Multi-Objective Gravity Data Inversion for Basement Depth Estimation in Sedimentary Basins

기술 요약: 퇴적 분지 내 기반암 깊이 추정을 위한 다목적 중력 데이터 역산

문제 정의
기반암 깊이를 정확하게 추정하는 것은 에너지 자원 탐사(탄화수소, 지열, 지하수) 및 광물 탐사에서 매우 중요하다. 이러한 추정은 일반적으로 중력 이상 역산을 통해 이루어지는데, 이는 본질적으로 비선형적이고 부적정하며(ill-posed) 비유일한(non-unique) 문제이다. 기존의 접근 방식은 대개 데이터 오차(data misfit)와 모델 정규화(매끄러움)를 가중 합을 통해 하나의 합성 함수로 결합하는 단일 목적 함수 최적화에 의존한다. 이 방법론은 정규화 매개변수(라그랑주 승수)의 선택이 통상적으로 시행착오를 통해 결정되기 때문에 상당한 주관성을 유발한다. 또한, 국소 최적화 방법은 지역 최솟값(local minima)에 갇히기 쉽고, 단일 목적 함수로 정식화된 전역 최적화 방법 또한 가중치 매개변수의 주관성 문제에서 벗어나지 못한다. 아울러, 표준적인 정규화 기술은 해의 등가성을 완전히 제거하지 못할 수 있으며, 이는 사전 지질학적 가정이 부정확할 경우 해석의 오류로 이어질 수 있다.

방법론
본 연구는 기반암 깊이 추정을 위해 중력 데이터를 역산하는 데 있어 적응형 다중 알고리즘 유전적 적응형 다목적(AMALGAM) 알고리즘을 활용한 다목적 최적화 프레임워크를 제안한다.

• 순방향 모델링(Forward Modeling): 지하 구조를 인접한 2차원 직사각형 프리즘의 연속체로 매개변수화한다. 수직 중력 흡입력은 다각형 체 디스크리타이제이션(polygonal body discretization) 방법을 사용하여 계산되며, 각 프리즘의 두께는 미지의 기반암 깊이를 나타낸다.
• 다목적 정식화: 목적 함수들을 하나로 결합하는 대신, 두 개의 상충하는 함수를 동시에 최소화한다:
  1. 데이터 오차 ($F_1$): 관측된 중력 이상과 계산된 중력 이상 사이의 정규화된 L2-노름 차이.
  2. 모델 제약 ($F_1$): 모델 매개변수의 2차 차분(second-order difference)의 L2-노름으로 정의된 거칠기/매끄러움 정규화 항.
     이러한 접근 방식은 역산 후의 매끄럽게 하기(smoothing), 스펙트럼 필터링, 또는 주관적인 정규화 가중치 선택의 필요성을 제거한다.
• AMALGAM 알고리즘: AMALGAM은 네 가지 구성 탐색 전략인 비지배 정렬 유전 알고리즘(NSGA-II), 입자 군집 최적화(PSO), 적응형 메트로폴리스 탐색(AMS), 그리고 차분 진화(DE)를 통합한 진화 기반 알고리즘이다. 이 알고리즘은 파레토 최적해(Pareto-optimal solutions)를 생성하는 데 있어 각 알고리즘의 번식 성공도에 따라 자손 집단에 대한 기여도를 동적으로 조정하는 자기 적응 메커즘을 채택한다. 이를 통해 수동 매개변수 튜닝 없이 탐색(exploration)과 이용(exploitation)의 균형을 맞출 수 있다.
• 해 선택: 알고즘은 비지배 해들의 집합인 파레토 최적 집합(POS)을 생성한다. 데이터 적합도와 모델 복잡도 사이의 최적의 절충해를 식별하기 위해 "니 포인트(knee point)" 방법이 적용된다. 불확실성은 POS의 사분위 범위(IQR)와 표준 편차를 사용하여 정량화된다.

주요 기여

• 목적 함수의 분리: 본 연구는 데이터 오차와 모델 매끄러움을 독립적이고 상충하는 두 개의 목적 함수로 취급함으로써, 단일 목적 정식화에서 발생하는 라그랑주 승수의 주관성을 제거하는 프레임워크를 입증하였다.
• 적응형 다중 방법 탐색: AMALGAM을 활용함으로써, 고차원의 비선형 매개변수 공간을 탐색하기 위해 여러 진화 알고리즘의 상호 보완적인 강점을 활용하고, 목적 함수 지형(topology)에 동적으로 적응한다.
• 불확실성 정량화: 파레토 최적 앙상블을 생성함으로써, 단일한 편향된 추정치가 아닌 지질학적으로 허용 가능한 해의 범위를 제공하여 모델 불확실성에 대한 엄격한 통계적 평가를 가능하게 한다.
• 후처리 제거: 본 방법은 최적화 과정에서 직접 지질학적으로 현실적인 모델을 생성하므로, 역산 후의 매끄럽게 하기나 필터링 작업이 필요 없다.

결과
제안된 프레임워크는 합성 연구와 현장 적용을 통해 검증되었다:

• 합성 연구: 두 가지 모델(단순 대칭 분지와 복잡한 불규칙 분지)이 노이즈가 없는 조건과 10%의 노이즈가 추가된 조건에서 테스트되었다.
  • 알고즘은 노이즈가 있는 상황에서도 실제 모델과 매우 유사한 기반암 기하 구조를 성공적으로 회복하였다.
  • 통계 분석 결과, 목적 함수 값의 표준 편차가 낮게 나타나 안정적인 수렴을 입증하였다.
  • POS 앙상블은 노이즈가 존재하는 환경에서도 중앙값 해가 실제 깊이와 잘 일치함을 보여주며 정확한 불확실성 경계를 제공하였다.
• 현장 적용 1 (터키, 뷔위크 멘데레스스 그라벤): 50km 중력 프로파일 역산 결과, 독립적인 차분 진화(DE) 결과 및 가용 시추 로그와 일치하는 기반암 깊이 추정치를 얻었다. 시추 위치에서의 추정 깊이($0.61 \pm 0.06$ km)는 시추 제약 조건($0.61$ km) 및 DE 솔루션($0.61$ km)과 일치하였다. 최대 기반암 깊이는 DE, 딥러닝, MJAYA 알고리즘을 사용한 기존 연구들과 유사했다.
• 현장 적용 2 (이란, 모간 퇴적 분지): 모간 분지의 중력 데이터를 역산한 결과, 에지 효과(edge effects)에 의한 미세한 편차를 제외하면 ICAFA(Imperialist Competitive Algorithm 및 Firefly Algorithm 결합) 방식의 결과와 밀접하게 일치하는 기반암 깊이 프로파일을 생성하였다.

의의
본 논문은 AMALGAM 기반의 다목적 역산 접근법이 퇴적 분지 내 지하 구조 이미징을 위한 강력하고 정확하며 계산 효율적인 방법임을 확립하였다. 데이터 적합도와 모델 복잡성을 상충하는 두 개의 목적 함수로 처리함으로써, 이 방법은 중력 역산에 내재된 비유일성을 완화하는 동시에 모델 불확실성에 대한 보다 엄격하고 체계적인 평가를 제공한다. 연구 결과는 이 프레임워크가 주관적인 정규화 매개변수 튜닝이나 후처리 매끄럽기 과정 없이도 신뢰할 수 있는 기반암 깊이 추정을 제공하는, 기존의 단일 목적 역산 기술에 대한 유망한 대안임을 확인시켜 준다.