[논문]머신러닝을 이용한 탄성파 반사법 자료의 해저면 겹반사 제거

남호수; 임보성; 권일룡; 김지수

doi:10.7582/gge.2020.23.3.00168

머신러닝을 이용한 탄성파 반사법 자료의 해저면 겹반사 제거
Removal of Seabed Multiples in Seismic Reflection Data using Machine Learning 원문보기

지구물리와 물리탐사 = Geophysics and geophysical exploration, v.23 no.3, 2020년, pp.168 - 177

남호수 (케이티파워텔 전략상품팀) , 임보성 (한국석유공사 국내사업처 국내탐사팀) , 권일룡 (주식회사 포도) , 김지수 (충북대학교 지구환경과학과)

초록
AI-Helper

해저면 탄성파 겹반사는 발파점 모음자료와 겹쌓기 단면에서 모두 일차 반사파의 해석에 잘못된 결과를 초래할 수 있다. 따라서, 해저면 겹반사는 자료처리를 통해 제거해야 한다. 전통적인 자료처리 과정에서 겹반사 제거는 예측오차 곱풀기와 라돈 필터링 등과 같은 모델-기반 기법과 지표관련-겹반사제거와 같은 데이터-기반 기법에 의해 이루어져 왔다. 그러나 대다수의 자료처리 과정들은 방대한 컴퓨터 자원과 전문적인 자료처리 기법뿐만 아니라 자료처리 변수들을 테스트하고 선택하는데 많은 시간을 필요로 한다. 이 논문에서는 머신러닝 시스템을 활용한 해저면 겹반사의 제거효과를 살펴보기 위해 Marmousi2 속도모델에 대한 수치모델링으로 겹반사가 포함된 입력데이터와 겹반사가 포함되지 않은 레이블데이터를 생성하였다. 수직시간차가 보정된 공통중간점 모음자료로 훈련데이터를 구성하였으며 인공신경망은 U-Net 모델을 적용하였다. 해저면 겹반사를 제거하기 위해 훈련된 모델은 레이블데이터에 거의 근접하는 예측 결과를 만들어내며, 현장자료에 대한 예측 테스트에서 해저면 겹반사를 효과적으로 제거하는 것으로 나타났다.

Abstract ▼ AI-Helper

Seabed multiple reflections (seabed multiples) are the main cause of misinterpretations of primary reflections in both shot gathers and stack sections. Accordingly, seabed multiples need to be suppressed throughout data processing. Conventional model-driven methods, such as prediction-error deconvolution, Radon filtering, and data-driven methods, such as the surface-related multiple elimination technique, have been used to attenuate multiple reflections. However, the vast majority of processing workflows require time-consuming steps when testing and selecting the processing parameters in addition to computational power and skilled data-processing techniques. To attenuate seabed multiples in seismic reflection data, input gathers with seabed multiples and label gathers without seabed multiples were generated via numerical modeling using the Marmousi2 velocity structure. The training data consisted of normal-moveout-corrected common midpoint gathers fed into a U-Net neural network. The well-trained model was found to effectively attenuate the seabed multiples according to the image similarity between the prediction result and the target data, and demonstrated good applicability to field data.

주제어

표/그림 (16)

그림 Fig. 1. Elastic Marmousi2 P-wave velocity model (Martin, 2004).
그림 Fig. 2. Schematic diagram of a source and 801 receivers at water depth 40 m on a 10 m × 10 m grid model.
그림 Fig. 3. Data preparation flow for the machine-learning system.
표 Table 1. Data acquisition parameters from the Marmousi2 velocity structure.
표 Table 2. Hardware and software specifications for the 2D elastic modeling.
그림 Fig. 4. Selected common shot gather at a distance position of 21,320 m (a) with and (b) without multiples.
그림 Fig. 5. Selected common midpoint (CMP) gather at a distance position of 15,000m (a) with and (b) without multiples.
그림 Fig. 6. Schematic diagram showing the effect of the nomalmoveout(NMO) correction for primary and multiple events: (a) prior to and (b) after the NMO correction (modified from Sheriff and Geldart(1995)).
그림 Fig. 7. Selected NMO-corrected CMP gather (a) with and (b) without multiples.
표 Table 3. Hardware and software specifications for the machine-learning system.
그림 Fig. 8. The U-Net layer structure employed in this study (after Nam (2020)).
그림 Fig. 9. Moving sample-window set for training data on NMO-corrected CMP gathers (a) with and (b) without multiples.
그림 Fig. 10. Training history showing the training loss and validation loss for a U-Net neural network model.
표 Table 4. Parameters and training data set for the U-Net model.
그림 Fig. 11. Examination of the rejection of multiples in the NMO-corrected CMP gathers: (a) input data, (b) prediction result, and (c) label data.
그림 Fig. 12. Multiple attenuation performance test using seismic field data: (a) input data with the Surface Related Multiple Elimination (SRME) technique applied, (b) prediction result, (c) processing result with Radon filtering, and (d) the difference between panels (a) and (b).

