| 1 |
1
전체 탄성파 자료에서 적어도 일부가 손실되어 수신된 복수의 탄성파 트레이스들 중에서 일부의 탄성파 트레이스를 제1레이블(label)로 선택하는 단계;상기 제1레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들과 상기 제1레이블을 이용하여 기계 학습(machine learning) 기반으로 내삽 모델을 학습시키는 단계;학습된 내삽 모델을 이용하여 상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원하는 단계;복원된 전체 탄성파 자료에 포함된 복수의 탄성파 트레이스들 중에서 제2레이블로 선택된 탄성파 트레이스와 상기 제2레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들을 이용하여, 기계 학습 기반으로 외삽 모델을 학습시키는 단계; 및학습된 외삽 모델을 이용하여 상기 전체 탄성파 자료에 포함되지 않은 탄성파 트레이스를 추가로 생성하는 단계를 포함하며, 상기 내삽 모델을 학습시키는 단계는,상기 제1레이블을 제외한 나머지 탄성파 트레이스들 중에서 상기 적어도 2이상의 탄성파 트레이스들에서 동일 위상을 가지는 지점의 값들과 상기 제1레이블을 이용하여 기계 학습 기반으로 상기 내삽 모델을 학습시키는 단계를 포함하는, 탄성파 자료를 처리하는 방법
|
| 2 |
2
제1항에 있어서,상기 탄성파 자료를 처리하는 방법은,상기 복수의 탄성파 트레이스들 각각에 대하여 시간-공간 영역 상에 표현된 데이터 자체를 이용하여 기계 학습 기반으로 상기 내삽 모델 및 상기 외삽 모델을 학습시키는, 탄성파 자료를 처리하는 방법
|
| 3 |
3
제1항에 있어서,상기 전체 탄성파 자료를 처리하는 방법은,상기 복원된 전체 탄성파 자료에 포함된 복수의 탄성파 트레이스들을 이용하여 기계 학습 기반으로 상기 내삽 모델을 반복적으로 학습시키는 단계를 더 포함하는, 탄성파 자료를 처리하는 방법
|
| 4 |
4
제1항에 있어서,상기 제1레이블을 이용하여 내삽 모델을 학습시키는 단계는,상기 전체 탄성파 자료에서 손실된 상기 적어도 일부의 탄성파 트레이스들의 개수에 기초하여 상기 제1레이블로 선택할 탄성파 트레이스의 개수를 결정하고, 상기 제1레이블로 선택된 탄성파 트레이스를 이용하여 기계 학습 기반으로 상기 내삽 모델을 학습시키는, 탄성파 자료를 처리하는 방법
|
| 5 |
5
제4항에 있어서,상기 내삽 모델을 반복적으로 학습시키는 단계는,상기 전체 탄성파 자료에서 손실된 상기 적어도 일부의 탄성파 트레이스들의 개수가 많을수록 상기 제1레이블로 선택할 탄성파 트레이스의 개수가 많아지도록 설정하는, 탄성파 자료를 처리하는 방법
|
| 6 |
6
삭제
|
| 7 |
7
제1항에 있어서,상기 기계 학습은,RNN(Recurrent Neural Network) 또는 LSTM(Long Short-Term Memory) 모델을 이용하여 수행되는, 탄성파 자료를 처리하는 방법
|
| 8 |
8
제1항에 있어서,상기 일부의 탄성파 트레이스를 제1레이블로 선택하는 단계는,상기 전체 탄성파 자료에서 손실된 탄성파 트레이스와의 거리에 기초하여 상기 일부의 탄성파 트레이스를 상기 제1레이블로 선택하는, 탄성파 자료를 처리하는 방법
|
| 9 |
9
제1항에 있어서,상기 일부의 탄성파 트레이스를 제1레이블로 선택하는 단계는,상기 전체 탄성파 자료에서 손실된 탄성파 트레이스와의 거리가 가까울수록 높은 우선도를 적용하여 상기 일부의 탄성파 트레이스를 상기 제1레이블로 선택하는, 탄성파 자료를 처리하는 방법
|
| 10 |
10
제1항에 있어서,상기 외삽 모델을 학습시키는 단계는,상기 외삽 모델을 통하여 생성하고자 하는 탄성파 트레이스의 위치에 기초하여, 상기 복원된 전체 탄성파 자료에 포함된 상기 복수의 탄성파 트레이스들 중에서 일부를 상기 제2레이블로 선택하는, 탄성파 자료를 처리하는 방법
