KR20200014093A

KR20200014093A - 탄성파 자료를 처리하는 방법, 이를 이용하는 탄성파 처리 장치, 및 프로그램

Info

Publication number: KR20200014093A
Application number: KR1020180089515A
Authority: KR
Inventors: 변중무; 윤대웅; 박지호
Original assignee: 한양대학교 산학협력단
Priority date: 2018-07-31
Filing date: 2018-07-31
Publication date: 2020-02-10
Also published as: WO2020027365A1; US12112266B2; KR102160443B1; US20210304004A1

Abstract

본 발명의 실시 예에 따른 탄성파 자료를 처리하는 방법은 전체 탄성파 자료에서 적어도 일부가 손실되어 수신된 복수의 탄성파 트레이스들 중에서 일부의 탄성파 트레이스를 제1레이블(label)로 선택하는 단계, 상기 제1레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들과 상기 제1레이블을 이용하여 기계 학습(machine learning) 기반으로 내삽 모델을 학습시키는 단계, 학습된 내삽 모델을 이용하여 상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원하는 단계, 복원된 전체 탄성파 자료에 포함된 복수의 탄성파 트레이스들 중에서 제2레이블로 선택된 탄성파 트레이스와 상기 제2레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들을 이용하여, 기계 학습 기반으로 외삽 모델을 학습시키는 단계 및 학습된 외삽 모델을 이용하여 상기 전체 탄성파 자료에 포함되지 않은 탄성파 트레이스를 추가로 생성하는 단계를 포함한다.

Description

탄성파 자료를 처리하는 방법, 이를 이용하는 탄성파 처리 장치, 및 프로그램{METHOD FOR PROCESSING SEISMIC DATA, PROCESSING DEVICE AND PROGRAM USING THE SAME}

본 발명의 기술적 사상은 탄성파 자료를 처리하는 방법, 이를 이용하는 탄성파 처리 장치, 및 프로그램에 관한 것으로, 보다 상세하게는 전체 탄성파 자료에서 적어도 일부가 손실되어 수신된 복수의 탄성파 트레이스들에 직접 머신 러닝을 적용하여 탄성파 자료에 대한 내삽과 외삽 처리를 할 수 있는 탄성파 자료를 처리하는 방법, 이를 이용하는 탄성파 처리 장치, 및 프로그램에 관한 것이다.

탄성파 탐사 자료 획득 시, 기계적 결함이나 지형적 접근성 제한 또는 경제적 비용 등의 문제로 부분적으로 자료를 획득하지 못하는 일이 발생하고, 수신기의 간격이 넓은 경우 공간적 알리아싱(spatial aliasing)이 발생하여 자료 처리에 어려움을 겪는다.

본 발명의 기술적 사상이 이루고자 하는 과제는 전체 탄성파 자료에서 적어도 일부가 손실되어 수신된 복수의 탄성파 트레이스들에 직접 머신 러닝을 적용하여 탄성파 자료에 대한 내삽과 외삽 처리를 할 수 있는 탄성파 자료를 처리하는 방법, 이를 이용하는 탄성파 처리 장치, 및 프로그램을 제공하는 것이다.

본 발명의 기술적 사상에 의한 일 양태에 따른 탄성파 자료를 처리하는 방법은 전체 탄성파 자료에서 적어도 일부가 손실되어 수신된 복수의 탄성파 트레이스들 중에서 일부의 탄성파 트레이스를 제1레이블(label)로 선택하는 단계, 상기 제1레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들과 상기 제1레이블을 이용하여 기계 학습(machine learning) 기반으로 내삽 모델을 학습시키는 단계, 학습된 내삽 모델을 이용하여 상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원하는 단계, 복원된 전체 탄성파 자료에 포함된 복수의 탄성파 트레이스들 중에서 제2레이블로 선택된 탄성파 트레이스와 상기 제2레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들을 이용하여, 기계 학습 기반으로 외삽 모델을 학습시키는 단계 및 학습된 외삽 모델을 이용하여 상기 전체 탄성파 자료에 포함되지 않은 탄성파 트레이스를 추가로 생성하는 단계를 포함한다.

예시적인 실시 예에 따르면, 상기 탄성파 자료를 처리하는 방법은, 상기 복수의 탄성파 트레이스들 각각에 대하여 시간-공간 영역 상에 표현된 데이터 자체를 이용하여 기계 학습 기반으로 상기 내삽 모델 및 상기 외삽 모델을 학습시킬 수 있다.

예시적인 실시 예에 따르면, 상기 전체 탄성파 자료를 처리하는 방법은, 상기 복원된 전체 탄성파 자료에 포함된 복수의 탄성파 트레이스들을 이용하여 기계 학습 기반으로 상기 내삽 모델을 반복적으로 학습시키는 단계를 더 포함할 수 있다.

예시적인 실시 예에 따르면, 상기 제1레이블을 이용하여 기계 학습 기반으로 내삽 모델을 학습시키는 단계는, 상기 전체 탄성파 자료에서 손실된 상기 적어도 일부의 탄성파 트레이스들의 개수에 기초하여 상기 제1레이블로 선택할 탄성파 트레이스의 개수를 결정하고, 상기 제1레이블로 선택된 탄성파 트레이스를 이용하여 기계 학습 기반으로 상기 내삽 모델을 학습시킬 수 있다.

예시적인 실시 예에 따르면, 상기 내삽 모델을 반복적으로 학습시키는 단계는, 상기 전체 탄성파 자료에서 손실된 상기 적어도 일부의 탄성파 트레이스들의 개수가 많을수록 상기 제1레이블로 선택할 탄성파 트레이스의 개수가 많아지도록 설정할 수 있다.

예시적인 실시 예에 따르면, 상기 내삽 모델을 학습시키는 단계는, 상기 제1레이블을 제외한 나머지 탄성파 트레이스들 중에서 상기 적어도 2이상의 탄성파 트레이스들에서 동일 위상을 가지는 지점의 값들과 상기 제1레이블을 이용하여 기계 학습 기반으로 상기 내삽 모델을 학습시키는 단계를 포함할 수 있다.

