인공지능 신경망을 활용한 구조물 지진 응답 예측

초록

본 논문은 인도 챠몰리와 우타르카시 지역의 지진 기록을 이용해 인공신경망(ANN) 모델로 구조물의 지진 응답을 예측하는 방법을 제시한다. 먼저 단일 실제 지진 데이터를 이용해 ANN을 학습시킨 뒤, 학습된 네트워크를 다양한 진도 수준의 가상 지진에 적용하였다. 그 결과 ANN이 예측한 구조물 응답은 실용적인 정확도를 보였다. 또한 전체 지진 기록의 일부만을 사용해 ANN을 학습시켜도 구조물 응답을 충분히 식별할 수 있음을 확인하였다. 이를 통해 향후 발생할 가능성이 있는 지진에 대해 구조물의 안전성을 사전에 평가할 수 있다. 건물의 고유 진동 주기와 최대 응답을 추출하고, 이를 입력‑출력 쌍으로 하여 별도의 ANN을 학습시켜 다양한 진동 주기에 대한 최대 응답을 예측하였다. 마지막으로, 훈련에 사용되지 않은 다른 지역의 실제 지진 데이터에 대해 이 모델을 검증했으며, 예측값이 실제값과 높은 일치도를 보였다.

상세 요약

이 연구는 구조동역학과 기계학습을 접목시킨 사례로, 특히 인공신경망을 이용해 지진 하중에 대한 구조물 응답을 실시간 혹은 사전 예측할 수 있다는 점에서 실용적 의의가 크다. 먼저 데이터셋 선택이 인도 북부의 두 지진 기록(Chamoli, Uttarkashi)으로 제한된 점은 지역 특성(지반조건, 지진파 특성)과 모델 일반화 가능성을 평가하는 데 중요한 변수다. 단일 지진 데이터만으로 ANN을 학습시킨 후 다양한 강도와 형태의 가상 지진에 적용한 방식은 ‘전이 학습(transfer learning)’과 유사하지만, 실제 물리적 메커니즘을 반영한 데이터 증강이 이루어졌는지는 논문에 명시되지 않아 재현성에 의문이 남는다.

ANN 구조에 대한 상세 설명이 부족한 점도 비판적이다. 입력 변수(가속도 기록, 시간 단계, 구조물 고유 주기 등)와 출력 변수(절대 변위, 가속도, 내력 등)의 정의, 은닉층 수, 뉴런 수, 활성화 함수, 학습률, 손실 함수 등은 모델 성능을 판단하는 핵심 요소인데, 논문 초록에서는 언급되지 않는다. 따라서 모델이 과적합(overfitting)이나 과소적합(underfitting) 문제를 어떻게 다루었는지, 교차 검증(cross‑validation)이나 검증 데이터셋을 활용했는지 여부를 알 수 없다.

특히 ‘시간 주기와 최대 응답을 학습시킨 별도 ANN’이라는 접근은 구조물의 동적 특성을 파라미터화하여 빠른 설계 단계에서 활용할 수 있는 유용한 도구가 될 수 있다. 그러나 시간 주기와 최대 응답 사이의 비선형 관계는 전통적인 스펙트럼 분석에서도 충분히 모델링 가능하므로, ANN이 제공하는 추가적인 정확도 향상이 어느 정도인지 정량적 비교가 필요하다.

모델 검증에 사용된 ‘다른 지역의 실제 지진 데이터’가 어떤 지진인지, 지진 규모와 기록 길이, 샘플링 주파수 등이 명시되지 않아 결과의 일반화 가능성을 평가하기 어렵다. 또한, ANN이 예측한 응답이 “실용적인 목적에 충분히 정확”하다고 평가했지만, 구체적인 오차율(예: 평균 절대 오차, RMSE)이나 허용 기준(예: 설계 기준 대비 5% 이하) 제시가 없어 엔지니어링 실무에 바로 적용하기엔 정보가 부족하다.

종합하면, 이 논문은 ANN을 활용한 지진 응답 예측이라는 흥미로운 아이디어를 제시하고, 제한된 데이터셋에서도 일정 수준 이상의 예측 정확도를 달성했음을 보여준다. 그러나 모델 구조와 학습 과정에 대한 상세 기술, 정량적 성능 평가, 다양한 지진 시나리오에 대한 검증이 보강된다면, 실제 구조물 설계·보강 의사결정에 보다 신뢰성 있는 도구로 자리매김할 수 있을 것이다.