Physics-Based Deep Learning for Suppression of Reinforcing Steel Reflections in GPR: Application to Tunnel Lining Cavity Detection

지표투과레이더(GPR)는 터널 라이닝 배면 공동 조사에 널리 활용되고 있으나, 철근에 의해 발생하는 강한 반사 신호가 공동 관련 신호를 차폐하여 신뢰성 있는 해석에 어려움이 있다. 본 연구에서는 터널 라이닝 GPR B-scan 영상에서 철근반사를 억제하기 위한 물리정보 기반 심층학습 프레임워크를 제안하였다. 이를 위해 gprMax를 이용하여 2차원 유한차분 시간영역법(finite-difference time-domain, FDTD) 해석 모델을 구축하고, 실험에서 획득한 GPR 데이터와 비교하여 모델을 보정하였다. 해석 응답과 실험 응답 간의 일치도를 향상시키기 위해 지수 감쇠함수를 적용하였으며, 감쇠계수는 구조적 유사도 지수(Structural Similarity Index Measure, SSIM)를 이용하여 최적화하였다. 검증된 해석모델을 기반으로 라이닝 두께, 철근배치 조건, 공동특성 및 상대유전율을 고려한 매개변수 해석을 수행하여 총 6,480개의 합성 B-scan 영상을 생성하였다. 생성된 데이터셋을 이용하여 U-Net, CycleGAN 및 Pix2Pix의 세 가지 심층학습 모델을 학습하고, 철근반사 억제 성능을 평가하였다. 그 결과 Pix2Pix가 가장 우수한 성능을 보였으며, SSIM 0.97 및 최대 신호 대 잡음비(PSNR) 31.31 dB를 달성하였다. 제안된 방법의 적용성은 공동을 포함한 철근콘크리트 터널 라이닝 모형 실험체에서 획득한 실측 GPR 영상에 적용함으로써 추가적으로 확인하였다. 이러한 결과는 제안된 프레임워크가 철근간섭 조건에서 공동 관련 신호의 가시성을 향상시켜 GPR 기반 터널 라이닝 조사의 신뢰성과 판독성을 개선할 수 있음을 보여준다.