1. 서 론
2. 수치해석 기반 DB 구축
2.1 수치해석 개요
2.2 대상 항만시설
2.3 DB 구축
3. 딥러닝을 이용한 침하량 예측
3.1 딥러닝 모델
3.2 딥러닝 기반 침하 예측 기법
4. 예측결과 분석
4.1 RMSE 및 R2 기반 성능 비교
4.2 반복학습에 따른 예측 안정성 분석
5. 결 론
1. 서 론
2017년 포항지진 이후 국내에서도 액상화 현상이 보고되면서, 항만 및 연안 구조물의 내진 안정성 확보에 대한 관심이 크게 증가하였다(Kim et al., 2019; Kim et al., 2020). 액상화는 지진 시 간극수압 증가로 인해 유효응력이 감소하고 지반의 전단강도가 저하되는 현상으로 지반의 지지력을 약화시켜 상부 구조물의 침하 및 수평변위를 유발할 수 있다(Seed and Idriss, 1971; Tokimatsu and Seed, 1987; Bray and Sancio, 2006). 특히 케이슨식 안벽은 지반 지지력에 의존하는 중력식 구조물로 액상화 발생 시 침하 및 수평변위가 크게 발생할 수 있으며, 이는 구조물의 기능 저하 및 안정성 문제로 이어질 수 있다(Kang et al., 2014). 그동안 액상화에 의한 구조물 거동을 예측하기 위해서 수치해석 기법과 원심모형시험이 널리 활용되어 왔다. 이러한 방법은 지반-구조물 상호작용을 정밀하게 모사할 수 있으며, 간극수압의 발생 및 소산 과정, 전단강도 저하, 구조물의 변위 응답 등을 재현할 수 있다는 장점이 있다. 그러나 이러한 접근법은 반복해석 및 시험 수행에 따른 시간적·경제적 제약이라는 한계를 가진다. 액상화 해석의 경우 단일 조건에 대해서도 상당한 계산 시간이 소요되며 지반 조건, 입력 지진동 세기, 파형 특성에 따라 별도의 해석이 수행되어야 한다. 또한, 원심모형시험의 경우 장비 운용 비용과 준비 시간이 길고 반복시험이 현실적으로 제한적이어서 다양한 변수 조합을 수행하는데 있어 제약이 따른다. 따라서 계산 효율성과 반복 적용성이 높은 새로운 예측 접근법의 필요성이 제기되고 있다. 최근 인공지능 기술의 발전과 함께 딥러닝 기반 예측 기법이 지반공학 분야에서도 활발히 적용되고 있다(Kanayama et al., 2014; Chen et al., 2023; Hong et al., 2024; Kim, 2025). 특히 GRU, LSTM과 같은 순환신경망 모델은 시계열 데이터를 효과적으로 학습할 수 있어 동적 응답 예측에 적합한 구조로 평가된다. 그럼에도 불구하고 액상화 조건에서 케이슨식 안벽의 침하 및 수평변위를 대상으로 한 데이터 기반 예측 연구는 아직 제한적인 실정이다. 이에 본 연구는 FLIP 수치해석을 통해 다양한 지반 조건(N)과 지진동 세기에 따른 침하량 및 수평변위 시계열 데이터를 구축하고 이를 기반으로 ANN, CNN, CNN-LSTM, GRU, LSTM 등 다양한 딥러닝 알고리즘을 적용하여 예측 성능을 비교·분석하였다. 모델 성능은 RMSE(Root Mean Square Error)와 결정계수(R2)를 이용하여 평가하였다. 반복학습을 수행하여 예측 결과의 안정성과 재현성을 분석하였으며, 이를 통해 액상화에 의한 케이슨식 안벽의 피해 예측에 있어 딥러닝 기반 접근법의 적용 가능성을 검토하고자 한다.
2. 수치해석 기반 DB 구축
2.1 수치해석 개요
본 연구에서는 국내 항만 구조물의 액상화 피해에 대한 실측 동적 응답 데이터가 충분하지 않은 한계를 고려하여, 수치해석을 통해 산정된 침하량 및 수평변위 응답을 학습 데이터로 활용하였다. 이를 위해 지반의 동적 액상화 거동을 해석할 수 있는 유한요소 기반 프로그램인 FLIP(Finite element analysis program of Liquefaction Process)을 적용하였다. FLIP은 지반 진동에 따른 지반-구조물 동적상호작용 거동을 유효응력 기반으로 해석하는 프로그램으로 액상화에 따른 간극수압 발생 및 유효응력 감소 과정을 모사할 수 있으며, 해안 및 항만 구조물의 내진 거동 평가에 널리 활용되고 있다. 본 연구에서 적용한 흙의 구성모델은 다중전단메커니즘(Multi-spring) 모델로, 전단변형 영역과 무한개의 가상 스프링을 경계를 연결하는 이동절점 개념을 기반으로 한다. 각 스프링은 서로 다른 방향의 단순 전단 메커니즘을 나타내며 이를 통해 반복하중에 따른 흙의 탄소성 거동과 비선형 응답을 재현할 수 있다(Iai et al., 1992a, 1992b).