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

전자의 경우 도깨비제거에 정확한 음원 요소파(source wavelet)를 결정해야하며, 하나의 모델에 학습 목적을 두 개로 확장하는 후자의 경우에는 신경망이 더욱 복잡해지고 검증이 어려워지는 한계가 있다. 이러한 이유로 음원의 파형은 동일하고 해저면 겹반사의 존재 유무만을 차이로 가지는 훈련자료를 각각 만들고자 하였다. 이를 위해 수치모델링의 경계조건에서 40개 그리드의 흡수경계 조건을 네 개의 경계면에 모두 적용하였다.
훈련된 U-Net 머신러닝 시스템의 성능을 확인하고자 훈련에 사용되었던 데이터를 예측을 위한 입력데이터로 재활용하여 예측결과를 확인해보았다. 포함된 입력데이터(Fig.

제안 방법

U-Net 훈련을 위한 기본 인자는 Adam 옵티마이저와 손실 함수로 평균절대오차(mean absolute error, MAE)를 사용하였다. U-Net 모델의 훈련데이터에 적합한 인자들을 찾기 위해 시행한 사전 훈련시험을 통해 지역 최적화 되거나 로스(loss) 값이 발산하지 않도록 학습률(learning rate)의 값으로 0.00001, epoch는 100 회로 적용하였다(Table 4).
각 풀링 계층에선 2×2 최대풀링(max pooling)이 사용되어 계층이 내려갈때마다 1/2 하향 샘플링(down sampling)이 되도록 하였다.
해양탄성파 탐사자료에서 수반되는 겹반사를 제거하기 위해 U-Net 구조를 기본으로 하는 머신러닝 시스템을 활용하였다. 겹반사 제거의 성능을 확인하고자 2D Marmousi2 속도구조에 대하여 수집한 수치모델링 자료에서 수직시간차가 보정된 공통중간점 모음자료를 머신러닝 시스템의 훈련에 사용하였다. 겹반사가 포함된 자료와 일차반사파만을 가진 자료를 각각 입력데이터와 레이블데이터로 활용하여 훈련을 시켰고 이 훈련된 머신러닝 시스템을 통해 출력된 예측결과에서 일차 반사파는 그대로 유지한 상태에서 대부분의 겹반사파가 효과적으로 제거되는 것으로 나타났다.
앞에서 훈련이 완료된 U-Net 머신러닝 시스템의 겹반사 제거성능을 확인하고자 수직시간차 보정을 거친 공통중간점 자료들 중에서 373개의 모음자료를 대상으로 가로축 8,000 m 세로축 3,000 ms의 윈도(window) 크기로 천부와 심부 균일한 비율로 데이터 취득이 되도록 상단 중단 하단의 구역 경계를 지정하여 모음자료별로 3개씩 총 1,119개의 훈련 데이터를 확보 하였다. 그 후 주어진 각 구역 안에서의 샘플링 원도(sampling window)는 거리축은 최대 벌림거리로 일정하게 유지하고 시간축을 따라 점진적으로 이동시켜가면서 설정하였다. 이와 같은 시간축이동 윈도를 통해 상부 뮤팅된 부분과 겹반사의 큰 진폭변화를 제어할 수 있었으며 훈련에서 필요이상으로 데이터학습이 많이 수행되는 과적합현상(over fitting)을 줄일 수 있었다(Fig.
따라서 훈련데이터 역시 가로 256, 세로 256 형태의 2차원 규격으로 준비하였다. 두번째 고려할 사항은 계산시간의 효율성을 위해 공통중간점 모음자료는 전체 모음자료 중 10번째마다 하나의 샘플을 선택하여 경량화시켰고 훈련은 지역 최솟값(local minimum)에 빠지지 않고 빠른 훈련을 위해 최소-최대 정규화법(min-max normalization)(식 1)을 이용하여 데이터의 값을 0.0~1.0 구간으로 정규화시키는 작업을 수행하였다.
12b)에서 효과적으로 제거된 것을 확인할 수 있다. 또한 이 결과를 일차반사와 겹반사의 속도차이에 민감한 전통적인 라돈 필터 등이 적용된 자료(Fig. 12c)와 비교해보았다. 라돈 필터링 결과에서 먼 벌림거리의 겹반사가 두루 제거되고 있지만 여러 단계의 자료처리 과정에서 수반되는 인공잡음 형태의 수평 이벤트들이 보이는 반면, 학습이 잘된 머신러닝 시스템은 비록 제한적이지만 겹반사만 효과적으로 완화시키는 것으로 나타났다.
이때 해저면 겹반사의 모사에는 파의 극성과 해수면의 반사계수를 고려하였다. 머신러닝에서 해저면 겹반사가 더해진 자료는 입력자료, 해저면 겹반사가 더해지지 않은 자료는 레이블자료로 설정하였다.
