[표지] 1
제출문 2
보고서 요약서 3
목차 5
1. 연구개발과제 개요 11
가. 연구개발 개요 11
나. 연구개발 중요성 12
2. 연구 수행 내용 및 성과 14
2-1. 연구 수행 내용 14
가. 데이터 베이스 구축 및 기술 동향 분석 14
나. Convolution Neural Network(CNN) 기반 지진 감지 기술 연구 49
다. Convolutional Recurrent Neural Network(CRNN) 기반 지진 감지기술 및 지진 방향 추정 연구 88
2-2. 연구 성과 128
가. 기술적 성과 128
나. 경제적 성과 130
다. 사회적 성과 130
3. 목표 달성도 및 관련 분야 기여도 131
3-1. 목표 달성도 131
3-2. 관련 분야 기여도 133
4. 연구개발성과의 활용 계획 134
부록 : 인공지능 기반 지진 감지 데모 프로그램 매뉴얼 135
참고 문헌 153
<별첨> 주관연구기관의 자체평가 의견서[내용없음] 5
[뒷표지] 156
표 2_1. 지진 이벤트 데이터베이스 구축 내역(1차년도) 14
표 2_2. 이벤트별 DB 개수(10초/20초 구간) 19
표 2_3. 방향 이벤트별 DB 20
표 2_4. 실험에 사용된 이벤트 수 29
표 2_5. 비교 실험 결과 30
표 2_6. 사용된 데이터 수 35
표 2_7. 모멘텀 기반 특징을 이용한 분류 실험 결과 36
표 2_8. 비교실험 결과(ConvNetQuake) 39
표 2_9. 비교실험 결과(PhaseNet) 42
표 2_10. 모의 실험 데이터셋 47
표 2_11. 성능 비교 결과(Bottleneck CNN) 48
표 2_12. 2차년도 지진 이벤트 데이터베이스 구축 내역 49
표 2_13. 10초 구간 M2.0 기준 HH센서 이벤트 DB 50
표 2_14. 10초 구간 M2.0 기준 EL센서 이벤트 DB 50
표 2_15. 10초 구간 M2.0 기준 HG센서 이벤트 DB 50
표 2_16. 10초 구간 M3.0 기준 HH센서 이벤트 DB 51
표 2_17. 10초 구간 M3.0 기준 EL센서 이벤트 DB 51
표 2_18. 10초 구간 M3.0 기준 HG센서 이벤트 DB 51
표 2_19. 국외 지진 이벤트 데이터베이스 52
표 2_20. HH 센서 지진 방향 추정 DB 52
표 2_21. EL 센서 지진 방향 추정 DB 53
표 2_22. HG센서 지진 방향 추정 DB 53
표 2_23. 다양한 합성 데이터를 이용한 분류 모델 결과 64
표 2_24. 모의 실험 데이터세트 69
표 2_25. 하이퍼파라메터 세트 69
표 2_26. Baseline CNN 구조 실험 결과 70
표 2_27. 개선된 CNN 구조 실험 결과(1차년도 제안모델) 70
표 2_28. 어텐션 모듈(SE-GAP) 이용한 CNN 구조 실험 결과 70
표 2_29. 어텐션 모듈(SE-GWAP₁) 이용한 CNN 구조 실험 결과 71
표 2_30. 어텐션 모듈(SE-GWAP₂) 이용한 CNN 구조 실험 결과 71
표 2_31. 센서 유형에 따른 어텐션 CNN(SE-GWAP₂) 모델 분류 결과 72
표 2_32. 데이터 길이에 따른 어텐션 CNN(SE-GAP) 구조 분류 결과 72
표 2_33. 모의 실험 데이터세트(중규모 기준 규모 3.0 이상, HG 센서) 73
표 2_34. 지진 규모에 따른 어텐션 CNN(SE-GWAP₂) 모델 분류 결과 73
표 2_35. 모의 실험 데이터세트 77
표 2_36. 하이퍼파라메터 세트 77
표 2_37. Multitasking 적용에 따른 분류 결과 77
표 2_38. 특징 병합에 따른 분류 결과 78
표 2_39. 병합 레이어에 따른 분류 결과 78
표 2_40. 분석/비분석 지진 분류 결과 80
표 2_41. 결정 시점에 따른 분석/비분석 지진 분류 결과 81
표 2_42. 다양한 변환 입력을 이용한 지진 분류 데이터셋 85
표 2_43. 변환 입력을 이용한 지진 분류 모델 실험결과 85
표 2_44. 다양한 변환 입력을 이용한 지진 분류 모델 실험결과 85
표 2_45. 모의 실험 데이터세트 87
표 2_46. 센서별 데이터에따른 방향 추정 결과 87
표 2_47. 1, 2, 3차년도 지진 이벤트 데이터베이스 구축 내역 88
표 2_48. HH센서 이벤트 DB(M3.0 기준) 88
표 2_49. EL센서 이벤트 DB(M3.0 기준) 89
표 2_50. HG센서 이벤트 DB(M3.0 기준) 89
표 2_51. HH센서 국외 이벤트 DB(M3.0 기준) 89
표 2_52. 분석 관측소 이용 Multi-site 지진 이벤트 분류 데이터베이스 91