예시적인 실시 예에 따르면, 상기 기계 학습은 RNN(Recurrent Neural Network) 또는 LSTM(Long Short-Term Memory) 모델을 이용하여 수행될 수 있다.

예시적인 실시 예에 따르면, 상기 일부의 탄성파 트레이스를 레이블로 선택하는 단계는, 상기 전체 탄성파 자료에서 손실된 탄성파 트레이스와의 거리에 기초하여 상기 일부의 탄성파 트레이스를 상기 레이블로 선택할 수 있다.

예시적인 실시 예에 따르면, 상기 일부의 탄성파 트레이스를 레이블로 선택하는 단계는, 상기 전체 탄성파 자료에서 손실된 탄성파 트레이스와의 거리가 가까울수록 높은 우선도를 적용하여 상기 일부의 탄성파 트레이스를 상기 레이블로 선택할 수 있다.

예시적인 실시 예에 따르면, 상기 외삽 모델을 학습시키는 단계는, 상기 외삽 모델을 통하여 생성하고자 하는 탄성파 트레이스의 위치에 기초하여, 상기 복원된 전체 탄성파 자료에 포함된 상기 복수의 탄성파 트레이스들 중에서 일부를 상기 제2레이블로 선택할 수 있다.

예시적인 실시 예에 따르면, 상기 탄성파 자료를 처리하는 방법은, 상기 외삽 모델을 이용하여 상기 전체 탄성파 자료에서 손실된 상기 적어도 일부의 탄성파 트레이스를 복원하는 단계를 더 포함할 수 있다.

예시적인 실시 예에 따르면, 상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원하는 단계는, 상기 내삽 모델과 상기 외삽 모델을 함께 이용하여 상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원할 수 있다.

예시적인 실시 예에 따르면, 상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원하는 단계는, 상기 내삽 모델을 이용하여 복원된 탄성파 트레이스와 상기 외삽 모델을 이용하여 복원된 탄성파 트레이스 각각에 가중치를 반영하여 상기 손실된 적어도 일부의 탄성파 트레이스를 복원할 수 있다.

본 발명의 기술적 사상에 의한 일 양태에 따른 탄성파 처리 장치는 전체 탄성파 자료에서 적어도 일부가 손실되어 수신된 복수의 탄성파 트레이스들 중에서 일부의 탄성파 트레이스를 제1레이블(label)로 레이블 선택 모듈, 상기 제1레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들과 상기 제1레이블을 이용하여 기계 학습(machine learning) 기반으로 내삽 모델을 학습시키는 내삽 모델 학습 모듈;

학습된 내삽 모델을 이용하여 상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원하는 탄성파 트레이스 복원 모듈, 복원된 전체 탄성파 자료에 포함된 복수의 탄성파 트레이스들 중에서 제2레이블로 선택된 탄성파 트레이스와 상기 제2레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들을 이용하여, 외삽 모델을 기계 학습시키는 외삽 모델 학습 모듈 및 학습된 외삽 모델을 이용하여 상기 전체 탄성파 자료에 포함되지 않은 탄성파 트레이스를 추가로 생성하는 탄성파 트레이스 추가생성 모듈을 포함할 수 있다.

본 발명의 기술적 사상에 의한 일 양태에 따른 프로세서(processor)와 결합되어 탄성파 자료를 처리하는 방법을 수행하기 위한 매체에 저장된 프로그램은 전체 탄성파 자료에서 적어도 일부가 손실되어 수신된 복수의 탄성파 트레이스들 중에서 일부의 탄성파 트레이스를 제1레이블(label)로 선택하는 단계, 상기 제1레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들과 상기 제1레이블을 이용하여 내삽 모델을 기계 학습(machine learning)시키는 단계, 학습된 내삽 모델을 이용하여 상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원하는 단계, 복원된 전체 탄성파 자료에 포함된 복수의 탄성파 트레이스들 중에서 제2레이블로 선택된 탄성파 트레이스와 상기 제2레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들을 이용하여, 외삽 모델을 기계 학습시키는 단계 및 학습된 외삽 모델을 이용하여 상기 전체 탄성파 자료에 포함되지 않은 탄성파 트레이스를 추가로 생성하는 단계를 수행하는 프로그램 코드를 포함할 수 있다.

본 발명의 실시 예에 따른 방법과 장치는 전체 탄성파 자료에서 적어도 일부가 손실되어 수신된 복수의 탄성파 트레이스들에 직접 머신 러닝을 적용함으로써, 탄성파 자료의 처리 시 데이터 처리량을 현저하게 줄일 수 있는 효과가 있다.

본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 일 실시 예에 따른 탄성파 처리 시스템의 개념도이다.
도 2는 도 1에 도시된 탄성파 처리 장치의 일 실시 예에 따른 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 탄성파 자료를 처리하는 방법의 플로우차트이다.
도 4는 전체 탄성파 자료에 포함된 복수의 탄성파 트레이스들의 일 실시 예를 나타낸 도면이다.
도 5은 도 4의 전체 탄성파 자료에서 일부가 손실되어 수신된 복수의 탄성파 트레이스들의 일 실시 예를 나타낸 도면이다.
도 6는 도 5의 복수의 탄성파 트레이스들을 이용하여 내삽과 외삽을 수행하는 과정을 나타낸 도면이다.
도 7은 도 3의 탄성파 자료를 처리하는 방법에서 기계 학습 기반으로 내삽 모델을 학습시키는 과정을 설명하기 위한 도면이다.
도 8은 도 3의 탄성파 자료를 처리하는 방법에서 기계 학습 기반으로 외삽 모델을 학습시키는 과정을 설명하기 위한 도면이다.
도 9는 일 실시 예에 따른 탄성파 자료의 원본이다.
도 10은 도 9의 전체 탄성파 자료에서 일부를 제거한 탄성파 자료의 일 예시이다.
도 11은 본 발명의 실시 예에 따른 탄성파 자료를 처리하는 방법에 따라 도 10에서 제거된 탄성파 트레이스의 일부가 내삽 과정을 통하여 복원된 상태의 탄성파 자료이다.
도 12는 탄성파 자료의 원본에서의 탄성파 트레이스와 도 11에서 복원된 탄성파 트레이스를 비교 도시한 자료이다.
도 13은 본 발명의 실시 예에 따른 탄성파 자료를 처리하는 방법에 따라 도 10에서 제거된 탄성파 트레이스의 일부가 외삽 과정을 통하여 복원된 상태의 탄성파 자료이다.
도 14는 도 12는 탄성파 자료의 원본에서의 탄성파 트레이스와 도 13에서 복원된 탄성파 트레이스를 비교 도시한 자료이다.