이 연구에서는 머신러닝을 이용한 겹반사 제거에 대한 시험검증을 위해 2차원의 해양지각 탄성파 수치모델링을 통해서 겹반사가 포함된 입력데이터(input data)와 겹반사가 포함되지 않은 레이블데이터(label data)를 생성하였다. 생성된 훈련 데이터는 U-Net 모델(Ronneberger et al., 2015)을 이용하여 훈련시켰으며 여기서 훈련된 모델(Nam, 2020)을 바탕으로 수직시간차가 보정된 공통중간점 모음자료(NMO-corrected CMP gather)를 훈련데이터로 활용하여 특히 먼 벌림거리에서의 겹반사파 제거의 효과를 확인하고 현장자료에도 테스트해보았다.
1)(Martin, 2004)에 대한 수치 모델링으로 반사법자료를 수집하였다. 송신원과 수신기의 수심은 모두 40 m이며 가로세로 기본단위 10 m의 가로축(x) 3,400 개, 세로축(z) 700 개의 2차원 영역에서 수신기의 거리를 10 m 단위로 총 801개를 설정하여 최대 벌림거리(maximum offset)를 8,000 m로 설계하였다(Fig. 2, Table 1). 기록시간은 지하 경계면의 반사파 정보를 충분히 기록할 수 있도록 10,000 ms로 설정하였다.
이를 위해 수치모델링의 경계조건에서 40개 그리드의 흡수경계 조건을 네 개의 경계면에 모두 적용하였다. 우선 공기층을 모델에서 제외시켜 도깨비와 해저면 겹반사를 발생하지 않도록 하여 출력된 자료에서 직접파를 제외한 나머지 이벤트들을 일정한 시간간격으로 반복적으로 만들어내어 이를 원시 자료에 더하였다. 이때 해저면 겹반사의 모사에는 파의 극성과 해수면의 반사계수를 고려하였다.
(2019)은 딥러닝을 통한 겹반사 제거에 합성곱 신경망(convolutional neural network, CNN)과 적대적 생성 신경망(generative adversarial network, GAN)을 접목하여 그 효용성을 검증한 바 있다. 이 연구에서는 머신러닝을 이용한 겹반사 제거에 대한 시험검증을 위해 2차원의 해양지각 탄성파 수치모델링을 통해서 겹반사가 포함된 입력데이터(input data)와 겹반사가 포함되지 않은 레이블데이터(label data)를 생성하였다. 생성된 훈련 데이터는 U-Net 모델(Ronneberger et al.
첫 번째 고려할 것은 머신러닝은 모델 설계에 따라 입력데이터(input data)와 예측데이터(prediction data)의 형태가 특정 규격으로 정의되어야 한다는 점이다. 이 연구에서는 일반적으로 Computer Vision 영역에서 데이터의 취급이 용이하여 주로 사용되는 가로 256, 세로 256 형태의 2차원 데이터로 입출력 구조를 설계하였다. 따라서 훈련데이터 역시 가로 256, 세로 256 형태의 2차원 규격으로 준비하였다.
컴퓨터의 중앙처리장치 CPU와 비교할때 GPU는 개별 연산속도는 느리지만 행렬연산에 대해 병렬처리가 가능하여 합성곱 연산의 경우에는 CPU에 비해 매우 빠른 연산 결과를 기대할 수 있다. 이 연구에서는 합성곱을 효율적으로 처리할 수 있는 GPU 기반의 시스템에서 구글의 오픈소스 라이브러리인 텐서플로우(TensorFlow)와 백엔드로 케라스(Keras)를 사용하였고 파이썬으로 머신러닝 시스템을 구현하였다(Table 3).
이러한 이유로 음원의 파형은 동일하고 해저면 겹반사의 존재 유무만을 차이로 가지는 훈련자료를 각각 만들고자 하였다. 이를 위해 수치모델링의 경계조건에서 40개 그리드의 흡수경계 조건을 네 개의 경계면에 모두 적용하였다. 우선 공기층을 모델에서 제외시켜 도깨비와 해저면 겹반사를 발생하지 않도록 하여 출력된 자료에서 직접파를 제외한 나머지 이벤트들을 일정한 시간간격으로 반복적으로 만들어내어 이를 원시 자료에 더하였다.
해양탄성파 탐사자료에서 수반되는 겹반사를 제거하기 위해 U-Net 구조를 기본으로 하는 머신러닝 시스템을 활용하였다. 겹반사 제거의 성능을 확인하고자 2D Marmousi2 속도구조에 대하여 수집한 수치모델링 자료에서 수직시간차가 보정된 공통중간점 모음자료를 머신러닝 시스템의 훈련에 사용하였다.

