머신러닝 기반 스트라이프 기법을 활용한 콘크리트 교량 취약성 분석

초록

본 논문은 랜덤 포레스트를 이용한 스트라이프 기반 프래질리티(취약성) 생성 프레임워크를 제시한다. 지진 하중에 대한 교량 부재별 수요 모델에 가정 없이 불확실성을 반영하고, 전통적인 로그정규 가정이 초래하는 비현실적 결과를 개선한다. 캘리포니아 다중 스팬 콘크리트 교량을 사례로 하여 기하·재료·구조 불확실성을 포함한 모델링과 취약성 곡선 도출 과정을 보여준다.

상세 분석

이 연구는 기존의 프래질리티 분석이 요구하는 대규모 비선형 동적 시뮬레이션을 최소화하면서도 정확성을 유지하는 새로운 방법론을 제시한다. 핵심은 ‘스트라이프 기반’ 접근법으로, 이는 입력 변수 공간을 다차원 격자(스트라이프) 형태로 분할하고, 각 격자점에서 샘플링된 교량 모델에 대해 랜덤 포레스트 회귀 모델을 학습시켜 지진 수요를 예측한다는 점이다. 랜덤 포레스트는 비선형 관계와 변수 간 상호작용을 자동으로 포착하며, 변수 중요도 평가를 통해 어느 불확실성이 지진 수요에 가장 큰 영향을 미치는지 정량화한다.

논문은 특히 로그정규성 가정이 실제 수요 분포와 어긋날 경우 취약성 곡선이 과도하게 보수적이거나 비현실적으로 낮은 확률을 보이는 문제를 지적한다. 머신러닝 기반 모델은 데이터 기반 분포를 그대로 반영하므로, 이러한 가정 오류를 회피한다. 또한, 스트라이프 설계는 고차원 불확실성 공간에서도 샘플 효율성을 높여, 적은 수의 시뮬레이션으로도 충분히 대표적인 응답 표면을 구축한다.

케이스 스터디에서는 캘리포니아 주의 다중 스팬 콘크리트 교량을 대상으로, 기하학적 파라미터(스팬 길이, 베이스 폭 등), 재료 특성(콘크리트 강도, 철근 비율) 및 구조적 불확실성(연결부 강성, 지지 조건)을 확률 변수로 설정하였다. 각 변수에 대한 사전 확률 분포를 정의하고, 라틴 하이퍼큐브 샘플링을 통해 1,000여 개의 교량 모델을 생성하였다. 이후, 비선형 동적 분석을 수행해 지진 응답(절점 변위, 내력 등)을 얻고, 이를 학습 데이터로 활용해 랜덤 포레스트 모델을 구축하였다. 변수 중요도 결과는 특히 스팬 길이와 콘크리트 압축강도가 지진 수요에 가장 큰 영향을 미친다는 것을 보여준다.

생성된 프래질리티 곡선은 전통적인 로그정규 모델과 비교했을 때, 중·고진도 구간에서 더 현실적인 확률 값을 제공한다. 이러한 곡선은 HAZUS와 같은 지역 재해 위험 평가 플랫폼에 직접 적용 가능하며, 재무적 손실 추정의 정확성을 크게 향상시킬 수 있다.

전반적으로 이 논문은 머신러닝과 스트라이프 설계를 결합함으로써, 복잡한 교량 시스템의 프래질리티 분석을 효율적이고 신뢰성 있게 수행할 수 있는 새로운 패러다임을 제시한다는 점에서 학술적·실무적 의의가 크다.