본 발명의 기술적 사상은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나, 이는 본 발명의 기술적 사상을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 기술적 사상의 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

본 발명의 기술적 사상을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.

또한, 본 명세서에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.

또한, 본 명세서에 기재된 "~부", "~기", "~자", "~모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 프로세서(Processor), 마이크로 프로세서(Micro Processer), 마이크로 컨트롤러(Micro Controller), CPU(Central Processing Unit), GPU(Graphics Processing Unit), APU(Accelerate Processor Unit), DSP(Drive Signal Processor), ASIC(Application Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등과 같은 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있으며, 적어도 하나의 기능이나 동작의 처리에 필요한 데이터를 저장하는 메모리(memory)와 결합되는 형태로 구현될 수도 있다.

그리고 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.

이하, 본 발명의 기술적 사상에 따른 실시 예들을 차례로 상세히 설명한다.

도 1은 본 발명의 일 실시 예에 따른 탄성파 처리 시스템의 개념도이다.

도 1을 참조하면, 탄성파 처리 시스템(10)은 탄성파 송신기(100), 복수의 탄성파 수신기(200-1 ~ 200-N, N은 2이상의 자연수), 및 탄성파 처리 장치(300)를 포함할 수 있다.

탄성파 처리 시스템(10)은 지표상 또는 해상에서 탄성파를 발생시키고, 발생된 탄성파가 반사되어 돌아오는 형태를 분석하여 지질구조 등을 판단할 수 있다.

탄성파 송신기(100)는 지표상 또는 해상에 위치될 수 있으며, 탄성파를 발생시킬 수 있다.

복수의 탄성파 수신기들(200-1 ~ 200-N) 각각은 서로가 이격된 위치에 배치될 수 있으며, 탄성파 송신기(100)로부터 발생되어 반사되어 돌아오는 탄성파를 수신할 수 있다.

복수의 탄성파 수신기들(200-1 ~200-N)은 수신된 탄성파의 분석을 위하여, 수신된 탄성파에 관한 탄성파 자료를 탄성파 처리 장치(300)로 전달할 수 있다.

탄성파 처리 장치(300)는 복수의 탄성파 수신기들(200-1 ~200-N)에 의하여 수집되어 전달된 탄성파 자료를 복수의 탄성파 트레이스들(traces)이 포함된 그 자체로 수신할 수 있다.

도 2는 도 1에 도시된 탄성파 처리 장치의 일 실시 예에 따른 블록도이다.

도 1과 도 2를 참조하면, 탄성파 처리 장치(300)는 탄성파 트레이스 수신 모듈(310), 레이블 선택 모듈(320), 학습 모듈(330), 탄성파 트레이스 복원 모듈(340), 탄성파 트레이스 추가생성 모듈(350), 및 메모리(360)를 포함할 수 있다.

탄성파 처리 장치(300) 내의 데이터 처리과정은 탄성파 처리 장치(300)에 포함된 하드웨어(hardware), 예컨대, 메모리(360)와 프로세서(processor; 미도시)를 기반으로 수행될 수 있다. 이 때, 탄성파 트레이스 수신 모듈(310), 레이블 선택 모듈(320), 학습 모듈(330), 탄성파 트레이스 복원 모듈(340), 및 탄성파 트레이스 추가생성 모듈(350)은 상기 프로세서의 일부 기능으로 구현될 수 있다. 예컨대, 본 발명의 실시 예에 따른 탄성파 자료를 처리하는 방법은 프로그램 코드로 구현되어 메모리(360)에 저장될 수 있으며, 메모리(360)는 상기 프로세서와 결합되어 본 발명의 실시 예에 따른 탄성파 데이터를 처리하는 방법을 수행시킬 수 있다.

탄성파 트레이스 수신 모듈(310)은 복수의 탄성파 수신기들(200-1 ~ 200-N)로부터 전체 탄성파 자료에서 적어도 일부가 손실된 복수의 탄성파 트레이스들을 수신할 수 있다.

실시 예에 따라, 탄성파 트레이스 수신 모듈(310)은 수신한 복수의 탄성파 트레이스들을 확인하여, 전체 탄성파 자료에서 손실된 탄성파 트레이스를 확인할 수 있다. 이 경우, 탄성파 트레이스 수신 모듈(310)은 손실된 탄성파 트레이스의 트레이스 번호를 확인하고 해당 탄성파 트레이스를 복원대상으로 설정할 수 있다.

레이블 선택 모듈(320)은 전체 탄성파 자료에서 적어도 일부가 손실되어 수신된 복수의 탄성파 트레이스들 중에서 일부의 탄성파 트레이스를 제1레이블(label)로 선택할 수 있다.

실시 예에 따라, 레이블 선택 모듈(320)에 의해 선택된 제1레이블은 학습 모듈(330)의 내삽 모델의 기계 학습 기반의 학습 과정에서 사용될 수 있다.

실시 예에 따라, 레이블 선택 모듈(320)은 복수의 탄성파 트레이스들을 제1레이블로 선택할 수 있다.

다른 실시 예에 따라, 레이블 선택 모듈(320)은 전체 탄성파 자료에서 손실된 탄성파 트레이스들의 개수에 기초하여 제1레이블로 선택할 탄성파 트레이스의 개수를 결정할 수 있다. 예컨대, 레이블 선택 모듈(320)은 전체 탄성파 자료에서 손실된 탄성파 트레이스들의 개수가 많을수록 제1레이블로 선택할 탄성파 트레이스의 개수가 많아지도록 설정할 수 있다.

레이블 선택 모듈(320)은 복원된 전체 탄성파 자료에 포함된 복수의 탄성파 트레이스들 중에서 일부의 탄성파 트레이스를 제2레이블로 선택할 수 있다.