대상 데이터

이 연구에서는 일반적으로 Computer Vision 영역에서 데이터의 취급이 용이하여 주로 사용되는 가로 256, 세로 256 형태의 2차원 데이터로 입출력 구조를 설계하였다. 따라서 훈련데이터 역시 가로 256, 세로 256 형태의 2차원 규격으로 준비하였다. 두번째 고려할 사항은 계산시간의 효율성을 위해 공통중간점 모음자료는 전체 모음자료 중 10번째마다 하나의 샘플을 선택하여 경량화시켰고 훈련은 지역 최솟값(local minimum)에 빠지지 않고 빠른 훈련을 위해 최소-최대 정규화법(min-max normalization)(식 1)을 이용하여 데이터의 값을 0.
수치모델링으로 얻어진 공통 발파점 모음자료(common shot gathers)는 공통중간점 분류(CMP sorting), 수직시간차 보정 (NMO correction)과 스트레치 뮤팅(stretches muting)을 거쳐 자료 고르기(data sampling)와 자료 정규화(data normalization)와 같은 입력자료 전처리(input data handling)의 단계를 거쳐 지도학습(supervised training) 자료로 준비되었다(Fig. 3). 이때, 현장자료의 속도분석이 잡음 등으로 100% 정확하지 않은 것을 고려하여, 훈련자료의 속도에도 10% 가량의 오차를 임의적으로 더하거나 빼주었다.
앞서 훈련된 U-Net 머신러닝 시스템의 실제 자료에 대한 적용성 및 활용성을 살펴보기 위해서 CMP 간격 25 m, 고르기 간격(sampling interval) 2 ms, 최대 벌림거리 6,000 m, 기록시간 6,150 ms의 현장자료를 사용하였다. 현장자료는 3D SRME가 이미 적용되고 수직시간차 보정을 거친 공통중간점 자료(Fig.
앞에서 훈련이 완료된 U-Net 머신러닝 시스템의 겹반사 제거성능을 확인하고자 수직시간차 보정을 거친 공통중간점 자료들 중에서 373개의 모음자료를 대상으로 가로축 8,000 m 세로축 3,000 ms의 윈도(window) 크기로 천부와 심부 균일한 비율로 데이터 취득이 되도록 상단 중단 하단의 구역 경계를 지정하여 모음자료별로 3개씩 총 1,119개의 훈련 데이터를 확보 하였다. 그 후 주어진 각 구역 안에서의 샘플링 원도(sampling window)는 거리축은 최대 벌림거리로 일정하게 유지하고 시간축을 따라 점진적으로 이동시켜가면서 설정하였다.
Anaconda는 현재 가장 대중화된 Data Science Platform 으로 데이터의 가공, 연산, 디스플레이하기 위한 많은 기본 도구와 함께 3^rd Party library가 제공되는 장점이 있다. 이 연구에서는 Anaconda 4.7.10 환경 내에서 구동되는 유한차분법(FDM) 및 파동방정식-기반 탄성파 Modeling library인 Devito Project를 활용하여 일차반사파와 같은 곡률을 보이는 겹반사파가 있는 발파점 모음자료(Fig. 4a)와 겹반사파가 없는 발파점 모음자료(Fig. 4b)를 만들었다.
