베이지안 신경망으로 지진 파열 불확실성 추정

본 논문은 지진 파열 시뮬레이션에서 데이터 부족과 높은 계산 비용이라는 두 가지 주요 제약을 극복하기 위해 베이지안 신경망(BNN)을 도입하고, 파열 전파와 정지를 구분하는 분류 모델의 성능을 향상시키며, 각 입력 파라미터가 예측에 미치는 불확실성을 정량화하는 방법을 제시한다. 1. **연구 배경 및 필요성** 지진 위험 분석은 과거 지진 기록과 지질 데이터에 크게 의존하지만, 상세한 지표가 부족해 파열 메커니즘을 정확히 파악하기 어렵다. 기존의 수치 시뮬레이션은 초기 파라미터(정상응력, 마찰계수, 기하학적 특성 등)의 불확실성 때문에 반복적인 시도와 높은 연산 비용을 요구한다. 최근 머신러닝이 제한된 데이터와 높은 비용 문제를 해결하는 데 성공했지만, 대부분은 예측 정확도만을 강조하고 불확실성 추정은 다루지 않았다. 2. **데이터셋 구성** 2,000개의 2D 파열 시뮬레이션을 생성했으며, 각 시뮬레이션은 8개의 입력 파라미터를 무작위로 변동시킨다. 시뮬레이션은 오픈소스 fdfault 코드를 이용해 8개의 프로세서에서 약 2시간씩 실행되었다. 데이터는 1,600개를 학습용, 400개를 테스트용으로 나누고, 파열 전파(35 %)와 정지(65 %) 비율의 불균형을 해소하기 위해 전파 사례를 오버샘플링하였다. 모든 입력은 평균 0, 표준편차 1로 정규화하였다. 3. **모델 설계** - **구조**: 입력층(8노드)‑숨김층(12노드, ReLU)‑출력층(시그모이드) - **베이지안 처리**: 가중치와 편향을 정규분포(N(0,1)) 사전으로 설정하고, 변분 추론(VI) 기반 ELBO를 최적화하여 사후 분포를 추정한다. - **학습**: Edward와 TensorFlow를 활용, Adam 옵티마이저(초기 학습률 0.5, 지수 감쇠)로 1,000개의 사후 샘플을 추출한다. 4. **성능 평가** 테스트 데이터에 대해 1,000개의 사후 샘플을 이용해 예측 점수를 생성하고, 평균 점수로 클래스를 결정한다. 최적 임계값을 통해 F1‑스코어가 0.8334(정확도 83.34 %)를 기록했으며, 이는 기존 일반 신경망 대비 2.34 % 향상된 수치이다. 혼동 행렬은 FP 4개, FN 3개로 감소했으며, 전파 클래스의 정밀도 0.70, 재현율 0.83을 보였다. 5. **불확실성 분석** - **네트워크 불확실성**: 가중치 사후 평균과 분산을 시각화해 모델이 데이터로부터 충분히 학습했음을 확인한다. - **예측 불확실성**: 출력 점수의 표준편차를 불확실성 지표로 사용, 높은 표준편차는 모델이 해당 입력에 대해 확신이 낮음을 의미한다. - **특징 불확실성**: BNN 출력 변동과 퍼뮤테이션 중요도를 결합해 각 입력 파라미터가 불확실성에 기여하는 정도를 정량화하였다. 결과는 정상응력이 가장 큰 불확실성 원인(가장 높은 변동)이며, 그 뒤를 동적 마찰계수가 따른다. 전단응력은 중간 수준, 단층 폭·높이와 같은 기하학적 변수는 가장 낮은 불확실성을 보였다. 6. **물리적·실용적 시사점** 베이지안 접근은 작은 데이터셋에서도 과적합을 억제하고, 파라미터별 불확실성을 제공함으로써 지진 위험 평가와 시뮬레이션 설계에 중요한 정보를 제공한다. 특히, 정상응력과 동적 마찰계수의 높은 불확실성은 현장 측정 및 모델링 시 이들 파라미터에 대한 정밀한 관측이 필요함을 강조한다. 또한, BNN과 퍼뮤테이션 중요도 결합 방법은 “왜” 모델이 특정 결정을 내렸는지를 설명하는 도구로 활용 가능하다. 7. **결론 및 향후 연구** 본 연구는 베이지안 신경망이 제한된 지진 파열 데이터에서 높은 분류 성능과 함께 불확실성 추정을 제공한다는 것을 입증하였다. 향후에는 3차원 파열 모델, 더 다양한 지질 환경, 그리고 실측 데이터와의 통합을 통해 모델의 일반화 능력을 확장하고, 불확실성 기반 의사결정 프레임워크를 구축하는 것이 목표이다.