• 검색 결과가 없습니다.

Development of Low-frequency Reconstruction Technique bsed on Machine Learning for Resolution Enhancement of Seismic

N/A
N/A
Protected

Academic year: 2023

Share "Development of Low-frequency Reconstruction Technique bsed on Machine Learning for Resolution Enhancement of Seismic"

Copied!
56
0
0

로드 중.... (전체 텍스트 보기)

전체 글

지진 데이터를 이용한 저주파 성분 예측 저주파 우세 데이터를 이용한 저주파 성분 예측.

국외 연구 현황

훈련 데이터로 주파수 공간 영역의 데이터를 선택한 Ovcharenko et al. 이들은 수치 데이터와 실험 데이터를 통해 딥러닝 기반 저주파 예측 기법을 검증했다.

국내 연구 현황

최근 국내에서도 머신러닝 기반의 데이터 처리 기술 개발에 대한 연구가 제안되고 있다. 정확한 지질학 및 지각구조 해석에 걸림돌로 여겨지는 이중반사파나 노이즈를 제거하기 위한 연구가 제안되었다. Hosu ​​Nam et al. (2020)은 해저에서 발생하는 이중반사파를 제거하기 위해 U-Net 구조를 이용한 기계학습 관련 연구를 제안하였다.

기계 학습을 이용한 이중 반사파 상쇄에 관한 연구(남호수 외, 2020) 전구 외. (2021)은 랜덤 노이즈도 같은 방식으로 획득한다는 사실을 바탕으로 현장에서 획득한 지진 데이터의 노이즈를 연구하였다. 시간은 탐사 환경에 따라 다른 특성을 갖는다. 이를 성공적으로 제거하기 위해 현장 탄성파 조사 시 발신기를 폭파하지 않고 소음 데이터만 직접 획득하였고, 현장 데이터에 기록된 무작위 소음은 소음 데이터와 인공합성 데이터를 조합하여 획득하여 학습 데이터를 구축한 후 제거하였다. 머신러닝을 활용한 지진파 관련 국내 연구가 다수 진행되고 있지만 저주파를 예측하는 기술은 아직 개발되지 않았다. 본 연구에서 제안한 기술을 통해 저주파 재구성을 위한 머신러닝 관련 연구가 국내에서 활발히 제안될 것으로 기대된다.

필드 데이터와의 유사성을 향상시키기 위해 밀도 모델을 생성합니다. 본 연구에서는 데이터 필드의 유사도를 높이기 위해 2계층의 차별화된 밀도 모델을 추가하였다. 테스트를 위해 선택한 현장 자료는 SEG Wiki의 Open Data입니다.

Mobil AVO 바이킹 그라벤 라인 12에서 가져온 공통 소스 소스 모음입니다. 이 연구에서는 현장 지진 데이터와 함께 원격 전송 파형을 사용하여 훈련 데이터를 생성하기 위한 전송 파형을 결정했습니다. 음파 방정식에 기반한 합성 음향 음파 데이터 생성.

대부분의 고주파 성분이 제거되었기 때문에 시간 영역 데이터에서 링잉 효과가 발생했습니다. 학습 데이터 생성을 위한 합성 데이터 생성. 지금까지 트레이닝 데이터를 합성하기 위해 필요한 속도 모델, 밀도 모델, 전송 파형 및 모델링 기법에 대해 설명했습니다.

교육 데이터를 생성하는 데 사용되는 기하학 정보의 수입니다. 병렬 컴퓨팅에 의해 생성된 여러 공유 리소스 모음의 데이터입니다. 학습 데이터 생성을 위한 대역 통과 필터 코드 개발자입니다.

훈련자료 생성을 위한 띠 통과 필터(Bandpass filter) 코드 개발 가. 포트란(Fortran)언어를 이용한 띠 통과 필터링 코드 개발

본 연구의 목표는 사용자가 가지고 있는 해양 지진 데이터의 저주파 성분을 예측하는 것입니다. 이때 해양 지진파 자료는 제한된 주파수 대역에서 진폭값을 갖는다. 지진 데이터의 주파수 대역을 선택하기 위해 일반적으로 대역 통과 필터가 사용됩니다.

대용량 데이터에 대역 통과 필터를 적용하기 위해 연산 효율이 높은 포트란 언어를 사용하여 코드를 개발하였다. 입력 데이터와 레이블 데이터에 일괄 적용되는 코너 주파수: 검은색 실선으로 표시된 사다리꼴 함수는 입력 데이터인 파란색에 적용되는 주파수 필터입니다. 실선으로 표시된 사다리꼴 함수는 레이블 데이터에 적용된 주파수 필터입니다.

파이토치(Pytorch) 기반 네트워크 학습 및 테스트 코드 개발 가. 수정된 U-Net을 이용한 네트워크 학습

Pytorch 기반 네트워크 교육 및 테스트 코드 개발. 앞서 언급한 바와 같이 Wang et al.은 딥러닝을 직접 구현하기 위해서는 프레임워크가 필요하며, 가장 많이 사용되는 프레임워크는 크게 tensorflow와 pytorch로 나눌 수 있다.

TensorFlow와 PyTorch는 모두 기계 학습을 위해 무료로 사용할 수 있는 오픈 소스 소프트웨어 라이브러리입니다. 수축 및 확장 경로를 연결하는 작업은 PyTorch에서 생성됩니다. PyTorch로 작성된 수정된 U-Net 아키텍처 코드입니다.

탄성파 자료를 이용하여 저주파수 성분 예측

저주파 구성 요소 재구성을 위한 전체 워크플로 다이어그램: 데이터 준비, 네트워크 훈련 및 훈련된 네트워크 검증. 훈련 데이터와 동일한 환경에서 훈련된 신경망의 일반화 성능을 검증하기 위해. 실험은 생성된 합성 데이터가 아닌 필드 데이터를 사용하여 수행되어야 합니다.

두 번째 초대장에서 강하게 나타나는 반사 신호도 참조 자료와 유사합니다. 입력 데이터에 비해 예측 데이터의 경우 저주파 성분이 임의의 값으로 재구성되는 것을 관찰할 수 있다. 필드 데이터를 사용하여 훈련된 네트워크의 일반화 성능을 검증한 결과:.

저주파수 우세 자료를 이용한 저주파수 성분 예측

저주파 성분이 우세한 지진 데이터를 생성하고 훈련된 네트워크를 통해 현장 데이터의 예측 가능한 저주파 성분을 보다 정확하게 예측했습니다. 이를 간접적으로 해결하기 위해 본 연구에서는 머신러닝 기반의 데이터 처리 기술을 개발하여 해양 지진 데이터의 부족한 저주파 성분을 예측하는데 성공하였다. 본 연구에서는 적합한 훈련 데이터의 조건을 만족시키기 위해 현장에서 획득한 원거리 전송 파형을 이용하여 적합한 훈련 데이터를 생성하였다.

근거리 송신파형으로부터 원거리 송신파형을 예측할 수 있다면 연구선간 온누리를 이용하여 해양지진자료의 저주파 성분 예측을 시도할 수 있다. 머신러닝을 이용한 해저 이중반사 지진반사 방식 데이터의 중복제거 기계학습을 이용한 지진자료 보간기술 연구동향 분석.

소음 데이터 획득을 통한 머신러닝 기반 현장 지진 데이터의 노이즈 제거에 관한 연구. 머신러닝 기반 지진 데이터 단층 분석: 연구동향 및 기술도입.

참조

관련 문서

In 1906, da Rios, a student of Leivi-Civita, wrote a master’s thesis modeling the motion of a vortex in a viscous fluid by the motion of a curve propagating in R 3 , in the