• 지구물리와물리탐사
• /
• 제26권2호
• /
• pp.84-93
• /
• 2023

지도 학습 기반 딥러닝 탄성파 역산은 소규모 영역을 대상으로 하는 합성 자료 예제에서 성공적인 역산 성능을 보여주었다. 지도 학습 기반 딥러닝 탄성파 역산은 시간 영역 파동장을 입력, 지하 속도 모델을 출력으로 사용하는데, 시간 영역 파동장은 다양한 파동 정보를 포함하고 있어 자료의 크기가 상당히 크다. 따라서 대량의 데이터로 훈련하는 지도 학습 기반 딥러닝 탄성파 역산을 현장 규모의 자료에 적용하는 연구는 아직까지 수행되지 못하고 있다. 본 연구에서는 지도 학습 기반 딥러닝 탄성파 역산 기법을 현장 규모의 자료에 적용하기 위해 시간 영역 파동장 대신 라플라스 영역 파동장을 입력으로 사용하여 지하 속도 모델을 예측하였다. 시간 영역 파동장 대신 라플라스 영역 파동장을 사용하면 결과의 해상도는 다소 떨어지지만 입력 자료의 크기가 크게 감소하여 신경망 훈련이 빨라지게 된다. 또한, 큰 격자 간격을 사용할 수 있어 현장 자료 크기의 속도 모델을 효율적으로 예측할 수 있으며 이를 통해 얻은 결과는 후속 역산의 초기 모델로 사용될 수 있다. 신경망 훈련을 위해 현장 자료 크기를 가지는 대량의 합성 속도 모델과 라플라스 영역 파동장을 생성한 후 인공 합성 자료만으로 신경망을 훈련시켰다. 또한, 해양 탄성파 탐사를 시뮬레이션하기 위해 견인 스트리머 취득 조건을 채택하였다. 테스트 자료와 벤치마크 모델을 이용한 수치 예제에서 훈련된 신경망을 테스트한 결과, 적절한 배경 속도 모델들을 얻을 수 있었다.

• 지구물리와물리탐사
• /
• 제7권4호
• /
• pp.234-244
• /
• 2004

주파수 영역 유한요소 파동방정식의 3차원 모델링은 거대한 크기의 산재행렬(sparse matrix)인 임피던스 행렬을 풀어야 한다. 이러한 이유 때문에 파동방정식의 3차원 모델링은 주로 시간 영역에서 이루어지고 있다. 이 연구는 주파수 영역 파동방정식의 유한요소 3차원 모델링 연구의 일환으로 라플라스 영역에서 1개 주파수에 대한 파동방정식 해를 이용하여 주시와 진폭을 계산할 수 있는 SWEET(Suppressed Wave Equation Estimation of Traveltime) 알고리즘과 병렬 유한요소 솔버를 결합하여 주파수 영역 3차원 모델링을 시도 하였다. 이렇게 계산된 주시와 진폭은 파선이론에 기반하여 계산된 주시와 진폭과 달리 급경사 구조 또는 수평 속도의 비가 큰 곳에서도 정확하게 계산되며, Kirchhoff 구조보정에 유용하게 사용될 수 있다. 연구의 결과를 검증하기 위하여 SEG/EAGE 3D 암염 모델의 주시와 진폭 계산에 적용하여 이를 검증하였다.