표 2_53. 분석+비분석 관측소 이용 Multi-site 지진 이벤트 분류 데이터베이스 91
표 2_54. Data augmentation 적용 분석 관측소 이용 Multi-site 지진 이벤트 분류... 91
표 2_55. 1-channel 국내 진앙거리 데이터베이스 92
표 2_56. 3-channel 국내 진앙거리 데이터베이스 92
표 2_57. 3-channel 국외 진앙거리 데이터베이스 93
표 2_58. 모의 실험 데이터세트 101
표 2_59. 하이퍼파라메터 세트 101
표 2_60. 전처리 유무에 따른 분류 결과(CNN 모델) 101
표 2_61. 전처리 유무에 따른 분류 결과(CRNN 모델) 102
표 2_62. 모델에 따른 분류 결과 102
표 2_63. Confusion matrix 102
표 2_64. Time step에 따른 CRNN 모델 분류 결과 103
표 2_65. 데이터셋 109
표 2_66. Curriculum 전략에 따른 라벨셋 109
표 2_67. 비교 실험 결과 109
표 2_68. 분석 관측소 이용 Multi-site 지진 이벤트 분류 데이터베이스 114
표 2_69. 분석+비분석 관측소 이용 Multi-site 지진 이벤트 분류 데이터베이스 114
표 2_70. Data augmentation 적용 분석 관측소 이용 Multi-site 지진 이벤트 분류... 114
표 2_71. Multi-site 기반 이벤트 분류 모델별 실험결과 114
표 2_72. Multi-site 기반 이벤트 분류 입력 데이터 길이별 실험결과 115
표 2_73. Multi-site 기반 이벤트 분류 관측소 개수 별 실험결과 115
표 2_74. Multi-site 기반 이벤트 분류 입력 데이터 구간별 실험결과 115
표 2_75. Multi-site 기반 이벤트 분류 데이터별 실험 결과 116
표 2_76. Multi-site 기반 이벤트 분류 분석 관측소 + Data augmentation... 116
표 2_77. 1-channel 국내 진앙거리 데이터베이스 121
표 2_78. 3-channel 국내 진앙거리 데이터베이스 122
표 2_79. 3-channel 국외 진앙거리 데이터베이스 124
그림 1_1. 딥러닝 기반 지진 감지 기술 개요도 11
그림 1_2. 연도별 지진 발생 횟수 12
그림 1_3. 2009년도 이탈리아 라퀼라 지진 13
그림 2_1. 지진 이벤트 정보 및 관측 목록 정보 14
그림 2_2. 강진 이벤트 추출 및 강진 이벤트 예시 15
그림 2_3. 미소지진 이벤트 추출 및 미소지진 이벤트 예시 16
그림 2_4. 인공지진 이벤트 추출 및 인공지진 이벤트 예시 17
그림 2_5. 잡음 추출 및 잡음 이벤트 예시 18
그림 2_6. 잘못된 이벤트 예시 19
그림 2_7. 방향별 데이터 분류 기준 20
그림 2_8. E, N, Z 채널로 기록된 3채널 지진도 21
그림 2_9. 10초 구간의 Z채널 스펙트로그램 22
그림 2_10. 10초 구간의 Z채널 멜스펙트로그램 23
그림 2_11. 주파수-시간 공간에서의 특징 추출 24
그림 2_12. 정규화된 주파수 히스토그램 25
그림 2_13. 필터링이 적용된 정규화된 주파수 히스토그램 25
그림 2_14. 주파수 히스토그램 특징 추출 26
그림 2_15. 주파수-시간 히스토그램 특징 추출 27
그림 2_16. PCA 기반 주파수 특징 시각화 31
그림 2_17. PCA 기반 주파수-시간 특징 시각화 32
그림 2_18. PCA 기반 필터링 된 주파수 특징 시각화 32
그림 2_19. PCA 기반 필터링 된 주파수-시간 특징 시각화 33
그림 2_20. Skewness 특징의 t-SNE 결과 35
그림 2_21. Kurtosis 특징의 t-SNE 결과 36
그림 2_22. ConvNetQuake 모델 구조 37
그림 2_23. CRED 모델 구조 40
그림 2_24. PhaseNet 구조 42
그림 2_25. CNN 구조 예시 43
그림 2_26. CNN기반 지진 분류 모델 구조 44
그림 2_27. 병목 구조 46
그림 2_28. CNN과 병목 구조를 이용한 지진 분류 모델 구조 46
그림 2_29. Data augmentation 기법 50
그림 2_30. Wilber3 Toolkit 52
그림 2_31. GAN 모델 구조 54
그림 2_32. Conditional GAN 모델 구조 55
그림 2_33. Pix2Pix 구조 56
그림 2_34. 제안된 GAN 모델 구조 57
그림 2_35. Generator와 discriminator의 구조 58
그림 2_36. Pre-trained된 feature extractor 58