이 연구에서는 겹반사파들을 포함한 자료를 분석하기 위해 Marmousi2 속도구조(Fig. 1)(Martin, 2004)에 대한 수치 모델링으로 반사법자료를 수집하였다. 송신원과 수신기의 수심은 모두 40 m이며 가로세로 기본단위 10 m의 가로축(x) 3,400 개, 세로축(z) 700 개의 2차원 영역에서 수신기의 거리를 10 m 단위로 총 801개를 설정하여 최대 벌림거리(maximum offset)를 8,000 m로 설계하였다(Fig.
이렇게 선별된 가로 8,000 m 세로 3,000 ms 규격의 데이터를 머신러닝 시스템의 훈련자료로 활용하기 위해 입력규격인 256×256 크기로 재조정했으며(Fig. 9), 훈련 데이터는 전체 데이터의 85%인 951개의 데이터를 사용하고 나머지 15%인 168개의 데이터는 검증데이터로 사용했다.
앞서 훈련된 U-Net 머신러닝 시스템의 실제 자료에 대한 적용성 및 활용성을 살펴보기 위해서 CMP 간격 25 m, 고르기 간격(sampling interval) 2 ms, 최대 벌림거리 6,000 m, 기록시간 6,150 ms의 현장자료를 사용하였다. 현장자료는 3D SRME가 이미 적용되고 수직시간차 보정을 거친 공통중간점 자료(Fig. 12a)이다. SRME 적용 후 먼 벌림거리에 남아있던 겹반사파가 머신러닝 시스템을 통해 출력된 예측결과(Fig.

이론/모형

U-Net 훈련을 위한 기본 인자는 Adam 옵티마이저와 손실 함수로 평균절대오차(mean absolute error, MAE)를 사용하였다. U-Net 모델의 훈련데이터에 적합한 인자들을 찾기 위해 시행한 사전 훈련시험을 통해 지역 최적화 되거나 로스(loss) 값이 발산하지 않도록 학습률(learning rate)의 값으로 0.
이 모형에 대한 머신러닝용 데이터 취득을 위해 X86 서버 및 Ubuntu 운영체제에서 파이썬을 포함한 Anaconda 및 Devito Project (Luporini et al., 2020) 기반의 소프트웨어를 사용하였다(Table 2). Anaconda는 현재 가장 대중화된 Data Science Platform 으로 데이터의 가공, 연산, 디스플레이하기 위한 많은 기본 도구와 함께 3^rd Party library가 제공되는 장점이 있다.
이때 stride는 1×1로 계산하며 합성곱에 의한 차원의 감소를 막기 위해 zero-padding을 적용하였다.