실시 예에 따라, 레이블 선택 모듈(320)에 의해 선택된 제2레이블은 학습 모듈(330)의 외삽 모델의 기계 학습 기반의 학습 과정에서 사용될 수 있다.

학습 모듈(330)은 내삽 모델 학습 모듈(332)과 외삽 모델 학습 모듈(334)를 포함할 수 있다.

내삽 모델 학습 모듈(332)은 제1레이블로 선택된 탄성파 트레이스를 제외한 나머지 탄성파 트레이스들 중에서 적어도 2 이상의 탄성파 트레이스들과, 제1레이블을 이용하여 기계 학습 기반으로 내삽 모델을 학습시킬 수 있다.

실시 예에 따라, 상기 기계 학습은 RNN(Recurrent Neural Network) 모델 또는 LSTM(Long Short-Term Memory) 모델 등을 이용하여 수행될 수 있으며, RNN 모델 또는 LSTM 모델 이외에도 다양한 지도 학습 기반의 기계 학습 모델을 이용하여 수행될 수 있다.

실시 예에 따라, 내삽 모델 학습 모듈(332)은 제1레이블로 선택된 탄성파 트레이스를 제외한 나머지 탄성파 트레이스들 중에서 선택된 적어도 2 이상의 탄성파 트레이스들에서 동일 위상을 가지는 지점의 값들과 제1레이블로 선택된 탄성파 트레이스의 해당 위상 지점의 값을 이용하여 기계 학습 기반으로 내삽 모델을 학습시킬 수 있다.

다른 실시 예에 따라, 내삽 모델 학습 모듈(332)은 내삽 모델 학습을 위하여 기계 학습을 시키고자 하는 지점을 시간 순서로 이동시킬 수 있으며, 이동 후의 위상에 해당하는 지점에서의 탄성파 트레이스들의 값들을 이용하여 내삽 모델을 반복적으로 기계 학습시킬 수 있다. 이 경우, 내삽 모델 학습 모듈(332)은 전체 탄성파 자료에서 손실된 탄성파 트레이스들의 개수에 따라 반복 횟수를 달리할 수 있으며, 손실된 탄성파 트레이스들의 개수가 많을수록 반복 횟수를 늘릴 수 있다.

외삽 모델 학습 모듈(334)은 탄성파 트레이스 복원 모듈(340)에 의하여 복원된 전체 탄성파 자료에 포함된 복수의 탄성파 트레이스들 중에서 제2레이블로 선택된 탄성파 트레이스와, 상기 제2레이블로 선택된 탄성파 트레이스를 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들을 이용하여 외삽 모델을 기계 학습시킬 수 있다.

실시 예에 따라, 외삽 모델 학습 모듈(334)은 제2레이블로 선택된 탄성파 트레이스를 제외한 나머지 탄성파 트레이스들 중에서 선택된 적어도 2 이상의 탄성파 트레이스들에서 동일 위상을 가지는 지점의 값들과 제2레이블로 선택된 탄성파 트레이스의 해당 위상 지점의 값을 이용하여 외삽 모델을 기계 학습시킬 수 있다.

다른 실시 예에 따라, 외삽 모델 학습 모듈(334)은 외삽 모델 학습을 위하여 기계 학습을 시키고자 하는 지점을 시간 순서로 이동시킬 수 있으며, 이동 후의 위상에 해당하는 지점에서의 탄성파 트레이스들의 값들을 이용하여 외삽 모델을 반복적으로 기계 학습시킬 수 있다. 이 경우, 외삽 모델 학습 모듈(334)은 전체 탄성파 자료에서 손실된 탄성파 트레이스들의 개수에 따라 반복 횟수를 달리할 수 있으며, 손실된 탄성파 트레이스들의 개수가 많을수록 반복 횟수를 늘릴 수 있다.

탄성파 트레이스 복원 모듈(340)은 내삽 모델 학습 모듈(332)에 의해 학습된 내삽 모델을 이용하여, 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원할 수 있다.

실시 예에 따라, 탄성파 트레이스 복원 모듈(340)은 내삽 모델 학습 모듈(332)에 의해 학습된 내삽 모델과 외삽 모델 학습 모듈(334)에 의해 학습된 외삽 모델을 함께 이용하여, 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원할 수 있다.

이 경우, 탄성파 트레이스 복원 모듈(340)은 내삽 모델을 이용하여 복원된 탄성파 트레이스와 외삽 모델을 이용하여 복원된 탄성파 트레이스 각각에 가중치를 반영하여 손실된 적어도 일부의 탄성파 트레이스를 최종적으로 복원할 수 있다.

실시 예에 따라, 상기 가중치는 손실된 탄성파 트레이스들이 연속되는 정도에 따라 결정될 수 있다. 예컨대, 인접한 탄성파 트레이스들이 연속하여 손실된 개수가 많을 수록 외삽 모델을 이용하여 복원된 탄성파 트레이스에 대한 가중치가 높아질 수 있다.

탄성파 트레이스 추가생성 모듈(350)은 탄성파 처리 장치(300)에서 수신하고 복원한 전체 탄성파 자료에 포함되지 않은 탄성파 트레이스를 추가로 생성할 수 있다.

탄성파 트레이스 추가생성 모듈(350)은 탄성파 트레이스 복원 모듈(340)에 의해 복원된 전체 탄성파 자료에 대하여 외삽 모델 학습 모듈(334)에 의해 학습된 외삽 모델을 적용함으로써, 전체 탄성파 자료에 포함되지 않은 탄성파 트레이스를 추가로 생성할 수 있다.

메모리(360)는 탄성파 처리 장치(300)가 탄성파 자료를 처리하는 방법을 수행하도록 하는 프로그램 코드와, 탄성파 처리 장치(300)에 포함된 각 유닛(310 ~ 350)이 동작을 수행함에 있어서 필요한 데이터 및 동작 수행 결과에 따른 데이터를 저장할 수 있다.

도 3은 본 발명의 일 실시 예에 따른 탄성파 자료를 처리하는 방법의 플로우차트이다. 도 4는 전체 탄성파 자료에 포함된 복수의 탄성파 트레이스들의 일 실시 예를 나타낸 도면이다. 도 5는 도 4의 전체 탄성파 자료에서 일부가 손실되어 수신된 복수의 탄성파 트레이스들의 일 실시 예를 나타낸 도면이다. 도 6은 도 5의 복수의 탄성파 트레이스들을 이용하여 내삽과 외삽을 수행하는 과정을 나타낸 도면이다.