그림 2_37. 데이터 cropping 예시 59
그림 2_38. 합성 지진 예시 60
그림 2_39. Real 지진과 합성 지진 비교 61
그림 2_40. Real 지진과 합성 지진의 P파 및 S파 분포 비교 61
그림 2_41. Real 지진과 합성 지진의 스펙트로그램 비교 62
그림 2_42. Real 지진과 합성 지진의 스펙트럼 비교 63
그림 2_43. 개선된 CNN 구조(1차년도) 65
그림 2_44. 셀프 어텐션 기법의 개념 66
그림 2_45. 어텐션 기반 지진 분류를 위한 CNN 구조 67
그림 2_46. SENET 기본 개념도 67
그림 2_47. SE-block 구조 68
그림 2_48. Multitasking 기본 구조 74
그림 2_49. 지진 분류를 위한 MTL 구조 74
그림 2_50. Convolution 레이어에 따른 추출 특징 예시 75
그림 2_51. 어텐션 기반 특징 병합 구조 76
그림 2_52. 분석/비분석 테스트 예시(전남 여수 해역 2.4) 79
그림 2_53. 분석/비분석 신속 검출 테스트 입력 데이터 예시 80
그림 2_54. waveform을 다양한 특징 공간으로 변환 82
그림 2_55. 세 가지 특징 공간으로 변환 예시 83
그림 2_56. 다양한 변환 입력을 이용한 CNN 기반 분류 모델 84
그림 2_57. 변환 입력을 이용한 CNN 특징 추출 모델 84
그림 2_58. 어텐션 기반 지진 방향 추정을 위한 CNN 구조 86
그림 2_59. 방향 라벨링 예시 86
그림 2_60. 분석 관측소 이용 Multi-site 지진 이벤트 데이터 구성 방법 90
그림 2_61. 분석+비분석 관측소 이용 Multi-site 이벤트 데이터 구성 방법 90
그림 2_62. 진앙거리 국내 데이터 구성 방법 91
그림 2_63. 1-channel 국내 진앙거리 데이터 분포 92
그림 2_64. 3-channel 국내 진앙거리 데이터 분포 92
그림 2_65. 3-channel 국외 진앙거리 데이터 분포 93
그림 2_66. RNN 기본 구조 94
그림 2_67. LSTM의 기본 구조 96
그림 2_68. 이벤트 분류를 위한 RNN 구조 97
그림 2_69. 이벤트 분류를 위한 CRNN 구조 97
그림 2_70. CNN 레이어 구조 98
그림 2_71. RNN 레이어 구조 99
그림 2_72. FC 레이어 구조 100
그림 2_73. 피드백 기반 모델 구조 104
그림 2_74. Stem Feature Layer 구조 105
그림 2_75. Feedback Block 구조 106
그림 2_76. Gated Convolution 구조 107
그림 2_77. Feature Classifier 구조 107
그림 2_78. Early fusion 방식의 분류 모델 110
그림 2_79. CRNN을 이용한 Multi-site 기반 지진 이벤트 분류 모델 111
그림 2_80. Multi-site 기반 지진 이벤트 분류 CRNN 모델 111
그림 2_81. Graph 데이터 예시 112
그림 2_82. GNN을 이용한 Multi-site 기반 지진 이벤트 분류 개념도 113
그림 2_83. GCN을 이용한 Multi-site 기반 지진 이벤트 분류 모델 113
그림 2_84. 입력 데이터 구간 115
그림 2_85. 잡음 구간 Field Test 결과 117
그림 2_86. 잡음 + 이벤트 구간 Field Test 결과 117
그림 2_87. 딥러닝을 이용한 진앙거리 추정 연구 개요 118
그림 2_88. 딥러닝을 이용한 진앙거리 추정 CRNN 모델 구조 120
그림 2_89. 1-channel 국내 진앙거리 데이터 분포 121
그림 2_90. 1-channel 국내 진앙거리 실험 결과 121
그림 2_91. 3-channel 국내 진앙거리 데이터 분포 122
그림 2_92. 3-channel 국내 진앙거리 실험 결과 122
그림 2_93. 3-channel 국내 진앙거리 실험 결과(2.0 〈 M 〈 3.0) 123
그림 2_94. 3-channel 국내 진앙거리 실험 결과(M 〉 3.0) 123
그림 2_95. 3-channel 국외 진앙거리 데이터 분포 124
그림 2_96. 3-channel 국외 진앙거리 실험 결과 124
그림 2_97. 3-channel 국외 진앙거리 실험 결과(HH 센서) 125
그림 2_98. 1-channel 국내 진앙거리 field test 실험 결과 126
그림 2_99. 3-channel 국내 진앙거리 field test 실험 결과 126
그림 2_100. 3-channel 국내 진앙거리 field test 실험 결과(해양 원격지진) 127