성능/효과

12a)이다. SRME 적용 후 먼 벌림거리에 남아있던 겹반사파가 머신러닝 시스템을 통해 출력된 예측결과(Fig. 12b)에서 효과적으로 제거된 것을 확인할 수 있다. 또한 이 결과를 일차반사와 겹반사의 속도차이에 민감한 전통적인 라돈 필터 등이 적용된 자료(Fig.
겹반사 제거의 성능을 확인하고자 2D Marmousi2 속도구조에 대하여 수집한 수치모델링 자료에서 수직시간차가 보정된 공통중간점 모음자료를 머신러닝 시스템의 훈련에 사용하였다. 겹반사가 포함된 자료와 일차반사파만을 가진 자료를 각각 입력데이터와 레이블데이터로 활용하여 훈련을 시켰고 이 훈련된 머신러닝 시스템을 통해 출력된 예측결과에서 일차 반사파는 그대로 유지한 상태에서 대부분의 겹반사파가 효과적으로 제거되는 것으로 나타났다.
11c)에 접근하는 예측성능을 확인하였다. 겹반사를 제거하는 학습 시스템의 성능은 각 데이터 및 결과 사이의 RMS 오차에서 예측결과와 레이블데이터 사이가 2.80%로서 예측결과와 입력데이터 사이의 8.41%에 비해 매우 감소된 것으로 뒷받침된다.
9), 훈련 데이터는 전체 데이터의 85%인 951개의 데이터를 사용하고 나머지 15%인 168개의 데이터는 검증데이터로 사용했다. 또한 손실이력(loss history)에서 훈련데이터 세트(training data set)와 검증데이터 세트(validation data set)의 손실 차이가 epoch이 증가할수록 0으로 수렴되어 머신러닝이 정상적으로 훈련된 것으로 판단하였다(Fig. 10).
12c)와 비교해보았다. 라돈 필터링 결과에서 먼 벌림거리의 겹반사가 두루 제거되고 있지만 여러 단계의 자료처리 과정에서 수반되는 인공잡음 형태의 수평 이벤트들이 보이는 반면, 학습이 잘된 머신러닝 시스템은 비록 제한적이지만 겹반사만 효과적으로 완화시키는 것으로 나타났다. 겹반사를 제거하는 머신러닝 시스템의 성능은 입력자료(Fig.
이 연구에서는 심층 구조의 U-Net 모델이 겹반사파 완화에 훌륭한 성능을 보여주는 머신러닝 모델임을 확인 할 수 있었으며 전통적인 해양탄성파 자료처리 방식과 함께 머신러닝 시스템을 활용하여 실제 현장자료에 적용할 수 있는 가능성을 보여주었다.
12c에서 5,700 ms 이후에 보이는 인공잡음 이벤트들은 진폭의 불완전한 정규화 과정 및 막바지 시간대에서의 이동 샘플링 윈도의 제한으로 발생한 것으로 해석된다. 이번 연구에서는 정규화기법의 한계로 강한 반사파의 신호까지 그 진폭이 함께 완화되어 결과적으로 출력 해상도가 저하된 것으로 나타났다. 차후에는 SRME는 적용되지 않고 NMO 보정만 적용된 자료 혹은 SRME와 NMO 보정 모두 적용되지 않은 원시자료를 대상으로 학습자료를 구축할 때 정규화기법 등을 포함한 보다 효율적인 모듈들이 개발될 것으로 기대한다.
그 후 주어진 각 구역 안에서의 샘플링 원도(sampling window)는 거리축은 최대 벌림거리로 일정하게 유지하고 시간축을 따라 점진적으로 이동시켜가면서 설정하였다. 이와 같은 시간축이동 윈도를 통해 상부 뮤팅된 부분과 겹반사의 큰 진폭변화를 제어할 수 있었으며 훈련에서 필요이상으로 데이터학습이 많이 수행되는 과적합현상(over fitting)을 줄일 수 있었다(Fig. 9). 이렇게 선별된 가로 8,000 m 세로 3,000 ms 규격의 데이터를 머신러닝 시스템의 훈련자료로 활용하기 위해 입력규격인 256×256 크기로 재조정했으며(Fig.

