터널 라이닝 전파투과레이더 데이터 역전파를 위한 GPRInvNet 딥러닝 모델

본 연구는 터널 라이닝의 비파괴 검사를 위해 사용되는 지상 침투 레이더(GPR) B‑Scan 데이터를 직접 입력으로 받아, 복합 유전율(permittivity) 지도를 고해상도로 복원하는 딥러닝 기반 모델 GPRInvNet을 제안한다. 기존의 전파투과 레이더 역전파 방법은 전통적인 역전파(FWI)와 단순한 CNN 기반 회귀 모델에 의존했으며, 복잡한 결함 형태, 강철 보강재에 의한 강한 반사, 그리고 잡음에 취약한 한계를 가지고 있었다. 이를 극복하기 위해 저자들은 GPR 데이터의 고유한 특성—시간축(트레이스)과 공간축(깊이) 사이의 강한 국부 상관관계—을 고려한 ‘trace‑to‑trace’ 인코더와 디코더 구조를 설계하였다. 인코더는 인접한 N개의 트레이스를 슬라이딩 윈도우 형태로 받아 1‑D 컨볼루션을 통해 특징을 융합한다. 이 과정에서 각 트레이스는 주변 트레이스의 정보를 흡수해 ‘강화된 트레이스 특징(enhanced trace feature)’을 생성한다. 이후 각 트레이스별 특징을 별도의 완전 연결 레이어 혹은 1‑D 풀링을 통해 압축함으로써, 트레이스 인덱스와 동일한 공간 좌표에 매핑되는 특성 벡터 집합을 만든다. 이러한 설계는 GPR 데이터가 갖는 ‘시간‑공간 정렬’ 문제를 근본적으로 해결한다. 디코더는 압축된 트레이스별 특성 맵을 입력으로 받아, 전통적인 UNet‑스타일 업샘플링 블록을 사용해 공간 해상도를 복원한다. 각 디코더 단계는 인코더에서 얻은 트레이스‑레벨 정보를 그대로 유지하면서, 깊이 방향으로 점진적으로 세밀한 유전율 분포를 재구성한다. 최종 출력은