|
| 11 |
11
제1항에 있어서,상기 탄성파 자료를 처리하는 방법은,상기 외삽 모델을 이용하여 상기 전체 탄성파 자료에서 손실된 상기 적어도 일부의 탄성파 트레이스를 복원하는 단계를 더 포함하는, 탄성파 자료를 처리하는 방법
|
| 12 |
12
제1항에 있어서,상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원하는 단계는,상기 내삽 모델과 상기 외삽 모델을 함께 이용하여 상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원하는, 탄성파 자료를 처리하는 방법
|
| 13 |
13
제12항에 있어서,상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원하는 단계는,상기 내삽 모델을 이용하여 복원된 탄성파 트레이스와 상기 외삽 모델을 이용하여 복원된 탄성파 트레이스 각각에 가중치를 반영하여 상기 손실된 적어도 일부의 탄성파 트레이스를 복원하는, 탄성파 자료를 처리하는 방법
|
| 14 |
14
전체 탄성파 자료에서 적어도 일부가 손실되어 수신된 복수의 탄성파 트레이스들 중에서 일부의 탄성파 트레이스를 제1레이블(label)로 레이블 선택 모듈;상기 제1레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들과 상기 제1레이블을 이용하여 기계 학습(machine learning) 기반으로 내삽 모델을 학습시키는 내삽 모델 학습 모듈;학습된 내삽 모델을 이용하여 상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원하는 탄성파 트레이스 복원 모듈;복원된 전체 탄성파 자료에 포함된 복수의 탄성파 트레이스들 중에서 제2레이블로 선택된 탄성파 트레이스와 상기 제2레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들을 이용하여, 기계 학습 기반으로 외삽 모델을 학습시키는 외삽 모델 학습 모듈; 및학습된 외삽 모델을 이용하여 상기 전체 탄성파 자료에 포함되지 않은 탄성파 트레이스를 추가로 생성하는 탄성파 트레이스 추가생성 모듈을 포함하되,상기 내삽 모델 학습 모듈은,상기 제1레이블을 제외한 나머지 탄성파 트레이스들 중에서 상기 적어도 2이상의 탄성파 트레이스들에서 동일 위상을 가지는 지점의 값들과 상기 제1레이블을 이용하여 기계 학습 기반으로 상기 내삽 모델을 학습시키는, 탄성파 처리 장치
|
| 15 |
15
프로세서(processor)와 결합되어 탄성파 자료를 처리하는 방법을 수행하기 위한 매체에 저장된 프로그램으로서,전체 탄성파 자료에서 적어도 일부가 손실되어 수신된 복수의 탄성파 트레이스들 중에서 일부의 탄성파 트레이스를 제1레이블(label)로 선택하는 단계;상기 제1레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들과 상기 제1레이블을 이용하여 기계 학습(machine learning) 기반으로 내삽 모델을 학습시키는 단계;학습된 내삽 모델을 이용하여 상기 전체 탄성파 자료에서 손실된 적어도 일부의 탄성파 트레이스를 복원하는 단계;복원된 전체 탄성파 자료에 포함된 복수의 탄성파 트레이스들 중에서 제2레이블로 선택된 탄성파 트레이스와 상기 제2레이블을 제외한 나머지 탄성파 트레이스들 중에서 적어도 2이상의 탄성파 트레이스들을 이용하여, 기계 학습 기반으로 외삽 모델을 학습시키는 단계; 및학습된 외삽 모델을 이용하여 상기 전체 탄성파 자료에 포함되지 않은 탄성파 트레이스를 추가로 생성하는 단계를 수행하되,상기 내삽 모델을 학습시키는 단계는,상기 제1레이블을 제외한 나머지 탄성파 트레이스들 중에서 상기 적어도 2이상의 탄성파 트레이스들에서 동일 위상을 가지는 지점의 값들과 상기 제1레이블을 이용하여 기계 학습 기반으로 상기 내삽 모델을 학습시키는, 프로그램
|
