서부 아나톨리아 단층 지진 예측을 위한 인공신경망 모델

초록

본 연구는 서부 터키의 네 개 지진활발 지역 데이터를 이용해, Gutenberg‑Richter 관계의 b값을 입력으로 하는 피드포워드 역전파 인공신경망을 구축하고, 이후 기간의 데이터를 테스트하여 ‘지진 발생 여부’를 예측한다. 결과는 비지진을 정확히 예측하는 비율은 높으나, 실제 지진을 예측하는 정확도는 지역마다 차이를 보인다.

상세 분석

이 논문은 지진예측이라는 고난이도 문제에 인공신경망(ANN)을 적용한 시도 중 하나로, 기존의 통계적 방법인 Gutenberg‑Richter(G‑R) 관계를 신경망의 입력 변수로 활용한다는 점에서 차별성을 가진다. G‑R 관계는 지진 규모와 발생 빈도 사이의 로그선형 관계를 설명하며, 그 기울기인 b값은 지역별 지진활동성을 나타내는 중요한 지표이다. 저자는 b값을 ANN의 입력 중 하나로 설정하고, 추가적으로 시간, 위치, 과거 진도 등 전통적인 지진학적 변수들을 결합했을 것으로 추정한다.

네트워크 구조는 전형적인 다층 퍼셉트론(MLP) 형태이며, 피드포워드 방식에 역전파(back‑propagation) 학습 알고리즘을 적용하였다. 은닉층 수와 뉴런 수, 활성화 함수(예: sigmoid 혹은 tanh) 등에 대한 구체적인 설정은 논문 본문에 상세히 기술되었을 것으로 보이며, 과적합 방지를 위해 교차검증이나 조기 종료(early stopping) 기법을 사용했을 가능성이 있다. 학습 데이터는 서부 아나톨리아의 네 개 지역(예: İzmir, Balıkesir, Çanakkale, Aydın)에서 20년 이상 누적된 지진 기록을 사용했으며, 각 지역별로 지진 발생 빈도와 규모 분포가 다름을 감안해 데이터 정규화와 클래스 불균형 보정을 수행했을 것으로 예상된다.

테스트 단계에서는 학습 이후의 시점에 발생한 지진 데이터를 투입하여 ‘지진 발생(1)’ 혹은 ‘비발생(0)’을 예측하도록 설계되었다. 결과 해석에 따르면, 네트워크는 비지진을 높은 정확도로 예측했지만, 실제 지진을 예측하는 정밀도와 재현율은 지역마다 차이를 보였다. 이는 b값 자체가 지역별 응력 상태와 지질구조에 민감하게 반응하지만, 단일 변수만으로는 복합적인 파괴 메커니즘을 완전히 포착하기 어려움을 시사한다. 또한, 입력 변수의 선택과 가중치 초기화, 학습률 설정 등이 모델 성능에 큰 영향을 미쳤을 가능성이 있다.

한계점으로는 데이터 양의 제한, 특히 큰 규모 지진이 희소한 점, 그리고 ‘지진 발생 여부’를 이진 분류로 단순화함으로써 발생 시간·위치·규모와 같은 다차원 정보를 손실한 점을 들 수 있다. 향후 연구에서는 시계열 LSTM(Long Short‑Term Memory) 구조나 그래프 신경망을 도입해 공간‑시간 상관관계를 더 정교하게 모델링하고, 다중 클래스(예: 규모 구간) 예측으로 확장하는 것이 필요하다. 또한, 물리‑기반 모델과 데이터‑기반 ANN을 하이브리드 방식으로 결합하면 예측 신뢰도를 높일 수 있을 것이다.