음향 임피던스 영상화는 지하 해석의 핵심 과제지만, 지진파 웨이브렛이 알려지지 않고 관측은 대역 제한적이며, 라벨이 붙은 웰로그 표본은 전체 트레이스의 1% 미만으로 매우 적다. 이 arXiv 프리프린트는 이런 조건에서 정규화 디컨볼루션과 준지도 교차학습을 결합한 RD-SCL을 제안하고, 단일 신경망 안에서 잠재 웨이브렛을 학습 중에 추정하는 구조를 제시한다.
핵심은 주파수 영역의 1차 Tikhonov 디컨볼루션 연산자다. 이 연산자는 예측된 임피던스에서 반사계수를 계산한 뒤, 닫힌형 해로 잠재 웨이브렛을 산출해 훈련 단계마다 물리적 피드백을 제공한다. 별도의 보조 네트워크나 고정된 웨이브렛 사전가정 없이 미지 변수를 다룬다는 점이 이 방법의 구성적 특징이다.
이어지는 대칭형 교차학습은 라벨이 있는 데이터와 없는 데이터의 예측이 서로 일치하도록 제약한다. 논문은 이를 통해 풍부한 비라벨 트레이스를 활용하고, 소수 표본에서 흔한 과적합과 라벨 희소성 문제를 완화한다고 설명한다. 전방 모델링을 포함한 기존 준지도 방식이 부정확한 사전 웨이브렛 가정이나 보조 네트워크 의존으로 최적화가 불안정해질 수 있다는 점도 문제의식으로 제시된다.
검증은 SEAM과 Marmousi 2 벤치마크에서 이뤄졌다. 표 1에 따르면 RD-SCL의 SNR은 SEAM에서 33.13±0.47 dB, Marmousi 2에서 27.12±0.53 dB로, 동일 표의 비교군들보다 높았다. SEAM에서 강한 지도학습 방법 EIF는 30.32±1.54 dB, Marmousi 2에서는 24.98±1.25 dB였다. 같은 표에서 RD-SCL의 MAE는 SEAM 0.0424±0.0046, Marmousi 2 0.0745±0.0041로 제시됐다.
강건성 실험에서는 잡음 수준, 웨이브렛 종류, 웰 수를 바꿔 비교했다. 표 2는 SEAM과 Marmousi 2에서 SNR 5·10·15, Ricker·Generalized·Berlage, 웰 4·6·8 조건의 수치를 나열하며, RD-SCL이 여러 조건에서 높은 SNR과 낮은 MAE를 유지했음을 보여준다. 블라인드 웰 검증인 표 3에서는 RD-SCL이 SNR 34.07 dB, R2 0.9203, MAE 0.1994, MSE 0.0618을 기록해 모든 비교 방법을 앞섰다.
| 검증 항목 | RD-SCL 수치 | 비교군/조건 |
|---|---|---|
| SEAM SNR | 33.13±0.47 dB | 표 1; 비교군: EIF 30.32±1.54, PICL 32.57±1.19 |
| Marmousi 2 MAE | 0.0745±0.0041 | 표 1; 비교군: PICL 0.0792±0.0086, EIF 0.0995±0.0127 |
| SEAM 강건성 SNR(잡음 15) | 36.1062 dB | 표 2; 조건: seismic data noise level 15 |
| 블라인드 웰 SNR | 34.07 dB | 표 3; 비교군: PICL 33.10, EIF 29.71 |
자료: STORIUM 정리
계산 효율도 함께 제시됐다. 본문과 표 1, 표 3 설명에 따르면 RD-SCL은 학습 가능한 매개변수 56.5k개만 사용하며 경쟁적인 런타임을 보였다. 다만 이 결과는 SEAM, Marmousi 2, 블라인드 웰이라는 제한된 검증 범위와 원문이 밝힌 내부 평가에 근거하므로, 다른 지층 조건이나 현장 데이터 전반으로 일반화하려면 추가 검증이 필요하다.
저작권자 © STORIUM 무단전재 및 재배포 금지
