한양대 물리탐사연구실 이재우 학생이 매스웍스 주최 'AI 대학생 경진대회'에서  ‘LSTM을 활용한 탄성파 탐사 자료 내삽 모듈' 개발로 2위를 차지했다. 이 학생은 고해상도 물리탐사 방법에 딥러닝 기술을 적용해 기존 머신러닝 기법의 데이터 품질 문제를 해결했다. 석유탐사, 탄소 포집, 저장 모니터링에도 활용이 가능하다.

이 학생은 '장단기메모리(LSTM, Long Short-Term Memory)를 활용한 탄성파탐사 자료 내삽 모듈'을 소개했다.

이 학생은 "해당 모듈에 트레이스-투-트레이스(Traces-to-trace) 접근법을 적용했다"고 밝혔다. 트레이스-투-트레이스 방법은 특정 구역에 대한 정보가 빠졌을 때 이미 수집한 데이터로 누락된 부분을 유추하는 방식이다. 이때 내삽 함수를 훈련시켜 빠진 트레이스 신호를 예측해 전체 그림을 완성한다.

그는 "해당 기법은 네 가지 과정을 거쳐 만들어졌다"고 설명했다. 우선 매스웍스의 사이즈랩(SeisLab) 애드온으로 하이퍼파라미터로 트레인네트워크(trainNetwork)와 예측함수에 맞는 변수를 생성했다. 그 후 학습을 위해 하이퍼파라미터를 설정했다. 매트랩 딥러닝 툴박스(Deep Learning Toolbox)로 그래프에 가중치도 산출했다. 마지막으로 예측 타깃 트레이스·저장 설정 과정을 진행했다.

이 학생은 "서호주 해안 빈센트(Vincent) 유전에서 수집한 탄성파탐사 자료와 멕시코만(Gulf of Mexico) 지역에서 수집한 탄성파탐사 자료로 누락된 지진학 데이터 예측값을 도출했다"고 강조했다. "이때 트레이스-투-트레이스 접근 방법에 기반한 간섭 알고리즘의 높은 정확도를 확인할 수 있었다"고도 했다. 그는 "기존 연구기법과 비교해 더 낮은 오차율을 기록했다"고 설명했다.

현재 한양대 물리탐사연구실은 탄성파탐사에 대한 트레이스-투-트레이스 접근 방식 관련 국내·국제 특허를 출원 중이다.