천층 탐사에서는 복잡한 지질 조건, 잡음 간섭 및 다중 경로 효과 등의 영향으로 기존 지진 탐사 방법으로는 지하 매설물의 고해상도 영상을 얻기 어렵다. 심층 신경망 신호 잡음 제거 방법을 융합하여 DeepDenoiser로 사전 학습을 수행하고, 빅데이터 심층 학습 모델을 구축하며, 신경망 구조를 설계하여 빅데이터 심층 학습 기반 전체파형 반복선택법(DNFWI)을 제안하였다. 본 방법의 실제 탐사 효과 및 성능 검증을 위해 수평 전단파원과 수직원 두 가지 전기 진동 방식을 설계하여 사층에 매설된 원유 이송 강관에 대한 음향 탐사 실험을 수행하였다. 수집된 음향 신호 분석을 통해 매설물 센서 전달 함수, 지면 특성, 지면파 속도, 지표 신호 시간 이력 곡선 및 파워 스펙트럼을 도출하였으며, DNFWI 방법으로 두 진동 방식의 영상 효과를 비교 분석하였다. 결과는 수평 진동의 심도 감쇠율이 약 20~25 dB/m, 수직 진동은 약 10~20 dB/m, 표면파의 공간 감쇠율은 약 11 dB/m임을 보여준다; SH파와 강철 유관의 전단파 임피던스 차이가 더 커 반사 신호가 강하며, SH파 반전 영상 후 매설물 위치가 더 명확해 수직파 반전보다 매설 유관의 위치를 효과적으로 파악할 수 있다; DNFWI는 기존 FWI 방법에 비해 위치 정확도를 66.7% 향상시키고, 수렴 반복 횟수를 59.7% 줄이며, 계산 시간을 60.8% 단축시킨다.

지하 유관;음향 탐사;빅데이터;심층 학습;전체파형 반복선택법