도 1 내지 도 3을 참조하면, 탄성파 처리 장치(300)의 탄성파 트레이스 수신 모듈(310)은 전체 탄성파 자료에서 적어도 일부가 손실된 복수의 탄성파 트레이스들을 수신할 수 있다(S10).

도 4와 도 5를 함께 참조하면, 탄성파 처리 장치(300)의 탄성파 트레이스 수신 모듈(310)은 전체 탄성파 자료(예컨대, 탄성파 트레이스0 내지 탄성파 트레이스9)에서 적어도 일부(예컨대, 탄성파 트레이스1, 3, 5, 7, 8, 9)가 손실된 복수의 탄성파 트레이스들을 수신할 수 있다.

이 때, 탄성파 처리 장치(300)의 탄성파 트레이스 수신 모듈(310)은 복수의 탄성파 트레이스들 각각에 대하여 시간(세로축)-공간(가로축) 영역 상에 표현된 데이터 자체를 수신할 수 있다. 세로축은 샘플링된 시간으로 시간축을 의미하고, 가로축은 트레이스 번호로 공간축을 의미할 수 있다.

도 3으로 돌아와서, 탄성파 처리 장치(300)의 레이블 선택 모듈(320)은 전체 탄성파 자료에서 적어도 일부가 손실되어 수신된 복수의 탄성파 트레이스들 중에서 일부의 탄성파 트레이스를 제1레이블로 선택할 수 있다(S20).

도 5를 함께 참조하면, 탄성파 처리 장치(300)의 레이블 선택 모듈(320)은 수신된 복수의 탄성파 트레이스들(예컨대, 탄성파 트레이스0, 2, 4, 6) 중에서 일부의 탄성파 트레이스를 제1레이블로 선택할 수 있다.

실시 예에 따라, 탄성파 처리 장치(300)의 레이블 선택 모듈(320)은 손실된 탄성파 트레이스들의 개수에 기초하여 제1레이블로 선택할 탄성파 트레이스의 개수를 결정할 수 있다. 예컨대, 레이블 선택 모듈(320)은 손실된 탄성파 트레이스들의 개수가 많아질수록, 제1레이블로 선택할 탄성파 트레이스의 개수가 많아지도록 설정할 수 있다.

다른 실시 예에 따라, 탄성파 처리 장치(300)의 레이블 선택 모듈(320)은 각손실된 탄성파 트레이스와의 거리에 기초하여, 제1레이블을 선택할 수 있다. 예컨대, 레이블 선택 모듈(320)은 손실된 탄성파 트레이스(예컨대, 탄성파 트레이스1, 3, 5, 7, 8, 9)와의 거리가 가까울수록 높은 우선도를 적용하여 제1레이블을 선택할 수 있다.

도 3으로 돌아와서, 탄성파 처리 장치(300)의 내삽 모델 학습 모듈(332)은 S20 단계에서 제1레이블로 선택된 탄성파 트레이스를 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들과, S20 단계에서 선택된 제1레이블을 이용하여 기계 학습 기반으로 내삽 모델을 학습시킬 수 있다(S30).

S30 단계에서의 내삽 모델 학습 과정은 도 7을 참조하여 후술하도록 한다.

탄성파 처리 장치(300)의 탄성파 트레이스 복원 모듈(340)은 S30 단계에서 학습된 내삽 모델을 이용하여 손실된 탄성파 트레이스를 복원할 수 있다(S40).

도 6을 함께 참조하면, 탄성파 처리 장치(300)의 탄성파 트레이스 복원 모듈(340)은 학습된 내삽 모델을 이용하여 손실된 탄성파 트레이스(예컨대, 탄성파 트레이스1, 3, 5, 7, 8, 9)를 복원할 수 있다.

실시 예에 따라, 탄성파 처리 장치(300)의 탄성파 트레이스 복원 모듈(340)은 학습된 외삽 모델을 이용하여 손실된 탄성파 트레이스를 복원할 수도 있다. 이 경우, 손실된 탄성파 트레이스의 일부(예컨대, 탄성파 트레이스7, 8, 9)는 학습된 외삽 모델을 이용하여 복원될 수 있다.

실시 예에 따라, 탄성파 처리 장치(300)의 탄성파 트레이스 복원 모듈(340)은 손실된 탄성파 트레이스들의 위치 패턴에 따라, 내삽 모델 또는 외삽 모델 중의 적어도 어느 하나를 선택하여 손실된 탄성파 트레이스들을 복원할 수 있다.

다른 실시 예에 따라, 탄성파 처리 장치(300)의 탄성파 트레이스 복원 모듈(340)은 내삽 모델과 외삽 모델을 함께 이용하여 탄성파 트레이스를 복원할 수도 있다. 예컨대, 탄성파 처리 장치(300)의 탄성파 트레이스 복원 모듈(340)은 특정 손실된 탄성파 트레이스에 대하여, 내삽 모델을 이용하여 복원된 탄성파 트레이스와 외삽 모델을 이용하여 복원된 탄성파 트레이스 각각에 가중치를 반영하여 최종적으로 해당 탄성파 트레이스를 복원할 수도 있다. 이 경우, 상기 가중치는 손실된 탄성파 트레이스들이 연속되는 정도에 따라 결정될 수 있다. 예컨대, 인접한 탄성파 트레이스들이 연속하여 손실된 개수가 많을 수록 외삽 모델을 이용하여 복원된 탄성파 트레이스에 대한 가중치가 높아질 수 있다.

도 3으로 돌아와서, 탄성파 처리 장치(300)의 레이블 선택 모듈(320)은 복원된 전체 탄성파 자료에서 제2레이블을 선택할 수 있다(S50).

도 4를 함께 참조하면, 복원된 전체 탄성파 자료에는 복수의 탄성파 트레이스들(예컨대, 탄성파 트레이스 0~9)이 포함되며, 레이블 선택 모듈(320)은 복수의 탄성파 트레이스들(예컨대, 탄성파 트레이스 0~9) 중에서 제2레이블을 선택할 수 있다.