2.2 대상 항만시설
본 연구에서는 항만 구조물의 대표 단면으로 OO항만 케이슨식 안벽 단면을 선정하여 수치해석 모델을 구성하였다(Fig. 1). 케이슨 폭(W), 케이슨 높이(H)를 기준으로 3가지 케이스를 설정하였으며, 케이슨 높이를 제외한 모든 조건은 동일하게 적용하였다. 지반 요소에는 Multi-spring model을 적용하였고, 케이슨 요소는 linear Plane, 바다 요소는 fluid 모델로 구성하였다. Fig. 1에 표시된 A1은 케이슨 천단부에 위치한 절점으로, 지진 시 케이슨의 침하량 및 수평변위를 출력하는 절점이다. 해석 단면의 하단은 고정경계 조건을 적용하고, 좌·우 경계에는 점성경계 조건을 적용하여 응력 집중 및 반파사의 영향을 최소화하였다. 지반구성 요소는 Table 1에 나타내었으며, Table 2는 케이슨 배면의 뒤채움 지반에 대한 액상화 파라미터 민감도 분석 조건을 정리한 것이다. 케이슨식 안벽의 지진 시 거동은 배면 뒷채움 지반의 유효응력 감소 특성에 크게 의존하므로, 해당 구간의 액상화 파라미터를 변화시켜 민감도 해석을 수행하였다(Yun et al., 2021). 입력 지진동은 Fig. 2에 나타낸 Sin파로 주파수 1.25Hz, 주기 0.8을 사용하였다. 이는 실제 지진파의 복합적인 주파수 및 위상 특성에 따른 영향을 최소화하고, 입력 진폭 변화에 따른 지반-구조물 응답 특성을 보다 명확히 분석하기 위함이다. 국내 지진 사례의 주요 지속시간이 약 10초 이내임을 고려하여 해석 구간을 설정하였으며, 해석 조건은 단계적 비교와 데이터 일관성 확보를 위해 최대 입력가속도 2.0m/s2로 설정하였다(Yun et al., 2024).
Table 1.
Soil parameters on Incheon port report (Yun et al., 2024)
Table 2.
Liquefaction parameters of silty sand and sedentary deposit (Yun et al., 2024)
2.3 DB 구축
실제 액상화 현상에 의한 구조물 응답을 가장 정확하게 반영하기 위해서는 현장 계측 데이터를 확보하는 것이 이상적이다. 그러나 실제 계측 자료는 사례가 제한적이며 확보가 매우 어렵다. 이에 따라 원심모형시험을 통한 데이터 확보가 시험적 대안으로 활용될 수 있다. 그러나 원심모형시험은 장비 운용 비용과 시험 준비 기간이 길고, 다양한 조건에 대한 반복수행이 현실적으로 제한적이라는 한계를 가진다. 최근 시계열 예측 분야에서도 충분히 긴 학습 데이터 확보의 어려움과 모델 해석성 문제가 주요 과제로 지적되고 있다(Miller et al., 2024). 이에 본 연구에서는 FLIP 수치해석을 활용하여 학습용 데이터베이스를 구축하였다. 지반 조건은 N치 10, 15, 20, 25의 네 가지 조건으로 설정하였으며, 케이슨 높이는 10m, 15m, 20m의 세 가지 조건으로 구분하였다. 입력 지진동은 0.1 ~ 2.0m/s2 범위에서 증가시키며 적용하였다. 이와 같은 변수 조건을 통해 총 240개의 수치해석 데이터를 생성하였다(Fig. 3). 각 해석 결과로부터 시간 이력에 따른 가속도, 침하량 및 수평변위 데이터를 추출하였으며, 본 연구에서는 수치해석 결과를 실측값으로 가정하여 딥러닝 모델의 학습 및 성능 검증을 위한 데이터셋으로 구축하였다.
