다망을 억제하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2003.05c
• /
• pp.2237-2240
• /
• 2003

하나의 물리 망 위에 있는 두 시스템은 상대방의 물리 주소를 알고 있어야만 통신을 할 수 있고. 물리 주소는 통신비용 절감을 위해 ARP를 사용하는 HOST의 ARP cache에 Internet-to-Ethernet Mapping형태로 저장한다. 이러한 ARP cache 구조는 Modification의 많은 취약성을 가진다. 그 중 취약성을 이용한 공격 중 하나인 ARP Redirect Attack은 물리 망 위의 Target Host 패킷이 공격자의 시스템을 통해 게이트웨이까지 가도록 한다. 본 논문은 게이트웨이 및 일반 HOST 시스템으로 구성된 Local Area Network 기반 구조를 내부 공격자 시스템으로부터 다른 내부 시스템의 사용자 정보를 안전하게 게이트웨이까지 보내기 위한 대응 모델을 제안하고자 한다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2010.05a
• /
• pp.1605-1609
• /
• 2010

CGCM3.1 SRES B1 시나리오의 2D 변수들을 입력값으로 인공신경망 모형을 이용한 스케일 상세화기법으로 강부식(2009)은 소양강댐 유역의 월 누적강수 경향분석을 실시하였다. 원시 GCM 시나리오를 스케일 상세화 시키기 위한 기법의 하나로 인공신경망 모형을 사용할 수 있는데, 이 경우 GCM에서 모의되는 강수플럭스, 해면기압, 지표면 근처에서의 일 평균온도, 지표면 근처에서의 일평균온도, 지표면으로부터 발생하는 잠열플럭스 등과 같은 22개의 변수를 잠재적인 예측인자로 사용하여 신경망을 구성하게 된다. 입력변수세트의 구성은 인공신경망의 계산 효율을 좌우하는 중요한 요소라 할 수 있다. 본 연구에서는 변수의 물리적 특성을 고려하여 순차적인 변수선택을 통한 신경망 입력변수 세트를 구성하고 입력세트 간의 학습성과 비교를 통하여, 최적 입력변수 선정 및 신경망의 학습효과를 높일 수 있는 방법에 대해 연구하였다. 물리적 상관성이 높다고 판단되는 GCM_Prec, huss, ps를 입력변수로 하여 순차적인 케이스를 학습해본 결과 huss와 ps를 입력변수로 하는 케이스에 대해서 적은 오차와 높은 상관성을 보였다, 또한, 신경망의 학습 효과를 높이기 위해 홍수기와 비홍수기로 구분하여 학습한 결과 홍수기와 비홍수기로 구분하여 신경망을 구성하였을 경우가 향상된 모의값을 나타내었다. 기후변화모의자료는 CCCma(Canadian Center for Climate Modeling and Analysis)에서 제공되는 CGCM3.1/T63 20C3M 시나리오를 사용하였으며, 관측값으로는 AWS에서 제공된 일 누적강수를 사용하였다. 인공신경망의 학습기간은 1997년부터 2000년이며, 검증기간은 2001년부터 2004년으로 구성하였다.

• Proceedings of the Korean Operations and Management Science Society Conference
• /
• 1996.10a
• /
• pp.190-193
• /
• 1996

B-ISDN의 전송망으로서 핵심적인 역할을 수행하게 될 SDH망은 재난에 의한 망의 물리적인 손상에도 생존해야 하며, 증가하는 수용에도 유연하게 대처할수 있어야 한다. 생존도를 보장하기 위한 시스템은 다수 개발되었고, 이에 관련된 연구도 활발하게 진행되었으나, 상대적으로 망의 진화방안에 대해서는 연구가 미비한 상태이다. 본 논문에서는 생존도를 고려한 기존의 시스템들의 수요증가에 대한 적합성을 검토하고, 전형적인 진화유형에 대해서 논의하며, 이와 관련된 최적화모형을 도출한다.