실시 예에 따라, 탄성파 처리 장치(300)의 레이블 선택 모듈(320)은 외삽 모델을 통하여 생성하고자 하는 탄성파 트레이스의 위치에 기초하여 제2레이블을 선택할 수 있다. 예컨대, 생성하고자 하는 탄성파 트레이스(예컨대, 탄성파 트레이스10)의 위치가 전체 탄성파 자료의 우측, 예컨대, 탄성파 트레이스9의 우측에 위치하는 경우 탄성파 트레이스9에 인접한 탄성파 트레이스를 제2레이블로 선택할 수 있다.

도 3으로 돌아와서, 탄성파 처리 장치(300)의 외삽 모델 학습 모듈(334)은 S50 단계에서 선택된 제2레이블로 선택된 탄성파 트레이스를 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들과, S50 단계에서 선택된 제2레이블을 이용하여 기계 학습 기반으로 외삽 모델을 학습시킬 수 있다(S60).

S60 단계에서의 내삽 모델 학습 과정은 도 8을 참조하여 후술하도록 한다.

탄성파 처리 장치(300)의 탄성파 트레이스 추가생성 모듈(350)은 S60 단계에서 학습된 외삽 모델을 이용하여 전체 탄성파 자료에 포함되지 않은 탄성파 트레이스를 추가로 생성할 수 있다(S70).

도 6을 함께 참조하면, 탄성파 트레이스 추가생성 모듈(350)은 전체 탄성파 자료(탄성파 트레이스0 ~ 9)에 포함되지 않은 탄성파 트레이스(예컨대, 탄성파 트레이스10)를 추가로 생성할 수 있다.

실시 예에 따라, 탄성파 처리 장치(300)의 탄성파 트레이스 추가생성 모듈(350)은 S30 단계에서 학습된 내삽 모델을 이용하여, 탄성파 트레이스를 추가로 생성할 수도 있다. 예컨대, 탄성파 트레이스0과 탄성파 트레이스1를 내삽 모델의 입력값으로 넣어 탄성파 트레이스0과 탄성파 트레이스1의 사이에 탄성파 트레이스를 추가로 생성할 수 있다. 이 경우, 탄성파 처리 장치(300)는 수신기의 간격이 넓은 경우 공간적 알리아싱(spatial aliasing)이 발생하는 것을 방지하기 위하여, 내삽 모델을 이용하여 탄성파 트레이스를 추가 생성할 수 있다.

도 7은 도 3의 탄성파 자료를 처리하는 방법에서 기계 학습 기반으로 내삽 모델을 학습시키는 과정을 설명하기 위한 도면이다.

도 3과 도 7을 참조하면, 탄성파 트레이스2가 제1레이블로 선택되고, 제1레이블을 제외한 나머지 탄성파 트레이스들 중(예컨대, 트레이스 0, 4, 6)에서 탄성파 트레이스0과 탄성파 트레이스4가 내삽 모델의 기계 학습에 이용되는 경우를 가정한다.

이 때, 탄성파 트레이스0, 탄성파 트레이스2, 탄성파 트레이스4는 모두 손실되지 않은 탄성파 트레이스들 중에서 선택될 수 있다.

도 2의 내삽 모델 학습 모듈(332)은 탄성파 트레이스0과 탄성파 트레이스4를 기계 학습(Machine Learning(ML)) 알고리즘의 입력 값으로 넣고, 탄성파 트레이스2를 기계 학습 알고리즘 상의 레이블로 적용하여, 내삽 모델을 기계 학습 기반으로 학습시킬 수 있다.

실시 예에 따라, 내삽 모델 학습 모듈(332)은 탄성파 트레이스0과 탄성파 트레이스4에서 동일 위상을 가지는 지점의 값들과 제1레이블, 즉 탄성파 트레이스2에서 상응하는 위상을 가지는 지점의 값들을 이용하여 내삽 모델을 기계 학습 기반으로 학습시킬 수 있다. 이 경우, 동일 위상이라 함은 동일한 시간 샘플링 번호(time samping number)를 의미할 수도 있다. 이 때, 내삽 모델 학습 모듈(332)은 학습 대상이 되는 위상을 변경해가면서 기계 학습 과정을 반복 수행할 수 있다.

실시 예에 따라, 내삽 모델 학습 모듈(332)은 손실된 탄성파 트레이스별로 적용하기 위한 별도의 내삽 모델을 기계 학습 기반으로 학습시킬 수도 있다. 이 경우, 탄성파 트레이스 복원 모듈(340)은 손실된 탄성파 트레이스별로 서로 다른 내삽 모델을 적용하여 해당 탄성파 트레이스를 복원할 수도 있다.

다른 실시 예에 따라, 내삽 모델 학습 모듈(332)은 손실된 탄성파 트레이스들이 존재하는 위치 패턴에 기초하여, 내삽 모델을 기계 학습 기반으로 학습시킬 수도 있다. 이 때, 탄성파 트레이스들이 존재하는 위치에는 제1레이블이 상응하도록 구성할 수 있다.

예컨대, 전체 탄성파 트레이스 0~9 중에서 탄성파 트레이스 2~3이 손실된 경우, 손실된 탄성파 트레이스들과 인접 탄성파 트레이스를 포함하여 위치 패턴을 {정상, 손실, 손실, 정상}로 판단할 수 있다. 그리고, 손실되지 않은 탄성파 트레이스들 중에서 탄성파 트레이스 5~6을 손실된 탄성파 트레이스들의 위치 패턴에 상응하도록 제1레이블로 선택하고, 인접한 탄성파 트레이스 4, 7을 입력값으로 하여 {입력, 레이블, 레이블, 입력}의 패턴을 구성하여 내삽 모델을 기계 학습 기반으로 학습시킬 수도 있다.

도 8은 도 3의 탄성파 자료를 처리하는 방법에서 기계 학습 기반으로 외삽 모델을 학습시키는 과정을 설명하기 위한 도면이다.

