심부 시추공 지진자료 분석 성능 향상을 위한 심층학습 위상발췌 기술의 활용 (Application of a Deep Learning Phase Picker to Improve the Performance of Deep Borehole Seismic Data Analysis)

서지정보

· 발행기관 : 대한자원환경지질학회
· 수록지 정보 : 자원환경지질 / 57권 / 6호 / 701 ~ 708페이지
· 저자명 : 홍윤택, 신동훈

초록

심층 학습은 인간의 개입이 필요했던 다양한 분야에서 기술 개발을 통해 상당한 진전을 보여주고 있다. 특히 인공지능은 명확한 규칙을 정하기 어려운 영역에서 기존의 방법보다 뛰어난 효율성을 보여주고 있다. 하지만 이러한 기술은 많은 양의 학습 자료가 있어야 하는 단점이 있다. 지진학 분야는 방대한 양의 디지털 지진자료와 함께 숙련된 전문가의 분석 정보가 함께 축적되고 있어, 심층 신경망의 개발과 활용에 매우 유리한 환경을 제공하고 있다. 본 연구에서는 미소지진 탐지를 위해 설치된 심부 시추공 지진계의 관측 자료에 기존의 심층학습 기술을 적용하고, 향후 인공지능 기술의 효과적인 활용 방안을 검토하였다. 심부 시추공 지진계는 지하 500 m와 1000 m 깊이에 설치되어 있으며, 1,000 sps로 표본화하여 지진동을 기록하고 있다. 기존의 심층 신경망 기반 지진파 위상발췌 기술은 100 sps의 지진자료로 학습되어 있으므로, 심부 시추공 지진자료를 재표본화하여 위상을 발췌하였다. 육안으로 결정한 P파의 94 %와 S파의 93 %를 탐지할 수 있지만 육안으로 탐지하지 못한 더 많은 위상을 탐지하였으며, 수동으로 분석한 결과에 비해 31 % 정도 더 많은 지진을 탐지할 수 있었다. 이는 기존 심층학습 기반 지진파 위상발췌 기술이 충분히 높은 성능을 보이지만, 아직 개선의 여지가 있음을 나타낸다. 또한 재표본화에 소요되는 전처리 과정을 생략할 수 있도록 심부 시추공 지진자료를 사용해 심층 신경망 기술을 개발한다면, 더 신속하고 정확하게 지진을 분석할 수 있을 것으로 기대한다.

영어초록

Deep learning has demonstrated significant advancements in various fields that previously required human intervention. In particular, artificial intelligence (AI) has shown superior efficiency in areas where it is difficult to define clear rules or theories, outperforming traditional methods. However, these technologies have the drawback of requiring huge amounts of training data. The field of seismology is particularly well-suited for the development and application of deep neural networks due to the vast amount of digital seismic data accumulated alongside the analysis of skilled professionals. In this study, a deep learning method was applied to seismograms recorded at deep borehole seismometers installed for microseismic monitoring, and potential future applications of AI technology were explored. The deep borehole seismometers are installed at depths of 500 m and 1000 m, recording ground motions at a sampling rate of 1,000 sps. Since a deep neural network-based seismic phase picker has been trained on seismic data sampled at 100 sps, the deep borehole seismic data were resampled for phase picking. While 94 % of P-waves and 93 % of S-waves picked by visual inspection could be detected, the technique also detected many more phases that were not identified in the process of visual inspection, and approximately 131 % more earthquakes were detected compared to manual analysis. This indicates that while the existing deep learning-based seismic phase picker performs very well, there is still room for improvement. Furthermore, if deep neural networks trained using deep borehole seismic data to eliminate the preprocessing steps required for resampling, it is expected that earthquakes could be analyzed more rapidly and precisely.

참고자료

· 없음