후속연구

이때, 현장자료의 속도분석이 잡음 등으로 100% 정확하지 않은 것을 고려하여, 훈련자료의 속도에도 10% 가량의 오차를 임의적으로 더하거나 빼주었다. 따라서 이와 같은 인위적인 속도오차의 설정은 수직시간차보정이 정확하지 않은 현장자료의 겹반사를 효과적으로 제거하는 훈련모델을 구축하는데 역할을 할 것으로 기대한다.
이번 연구에서는 정규화기법의 한계로 강한 반사파의 신호까지 그 진폭이 함께 완화되어 결과적으로 출력 해상도가 저하된 것으로 나타났다. 차후에는 SRME는 적용되지 않고 NMO 보정만 적용된 자료 혹은 SRME와 NMO 보정 모두 적용되지 않은 원시자료를 대상으로 학습자료를 구축할 때 정규화기법 등을 포함한 보다 효율적인 모듈들이 개발될 것으로 기대한다.
현장자료는 모델링자료에 비해 진폭 변화가 커지게 되므로 이에 대한 자료의 정규화 작업이 필요하였다. 차후에는 SRME와 NMO 보정 모두 적용되지 않은 원시자료를 대상으로 훈련 자료를 구축할 때 보다 효율적인 정규화기법이 개발될 것으로 기대한다.
해양 탄성파탐사 자료해석 분야에서 머신러닝 시스템을 활용하는 연구는 활성화 초기단계로 보이며 이번 연구에서 활용한 U-Net과 같은 검증된 머신러닝 모델을 이용하는 연구방식과 더불어 해양탄성파 자료처리를 위한 자체적인 머신러닝 모델 개발과 같은 후속연구를 통해 다양한 자료처리 문제들이 더욱 쉽고 빠르게 해결될 수 있을 것으로 보인다.

질의응답

핵심어	질문	논문에서 추출한 답변
	탄성파 반사법 탐사기법은 무엇인가?	탄성파 반사법 탐사(seismic reflection survey)는 육상 및 해상에서 인공샘(controlled source)을 통해 발생한 지진파가 음향임피던스(acoustic impedance)가 서로 다른 지하 경계면에서 반사되어 되돌아오는 에너지를 수신기로 기록하고, 여기에 적절한 자료처리(data processing)를 수행하여 지구 내부의 지질학적 구조를 규명하는 기법이다.
	일차 반사파만 남길 수 있게 알려진 기술은?	반사법 탐사자료의 단면도에서 다양한 형상으로 표현되는 겹반사파(multiples)는 특히 해양 지층 단면도의 해석에 있어서 잘못된 결과를 초래할 수 있으므로 자료처리 과정을 통해 일차 반사파(primary reflection)만을 남기고 대부분 제거되어야 한다. 겹반사파를 완화 또는 제거하기 위해 알려진 기술로는 다른 영역으로 변환해서 수행하는 모델기반 기법(models-driven methods)인 예측오차 곱풀기(predictive error deconvolution)(Peacock and Treitel, 1969), 라돈 필터링(Radon filtering)(Hampson, 1986), 라돈 예측 곱풀기(Radon prediction deconvolution) (Lokshtanov, 1995)를 들 수 있다. 그러나 반사파와 겹반사파의 속도차이가 작을 경우 이들을 서로 구분하기 어렵다.
	겹반사파에서 일차 반사파를 제외하고 제거되어야 하는 이유는?	반사법 탐사자료의 단면도에서 다양한 형상으로 표현되는 겹반사파(multiples)는 특히 해양 지층 단면도의 해석에 있어서 잘못된 결과를 초래할 수 있으므로 자료처리 과정을 통해 일차 반사파(primary reflection)만을 남기고 대부분 제거되어야 한다. 겹반사파를 완화 또는 제거하기 위해 알려진 기술로는 다른 영역으로 변환해서 수행하는 모델기반 기법(models-driven methods)인 예측오차 곱풀기(predictive error deconvolution)(Peacock and Treitel, 1969), 라돈 필터링(Radon filtering)(Hampson, 1986), 라돈 예측 곱풀기(Radon prediction deconvolution) (Lokshtanov, 1995)를 들 수 있다.

