[기술 요약] 파라메트릭 모델링 기반 합성 데이터를 활용한 지도 학습 모델 기반 암반 절리 흔적 자동 매핑

1. 문제 정의 (Problem Statement)

암반 공학에서 절리(Joint) 매핑은 암반의 안정성 분석과 구조적 특성 파악에 필수적입니다. 그러나 기존의 방식은 다음과 같은 한계가 있습니다.

• 데이터 부족 및 편향: 실제 암반 노두(Outcrop) 데이터는 획득 비용이 높고, 접근성이 제한적이며, 샘플링 편향이 발생하기 쉽습니다.
• 라벨링의 어려움: 수천 장의 이미지에 대해 수동으로 절리 흔적을 라벨링하는 작업은 노동 집약적일 뿐만 아니라, 작업자의 주관에 따라 불완전하거나 일관성이 없는(Noisy) 데이터가 생성될 위험이 큽니다.
• 일반화 성능 저하: 기존의 규칙 기반(Rule-based) 방식은 환경 변화에 취약하며, 기존 ML 모델들은 특정 데이터셋에 과적합(Overfitting)되어 다양한 지질 조건에 일반화하기 어렵습니다.

2. 연구 방법론 (Methodology)

본 연구는 지질학적 원리를 반영한 **합성 데이터 생성(Synthetic Data Generation)**과 **지도 학습(Supervised Learning)**을 결합한 새로운 프레임워크를 제안합니다.

A. 지질학적 기반 합성 데이터 생성 (DFN 기반)

• DFN(Discrete Fracture Network) 모델링: 단순한 이미지 생성이 아닌, 암반의 구조적 논리를 반영하기 위해 DFN 모델을 사용합니다. 절리의 지속성(Persistence), 연결성(Connectivity), 노드 유형 분포를 보존합니다.
• 파라메트릭 모델링: 블록의 형상, 절리 세트의 방향 및 강도, 절리의 파상도(Waviness), 시각적 두께 등을 파라미터로 제어하여 다양한 지질학적 시나리오를 재현합니다.
• 데이터셋 구성:
  • Synthetic DFN: FracMan 및 Rhino/Grasshopper를 이용해 생성된 대규모 고정밀 데이터셋.
  • Synthetic/Real Box: 제어된 환경의 상자 모델 및 실제 상자 이미지.
  • Real-world Rock Slope: 노르웨이 도로 절개지의 실제 암반 이미지(Larvik, Rv4).

B. 학습 전략 (Training Strategies)

합성 데이터와 실제 데이터의 간극(Sim-to-Real gap)을 극복하기 위해 두 가지 전략을 비교합니다.

1. SimpleMixed (혼합 학습): 합성 데이터와 실제 데이터를 하나의 단계에서 동시에 학습.
2. Finetune (미세 조정): 합성 데이터로 먼저 사전 학습(Pre-training)을 수행한 후, 소량의 실제 데이터로 미세 조정.

C. 모델 아키텍처 및 평가

• 모델: CNN 기반의 U-Net과 **DeepLabv3+**를 사용하여 픽셀 단위 세그멘테이션을 수행합니다.
• 평가 지표:
  • 정량적 지표: IoU, Dice Coefficient, Precision, Recall.
  • 정성적 지표 (핵심): 지질학적 인식 가능성, 절리 지속성, 경계 국소화, 노이즈 수준을 1~5점으로 평가.

3. 주요 연구 결과 (Key Results)

A. 학습 전략의 효과 (도메인별 차이)

• Box 도메인 (단순 환경): SimpleMixed 전략이 우수합니다. 합성 데이터가 강력한 구조적 사전 지식(Prior)을 제공하여, 실제 데이터가 매우 적은(0~10%) 상황에서도 높은 성능을 보입니다.
• Slope 도메인 (복잡한 환경): Finetune 전략이 훨씬 효과적입니다. 실제 암반 데이터의 라벨이 노이즈가 많고 불완전하기 때문에, 합성 데이터로 안정적인 구조를 먼저 배운 뒤 실제 데이터로 적응하는 방식이 더 강건(Robust)합니다.

B. 정량적 vs 정성적 지표의 괴리

• 연구 결과, Dice 점수(정량적)가 높다고 해서 반드시 지질학적으로 유용한 것은 아님이 밝혀졌습니다.
• 일부 모델은 Dice 점수는 낮지만, 절리의 연속성이 더 뛰어나고 노이즈가 적어 실제 공학적 해석에 더 적합한(Geologically meaningful) 결과를 생성했습니다. 이는 정성적 평가가 모델 선택에 있어 필수적임을 시사합니다.

C. 일반화 성능

• 합성 데이터만 사용한 Zero-shot 예측은 텍스처 차이로 인해 한계가 있었으나, 소량의 실제 데이터로 미세 조정을 거치면 새로운 지질 조건에서도 유의미한 예측이 가능했습니다.

4. 연구의 의의 및 결론 (Significance & Conclusion)

• 지질학적 사전 지식의 통합: 단순한 이미지 생성을 넘어 DFN을 통해 지질학적 논리를 ML 학습에 주입함으로써, 데이터 부족 문제를 해결할 수 있는 체계적인 방법론을 제시했습니다.
• 실무적 가이드라인 제공: 실제 현장 적용 시, 데이터의 품질(라벨의 일관성)에 따라 어떤 학습 전략(Mixed vs Finetune)을 선택해야 하는지에 대한 기준을 마련했습니다.
• 평가 패러다임의 전환: 픽셀 단위의 정확도(IoU)에만 의존하던 기존 ML 평가 방식에서 벗어나, 공학적 유용성을 판단하기 위한 정성적/지질학적 평가의 중요성을 입증했습니다.
• 확장성: 본 방법론은 암반뿐만 아니라 터널 노두, 다양한 지질 구조물 매핑 등 자동화된 디지털 지질 조사 분야에 폭넓게 적용될 수 있습니다.