도 3과 도 8을 참조하면, 탄성파 트레이스2가 제2레이블로 선택되고, 제2레이블을 제외한 나머지 탄성파 트레이스들 중에서 탄성파 트레이스0과 탄성파 트레이스1이 외삽 모델의 기계 학습에 이용되는 경우를 가정한다.

이 때, 탄성파 트레이스0, 탄성파 트레이스1, 탄성파 트레이스2는 모두 손실되지 않은 탄성파 트레이스들 또는 복원된 탄성파 트레이스들 중에서 선택될 수 있다.

도 2의 외삽 모델 학습 모듈(334)은 탄성파 트레이스0과 탄성파 트레이스1을 기계 학습(Machine Learning(ML)) 알고리즘의 입력 값으로 넣고, 탄성파 트레이스2를 기계 학습 알고리즘 상의 레이블로 적용하여, 외삽 모델을 기계 학습 기반으로 학습시킬 수 있다.

실시 예에 따라, 외삽 모델 학습 모듈(334)은 탄성파 트레이스0과 탄성파 트레이스1에서 동일 위상을 가지는 지점의 값들과 제2레이블, 즉 탄성파 트레이스2에서 상응하는 위상을 가지는 지점의 값들을 이용하여 내삽 모델을 기계 학습 기반으로 학습시킬 수 있다. 이 경우, 동일 위상이라 함은 동일한 시간 샘플링 번호(time samping number)를 의미할 수도 있다. 이 때, 외삽 모델 학습 모듈(334)은 학습 대상이 되는 위상을 변경해가면서 기계 학습 과정을 반복 수행할 수 있다.

도 9는 일 실시 예에 따른 탄성파 자료의 원본이다. 도 10은 도 9의 전체 탄성파 자료에서 일부를 제거한 탄성파 자료의 일 예시이다. 도 11은 본 발명의 실시 예에 따른 탄성파 자료를 처리하는 방법에 따라 도 10에서 제거된 탄성파 트레이스의 일부가 내삽 과정을 통하여 복원된 상태의 탄성파 자료이다. 도 12는 탄성파 자료의 원본에서의 탄성파 트레이스와 도 11에서 복원된 탄성파 트레이스를 비교 도시한 자료이다. 도 13은 본 발명의 실시 예에 따른 탄성파 자료를 처리하는 방법에 따라 도 10에서 제거된 탄성파 트레이스의 일부가 외삽 과정을 통하여 복원된 상태의 탄성파 자료이다. 도 14는 도 12는 탄성파 자료의 원본에서의 탄성파 트레이스와 도 13에서 복원된 탄성파 트레이스를 비교 도시한 자료이다.

도 9를 참조하면, 수신되는 탄성파 자료의 원본의 일 예시가 나타나 있다.

도 10에서는 본 발명의 실시 예에 따른 탄성파 자료를 처리하는 방법의 성능을 테스트하기 위하여, 도 9에 도시된 탄성파 자료의 원본에서 일부를 강제로 제거함으로써 탄성파 자료의 일부가 손실된 형태가 되도록 하였으며, 트레이스 번호(trace number) 150까지를 전체 탄성파 자료로 가정하였다.

도 11을 참조하면, 본 발명의 실시 예에 따른 탄성파 자료를 처리하는 방법에 따라 복원된 탄성파 자료가 나타나 있으며, 도 9의 원본과 비교하였을 때 거의 동일한 수준으로 탄성파 자료가 복원되는 것을 육안으로 확인할 수 있다.

도 12를 참조하면, 도 11의 탄성파 자료에서 3개의 탄성파 트레이스를 추출하여 원본의 탄성파 트레이스와 복원된 탄성파 자료의 탄성파 트레이스를 비교하였으며, 거의 오차 없이 일치하는 것을 확인할 수 있다.

도 13을 참조하면, 본 발명의 실시 예에 따른 탄성파 자료를 처리하는 방법에 따라 추가 생성된 탄성파 자료가 나타나 있으며, 도 9의 원본과 비교하였을 때 상당히 유사한 수준으로 탄성파 자료가 추가 생성되는 것을 확인할 수 있다.

도 14를 참조하면, 도 13의 탄성파 자료에서 5개의 탄성파 트레이스를 추출하여 원본의 탄성파 트레이스와 복원된 탄성파 자료의 탄성파 트레이스를 비교하였다. 추가 생성된 탄성파 트레이스가 탄성파 자료 원본으로부터 멀어질수록 정확도가 다소 떨어지기는 하지만, 추가 생성된 탄성파 트레이스의 상당 부분이 원본의 탄성파 트레이스를 추종하는 것을 확인할 수 있다.

이상, 본 발명의 기술적 사상을 다양한 실시 예들을 들어 상세하게 설명하였으나, 본 발명의 기술적 사상은 상기 실시 예들에 한정되지 않고, 본 발명의 기술적 사상의 범위 내에서 당 분야에서 통상의 지식을 가진 자에 의하여 여러가지 변형 및 변경이 가능하다.

