원시 파형과 CNN으로 지진 진동 강도 신속 예측

초록

본 논문은 2016년 이탈리아 중부 지진 연속에서 수집한 다중 관측소 3축 파형 데이터를 활용해, 지진 발생 10초 후 원시 파형만으로 지진 강도 측정값(IM)을 예측하는 심층 합성곱 신경망(CNN) 모델을 제안한다. 모델은 진원 위치와 규모 정보를 전혀 사용하지 않으며, 원거리 관측소에서도 높은 정확도를 보인다. 기존 GMPE(Bindi et al., 2011)와 비교했을 때 오차 분산은 유사하지만 편향이 작아 실용성이 높다. 데이터 전송·연산 지연을 포함해 15~20초 이내에 강도 예측이 가능하며, 잡음이 섞인 데이터에도 강인함을 보인다.

상세 분석

이 연구는 지진 조기경보(EEW) 시스템에서 핵심적인 ‘빠른 강도 예측’ 문제를 딥러닝으로 접근한 점이 혁신적이다. 기존 GMPE는 진원 위치와 규모를 사전에 알아야 하지만, 제안된 CNN은 원시 파형(3축 가속도·속도)만을 입력으로 사용한다는 점에서 전통적인 방법과 근본적으로 차별된다. 입력 데이터는 10 초 길이의 윈도우를 사용했으며, 이는 진원 시각부터 시작해 초기 파동을 포착한다. 3C(가로·세로·수직) 광대역·가속도계 데이터를 동시에 입력함으로써 파형의 복합적인 특성을 학습할 수 있게 설계되었다.

CNN 아키텍처는 다중 레이어의 1차원 합성곱 층과 풀링 층을 결합해 시간‑주파수 패턴을 추출하고, 전역 평균 풀링 후 완전 연결 층을 통해 최종 IM(예: PGA, PGV, SA 등)을 회귀 출력한다. 손실 함수는 평균 제곱 오차(MSE)를 사용했으며, 학습 과정에서 과적합을 방지하기 위해 드롭아웃과 L2 정규화를 적용했다. 데이터 증강으로 잡음 샘플을 포함시켜 모델의 잡음 내성을 강화했으며, 이는 실제 실시간 스트리밍 환경에서 필수적인 요소다.

성능 평가는 두 가지 관점에서 이루어졌다. 첫째, 관측소가 진원으로부터 멀리 떨어져 있어 아직 최대 진동을 기록하지 않은 경우에도 모델이 정확히 IM을 예측하는지 확인했다. 결과는 R² > 0.9 수준으로, 기존 GMPE와 비교해 편향이 현저히 낮았다. 둘째, 전송·연산 지연을 포함한 전체 파이프라인을 시뮬레이션해 15~20 초 이내에 예측값을 제공할 수 있음을 입증했다. 이는 지진 발생 직후 초기 파형만으로도 충분히 강도 정보를 추출할 수 있음을 의미한다.

또한, 잡음 포함 실험에서 CNN은 잡음 진폭에 비례한 강도값을 안정적으로 예측했으며, 이는 잡음이 강도 추정에 오히려 유용한 특징으로 작용할 수 있음을 시사한다. 다만, 모델은 훈련에 사용된 지역(이탈리아 중부)과 규모(M ≥ 3.0) 범위에 제한되어 있어, 다른 지진대나 큰 규모 사건에 대한 일반화 능력은 추가 검증이 필요하다. 향후 연구에서는 전이 학습과 멀티태스크 학습을 도입해 다양한 지역·규모에 대한 보편성을 높이는 방안을 모색할 수 있다.