머신러닝으로 지진 파열 전파 예측

본 논문은 지진 파열 전파를 예측하는 데 필요한 물리적 파라미터의 불확실성을 머신러닝으로 극복하고자 하는 시도를 상세히 기술한다. 서론에서는 전통적인 지진 위험 평가가 경험적 관계에 의존해 미래 대형 지진의 파괴력을 충분히 포착하지 못한다는 점을 지적하고, 동적 파열 시뮬레이션이 물리적 제약을 반영하지만 계산 비용이 prohibitive 하다는 문제점을 제시한다. 이를 해결하기 위해 저자는 fdfault라는 유한 차분 코드를 이용해 2,000개의 2‑D 동적 파열 실험을 수행했으며, 각 실험은 다음 8가지 입력 변수로 정의된다: (1) 장벽 반폭(1–2.1 km), (2) 장벽 높이(0–10 % 반폭), (3) 면내 정상응력(−10 ~ −160 MPa), (4) 면외 정상응력(±25 % 면내 응력), (5) 동적 마찰계수(0.2–0.6), (6) 마찰 강하(0.2–0.8−µd), (7) 초기 전단응력(동적 마찰계수+0.02·마찰강하+0.13·랜덤·마찰강하에 비례), (8) 슬립‑약화 거리(정규분포 평균 0.4 m, σ = 0.05 m). 출력은 파열이 장벽 중앙을 통과했는지 여부(1)와 멈췄는지 여부(0)이다. 데이터는 평균 0, 표준편차 1 로 정규화돼 전형적인 이진 분류 문제 형태를 갖는다. 데이터셋은 1,600개를 학습·검증용, 400개를 독립 테스트용으로 분리했으며, 클래스 불균형을 고려해 비용 민감 학습을 적용했다. 두 가지 머신러닝 알고리즘을 선택한 이유는 (가) 높은 차원의 피처를 다룰 수 있는 유연성, (나) 모델 파라미터가 물리적 해석에 기여할 수 있다는 점이다. 랜덤포레스트는 다수의 결정트리를 배깅 방식으로 학습해 변수 중요도를 제공한다. 결과적으로 면내 정상응력, 동적 마찰계수, 장벽 반폭이 가장 중요한 피처로 도출되었다. 인공신경망은 입력층 8개, 은닉층 2~3개(노드 32~64)로 구성했으며, ReLU와 시그모이드 활성화 함수를 혼합해 비선형 관계를 학습한다. 교차검증을 통해 최적의 학습률(0.001)과 배치 크기(32)를 찾았으며, 조기 종료(Early Stopping)를 적용해 과적합을 방지했다. 성능 평가에서는 두 모델 모두 5‑fold 교차검증 평균 정확도가 0.81 이상, 테스트 셋에서도 0.82 ± 0.03 수준을 기록했다. ROC‑AUC는 0.88(랜덤포레스트)와 0.86(ANN)으로, 기존 S‑ratio 기반 판별(약 0.65)보다 현저히 우수했다. 또한 추론 시간은 400건 테스트에 0.2 초 미만으로, 전통적인 수치 시뮬레이션(수시간~수일)과 비교해 실시간 예측이 가능함을 보여준다. 모델 해석을 통해 장벽 기하학적 특성과 면외 정상응력이 전단응력에 미치는 복합 효과가 파열 전파에 결정적임을 확인했으며, 이는 기존 선형 지표가 놓친 비선형 상호작용을 머신러닝이 포착했음을 의미한다. 논문의 한계점으로는 (1) 2‑D 평면 모델에 국한돼 실제 3‑D 복합 파열 메커니즘을 완전 재현하지 못함, (2) 파라미터 범위가 특정 실험 설계에 맞춰져 있어 일반화에 제약이 있음, (3) 데이터 라벨이 이진이므로 파열 강도나 전파 속도와 같은 연속적 특성을 다루지 못함을 들었다. 향후 연구 방향은 (가) 다양한 장벽 형태와 비선형 마찰 법칙을 포함한 시뮬레이션 확대, (나) 실제 관측 데이터와 혼합 학습을 통한 도메인 적응, (다) 베이지안 신경망이나 앙상블 기법을 도입해 불확실성 정량화, (라) 3‑D 동적 파열 시뮬레이션과 연계해 모델을 검증하는 것이다. 최종적으로 저자는 머신러닝이 물리 기반 시뮬레이션의 비용을 크게 절감하면서도 파열 메커니즘에 대한 물리적 통찰을 제공할 수 있음을 강조한다.