참고문헌 (20)

Choi, W., Lee, G., Cho, S., Choi, B., and Pyun, S., 2020, Fault Detection for Seismic Data Interpretation Based on Machine Learning: Research Trends and Technological Introduction, Geophys. and Geophys. Explor., 23(2), 97-114 (in Korean with English abstract), doi: 10.7582/GGE.2020.23.2.097.
Chollet, F., 2018, Deep Learning mit Python und Keras, Das Praxis-Handbuch vom Entwickler der Keras-Bibliothek, MITP-Verlags GmbH & Co. KG.
Dahl-Jensen, T., 1989, Reflection Seismic Studies in the Baltic Shield: Special Processing Techniques and Results, Uppsala University, 125p.
Deng, L., and Yu, D., 2014, Deep Learning: Methods and Applications, Found. Trends Signal Process., 7(3-4), doi:10.1561/2000000039.
Hahnloser, R., Sarpeshkar, R., Mahowald, M. A., Douglas, R. J., and Seung, H. S., 2000, Digital Selection and Analogue Amplification Coexist in a Cortex-inspired Silicon Circuit, Nature, 405(6789), 947-951, doi: 10.1038/35016072.

상세보기
Hampson, D., 1986, Inverse Velocity Stacking for Multiple Elimination, 56th Ann. Internat. Mtg., Soc. Expl. Geophys., Expanded Abstracts, 422-424, doi: 10.1190/1.1893060.
Hatton, L., Worthington, M. H., and Makin, J., 1986, Seismic Data Processing: Theory and Practice, Oxford, Blackwell Scientific Publications.
Jo, J. H., and Ha, W., 2020, Case Analysis of Applications of Seismic Data Denoising Methods using Deep-Learning Techniques, Geophys. and Geophys. Explor., 23(2), 72-88 (in Korean with English abstract), doi: 10.7582/GGE.2020.23.2.072.
Lee, W., 2017, A Deep Learning Analysis of the KOSPI's Directions, Journal of the Korean Data & Information Science Society, 28(2), 287-295 (in Korean with English abstract), doi: 10.7465/jkdi.2017.28.2.287.

원문보기 상세보기
Lokshtanov, D., 1995, Multiple Suppression by Single Channel and Multichannel Deconvolution in the Tau-P Domain, 65th Ann. Internat. Mtg., Soc. Expl. Geophys., Expanded Abstracts, 1482-1485, doi: 10.1190/1.1887243.
Luporini, F., Louboutin, M., Lange, M., Kukreja, N., Witte, P., Huckelheim, J., Yount, C., Kelly, P. H. J., Herrmann, F. J., and Gorman, G. J., 2020, Architecture and performance of Devito, a system for automated stencil computation, ACM Trans. Math. Softw., 46(1), 6, doi: 10.1145/3374916.
Martin, G. S., 2004, The Marmousi2 model, elastic synthetic data, and an analysis of imaging and AVO in a structurally complex environment, Master's dissertation, University of Houston.
Naidu, P., Santosh, Chand, S., and Saxena, U. C., 2013, Surface Related Multiple Elimination: A Case study from East Coast India, 10th Biennial International Conference & Exposition., 217p
Nam, H. S., 2020, Attenuation of the Multiples in Seabed Seismic Reflection Data using Machine Learning System, Master's dissertation, Chungbuk National University, 49p.
Peacock, K. L., and Treitel, S., 1969, Predictive Deconvolution: Theory and Practice, Geophysics, 34(2), 155-169, doi:10.1190/1.1440003.

상세보기
Ronneberger, O., Fischer, P., and Brox, T., 2015, U-Net: Convolutional Networks for Biomedical Image Segmentation, Med. Image Comput. Comput. Assist. Interv., 234-241, doi:10.1007/978-3-319-24574-4_28.
Sheriff, R. E., and Geldart, L.P., 1995, Exploration Seismology, 2nd Ed., Cambridge University Press, doi: 10.1017/CBO9781139168359.
Siahkoohi, A., Verschuur, D. J., and Herrmann, F. J., 2019, Surface-related multiple elimination with deep learning, 89th Ann. Internat. Mtg. Soc. Expl. Geophys., Expanded Abstracts, 4629-4634, doi: 10.1190/segam2019-3216723.1.
Stewart, P. G., Jones, I. F., and Hardy, P. B., 2007, Solutions for Deep Water Imaging, GeoHorizons, 8-22.
Wang, T., Wang, D., and Sun, J., 2017, Closed-loop SRME based on 3D L1-norm sparse inversion. Acta Geophys., 65, 1145-1152, doi: 10.1007/s11600-017-0098-6.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증