10 : 탄성파 자료 처리 시스템
100 : 탄성파 송신기
200-1 ~ 200-N : 탄성파 수신기
300 : 탄성파 처리 장치

Claims

전체 탄성파 자료에서 적어도 일부가 손실되어 수신된 복수의 탄성파 트레이스들 중에서 일부의 탄성파 트레이스를 제1레이블(label)로 선택하는 단계;
상기 제1레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들과 상기 제1레이블을 이용하여 기계 학습(machine learning) 기반으로 내삽 모델을 학습시키는 단계;
학습된 내삽 모델을 이용하여 상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원하는 단계;
복원된 전체 탄성파 자료에 포함된 복수의 탄성파 트레이스들 중에서 제2레이블로 선택된 탄성파 트레이스와 상기 제2레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들을 이용하여, 기계 학습 기반으로 외삽 모델을 학습시키는 단계; 및
학습된 외삽 모델을 이용하여 상기 전체 탄성파 자료에 포함되지 않은 탄성파 트레이스를 추가로 생성하는 단계를 포함하는, 탄성파 자료를 처리하는 방법.
제1항에 있어서,
상기 탄성파 자료를 처리하는 방법은,
상기 복수의 탄성파 트레이스들 각각에 대하여 시간-공간 영역 상에 표현된 데이터 자체를 이용하여 기계 학습 기반으로 상기 내삽 모델 및 상기 외삽 모델을 학습시키는, 탄성파 자료를 처리하는 방법.
제1항에 있어서,
상기 전체 탄성파 자료를 처리하는 방법은,
상기 복원된 전체 탄성파 자료에 포함된 복수의 탄성파 트레이스들을 이용하여 기계 학습 기반으로 상기 내삽 모델을 반복적으로 학습시키는 단계를 더 포함하는, 탄성파 자료를 처리하는 방법.
제1항에 있어서,
상기 제1레이블을 이용하여 내삽 모델을 학습시키는 단계는,
상기 전체 탄성파 자료에서 손실된 상기 적어도 일부의 탄성파 트레이스들의 개수에 기초하여 상기 제1레이블로 선택할 탄성파 트레이스의 개수를 결정하고, 상기 제1레이블로 선택된 탄성파 트레이스를 이용하여 기계 학습 기반으로 상기 내삽 모델을 학습시키는, 탄성파 자료를 처리하는 방법.
제4항에 있어서,
상기 내삽 모델을 반복적으로 학습시키는 단계는,
상기 전체 탄성파 자료에서 손실된 상기 적어도 일부의 탄성파 트레이스들의 개수가 많을수록 상기 제1레이블로 선택할 탄성파 트레이스의 개수가 많아지도록 설정하는, 탄성파 자료를 처리하는 방법.
제1항에 있어서,
상기 내삽 모델을 학습시키는 단계는,
상기 제1레이블을 제외한 나머지 탄성파 트레이스들 중에서 상기 적어도 2이상의 탄성파 트레이스들에서 동일 위상을 가지는 지점의 값들과 상기 제1레이블을 이용하여 기계 학습 기반으로 상기 내삽 모델을 학습시키는 단계를 포함하는, 탄성파 자료를 처리하는 방법.
제6항에 있어서,
상기 기계 학습은,
RNN(Recurrent Neural Network) 또는 LSTM(Long Short-Term Memory) 모델을 이용하여 수행되는, 탄성파 자료를 처리하는 방법.
제1항에 있어서,
상기 일부의 탄성파 트레이스를 제1레이블로 선택하는 단계는,
상기 전체 탄성파 자료에서 손실된 탄성파 트레이스와의 거리에 기초하여 상기 일부의 탄성파 트레이스를 상기 제1레이블로 선택하는, 탄성파 자료를 처리하는 방법.
제1항에 있어서,
상기 일부의 탄성파 트레이스를 제1레이블로 선택하는 단계는,
상기 전체 탄성파 자료에서 손실된 탄성파 트레이스와의 거리가 가까울수록 높은 우선도를 적용하여 상기 일부의 탄성파 트레이스를 상기 제1레이블로 선택하는, 탄성파 자료를 처리하는 방법.
제1항에 있어서,
상기 외삽 모델을 학습시키는 단계는,
상기 외삽 모델을 통하여 생성하고자 하는 탄성파 트레이스의 위치에 기초하여, 상기 복원된 전체 탄성파 자료에 포함된 상기 복수의 탄성파 트레이스들 중에서 일부를 상기 제2레이블로 선택하는, 탄성파 자료를 처리하는 방법.
제1항에 있어서,
상기 탄성파 자료를 처리하는 방법은,
상기 외삽 모델을 이용하여 상기 전체 탄성파 자료에서 손실된 상기 적어도 일부의 탄성파 트레이스를 복원하는 단계를 더 포함하는, 탄성파 자료를 처리하는 방법.
제1항에 있어서,
상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원하는 단계는,
상기 내삽 모델과 상기 외삽 모델을 함께 이용하여 상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원하는, 탄성파 자료를 처리하는 방법.
제12항에 있어서,
상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원하는 단계는,
상기 내삽 모델을 이용하여 복원된 탄성파 트레이스와 상기 외삽 모델을 이용하여 복원된 탄성파 트레이스 각각에 가중치를 반영하여 상기 손실된 적어도 일부의 탄성파 트레이스를 복원하는, 탄성파 자료를 처리하는 방법.
전체 탄성파 자료에서 적어도 일부가 손실되어 수신된 복수의 탄성파 트레이스들 중에서 일부의 탄성파 트레이스를 제1레이블(label)로 레이블 선택 모듈;
상기 제1레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들과 상기 제1레이블을 이용하여 기계 학습(machine learning) 기반으로 내삽 모델을 학습시키는 내삽 모델 학습 모듈;
학습된 내삽 모델을 이용하여 상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원하는 탄성파 트레이스 복원 모듈;
복원된 전체 탄성파 자료에 포함된 복수의 탄성파 트레이스들 중에서 제2레이블로 선택된 탄성파 트레이스와 상기 제2레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들을 이용하여, 기계 학습 기반으로 외삽 모델을 학습시키는 외삽 모델 학습 모듈; 및
학습된 외삽 모델을 이용하여 상기 전체 탄성파 자료에 포함되지 않은 탄성파 트레이스를 추가로 생성하는 탄성파 트레이스 추가생성 모듈을 포함하는, 탄성파 처리 장치.
프로세서(processor)와 결합되어 탄성파 자료를 처리하는 방법을 수행하기 위한 매체에 저장된 프로그램으로서,
전체 탄성파 자료에서 적어도 일부가 손실되어 수신된 복수의 탄성파 트레이스들 중에서 일부의 탄성파 트레이스를 제1레이블(label)로 선택하는 단계;
상기 제1레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들과 상기 제1레이블을 이용하여 기계 학습(machine learning) 기반으로 내삽 모델을 학습시키는 단계;
학습된 내삽 모델을 이용하여 상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원하는 단계;
복원된 전체 탄성파 자료에 포함된 복수의 탄성파 트레이스들 중에서 제2레이블로 선택된 탄성파 트레이스와 상기 제2레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들을 이용하여, 기계 학습 기반으로 외삽 모델을 학습시키는 단계; 및
학습된 외삽 모델을 이용하여 상기 전체 탄성파 자료에 포함되지 않은 탄성파 트레이스를 추가로 생성하는 단계를 수행하는 프로그램 코드를 포함하는, 프로그램.