텍사스·오클라호마·캔자스 지진동향 예측을 위한 인공신경망 모델

초록

텍사스, 오클라호마, 캔자스 지역의 최근 지진 데이터를 활용해 인공신경망(ANN) 기반의 피크 지반 가속도(PGA)와 피크 지반 속도(PGV) 예측식을 개발하였다. 4,500여 건의 3.0 M 이상의 지진 기록을 학습에 이용했으며, 기존 CENA 모델보다 모든 거리·진도·토양 조건에서 예측 정확도가 크게 향상되었다. 또한 민감도 분석을 통해 진도와 거리, 전단파 속도(Vs30)의 상대적 영향도를 평가하였다.

상세 분석

본 연구는 중앙·동부 북미(CENA) 지역에서 최근 급증한 지진 활동을 고려하여, 텍사스·오클라호마·캔자스 3개 주에 특화된 지진동향 예측 모델을 구축하고자 했다. 데이터셋은 2005년 이후 수집된 4,500여 건의 지진 기록으로, 진원 규모(Mw ≥ 3.0), 진원-관측소 거리(R), 그리고 현장 전단파 속도(Vs30)를 주요 입력 변수로 선정하였다. 기존의 회귀 기반 감쇠 모델은 주로 대규모 지진 데이터를 기반으로 파라미터를 추정했으나, 이 지역 특유의 얕은 지진원과 연약 토양 특성 때문에 저거리·저진도 구간에서 큰 오차를 보였다.

이에 연구팀은 다층 퍼셉트론(MLP) 구조의 인공신경망을 채택하였다. 입력층은 세 개의 노드(M, R, Vs30)를 두고, 은닉층은 23개, 각 은닉층의 뉴런 수는 1020개로 최적화하였다. 활성화 함수는 비선형성을 확보하기 위해 ReLU를 사용했으며, 출력층은 로그 변환된 PGA와 PGV 값을 각각 예측하도록 설계하였다. 학습 과정에서는 70 %를 훈련, 15 %를 검증, 15 %를 테스트 셋으로 분할하고, 과적합 방지를 위해 조기 종료와 L2 정규화를 적용하였다. 손실 함수는 평균 제곱 오차(MSE)를 사용했으며, 최적화 알고리즘은 Adam을 채택해 학습 속도와 안정성을 동시에 확보하였다.

성능 평가에서는 기존 CENA 감� attenuation 모델(예: ASK14, CB14)과 비교했을 때, ANN 모델은 전체 데이터셋에서 평균 절대 오차(MAE)가 PGA는 0.12 g, PGV는 2.3 cm/s 수준으로 현저히 낮았다. 특히 R < 30 km, Vs30 < 200 m/s인 연약 토양 구간에서 기존 모델은 과대 예측하거나 과소 예측하는 경향이 있었지만, ANN은 이러한 비선형 관계를 효과적으로 학습해 오차를 40 % 이상 감소시켰다.

민감도 분석은 입력 변수의 중요도를 파악하기 위해 파르시버스(Partial Derivative) 방법과 SHAP 값을 활용하였다. 결과는 진원 규모가 PGA·PGV 예측에 가장 큰 영향을 미치며, 그 다음으로 거리, 마지막으로 Vs30 순으로 기여한다는 것을 보여준다. 특히 Vs30는 연약 토양에서의 변동성을 크게 줄이는 역할을 하며, 이는 현장 설계 시 토양 조사 중요성을 재확인시킨다.

또한 연구팀은 학습된 ANN을 단순화된 수식 형태로 변환하였다. 은닉층 가중치를 고정하고, 활성화 함수를 근사 다항식으로 대체함으로써 최종적으로 5차 이하의 다항식 형태와 로그 함수를 결합한 식을 도출했다. 이 수식은 일반적인 구조공학 소프트웨어나 스프레드시트에 바로 적용 가능하도록 설계돼, 실무 엔지니어가 복잡한 ANN 모델 없이도 높은 정확도의 예측값을 얻을 수 있다.

한계점으로는 데이터가 2005년 이후의 비교적 짧은 기간에 국한되어 있어 장기적인 지진 활동 변동성을 충분히 반영하지 못한다는 점, 그리고 Vs30 측정값이 현장마다 일관되지 않을 수 있다는 점을 들 수 있다. 향후 연구에서는 더 긴 기간의 기록과 인공위성 기반 토양 특성 데이터를 통합하고, 컨볼루션 신경망(CNN)이나 그래프 신경망(GNN) 등 보다 고도화된 딥러닝 구조를 적용해 공간적 상관성을 강화할 계획이다.