3. 딥러닝을 이용한 침하량 예측
3.1 딥러닝 모델
딥러닝은 인공신경망(Artificial Neural Network, ANN)을 기반으로 한 기법으로, 다층 구조를 통해 입력과 출력 사이의 복잡한 비선형 관계를 학습하는 방법이다. 전통적인 기계학습 기법은 사전에 정의된 특징에 의존하는 반면, 딥러닝은 데이터로부터 유의미한 관계를 자동으로 추출하며 고차원 공간에서의 복잡한 패턴을 효과적으로 모델링할 수 있다. 또한 충분한 학습 데이터를 기반으로 입력 변수와 출력 변수 간의 함수적 관계를 근사함으로써 새로운 입력 조건에 대한 예측이 가능하다. 본 연구에서는 입력 가속도, 지반 조건 및 구조물 제원을 입력 변수로 하여 구조물의 침하량과 수평변위를 예측하기 위해 다양한 딥러닝 구조를 적용하였다. 먼저 ANN은 가장 기본적인 신경망 구조로, 입력과 출력 간의 비선형 관계를 근사하는 데 효과적이다. 그러나 시간 의존성을 명시적으로 반영하지 못한다는 한계가 있다. CNN(Convolutional Neural Network)은 합성곱 연산을 통해 입력 데이터의 국부적 특징을 추출하는 모델로, 시계열 데이터에서 부분적인 패턴을 학습하는 데 유리하다. CNN–LSTM은 CNN을 통해 특징을 추출한 후 LSTM을 통해 시간적 의존성을 학습하는 하이브리드 구조로, 국부 특성과 장기 의존성을 동시에 고려할 수 있다. 시계열 데이터의 시간적 의존성을 고려하기 위해 순환신경망(Recurrent Neural Network, RNN)이 활용된다. RNN(Cho et al., 2014)은 이전 시점의 은닉 상태를 현재 계산에 반영하는 구조로, 시간에 따른 데이터의 연속성을 학습할 수 있다(Fig. 4). 그러나 기존의 RNN은 장기 의존성 문제에 한계가 있어 이를 개선한 구조로 LSTM(Long Short-Term Memory)과 GRU(Gated Recurrent Unit)가 제안되었다. LSTM(Hochreiter and Schmidhuber, 1997)은 장기 의존성을 효과적으로 학습하도록 설계된 순환신경망 모델로, 동적 응답 예측에 적합하다(Fig. 5). GRU는 LSTM을 단순화한 구조로 비교적 적은 파라미터를 사용하여 효율적인 학습이 가능하며, 시계열 예측 문제에서 널리 활용된다(Fig. 6). 본 연구에서는 각 모델의 구조적 특성에 따른 예측 성능을 비교함으로써 지진 응답 예측에 적합한 알고리즘을 검토하였다.
3.2 딥러닝 기반 침하 예측 기법
본 연구에서는 수치해석을 통해 구축된 시계열 데이터를 기반으로 딥러닝 모델을 학습하였다. 입력 변수는 시간 이력에 따른 가속도와 함께 지반 조건(N값) 및 케이슨 높이를 포함하였으며, 출력 변수는 케이슨 천단부에서의 침하량, 수평변위로 설정하였다. 전체 데이터 중 70%는 학습데이터, 30%는 검증데이터로 분할하였다. 학습의 안정성을 고려하여 batch size는 16으로 설정하였고 최대 epoch는 1000으로 구성하였다. 또한 과적합을 방지하기 위해 Early Stopping 기법을 적용하여 검증손실이 100회 연속 개선이 되지 않으면 학습을 중단되게 하였고 모델 성능 평가는 수치해석 결과와 예측 결과를 비교하여 RMSE 및 결정계수(R2)를 산정하는 방식으로 수행하였다(Table 3과 Table 4). 각 알고리즘의 학습 안정성을 검토하기 위해 동일 조건에서 총 30회 반복학습을 수행하였으며, 평균 성능 지표를 산정하여 모델 간 예측 성능을 비교하였다. 최종 결과는 반복학습 중 가장 우수한 성능을 나타낸 모델을 기준으로 제시하였다.
4. 예측결과 분석
4.1 RMSE 및 R2 기반 성능 비교
Fig. 7~9는 입력 가속도 0.5, 1.0, 1.5m/s2 조건에서 각 모델의 RMSE 및 결정계수(R2) 결과를 나타낸다. 본 연구에서는 학습에 사용되지 않은 지반 조건에 대해 예측을 수행하였으며, N17은 학습범위 내 조건, N5 및 N30은 학습범위 외 조건으로 구분하였다. 먼저 RMSE 결과를 비교하면 ANN과 CNN모델은 전반적으로 상대적으로 높은 오차를 나타내어 시계열 동적 응답을 충분히 재현하지 못하는 경향을 보였다. 반면, CNN-LSTM, GRU, LSTM모델은 침하량 예측에서 N17조건의 경우 약 0.003m 수준의 매우 낮은 RMSE를 보였으며, 학습범위 외 조건(N5, N30)에서도 약 0.01m 내외의 오차로 비교적 안정적인 성능을 유지하였다. 수평변위의 경우에도 유사한 경향이 나타났으며, 학습범위 내 조건에서는 약 0.01m 학습범위 외 조건에서는 약 0.04m 수준의 RMSE가 발생하였다. 이는 학습 범위를 벗어나는 조건에서 오차가 다소 증가하나, 전반적인 응답 경향은 여전히 안정적으로 예측되고 있음을 의미한다. 또한, 결정계수(R2)을 비교하면 CNN-LSTM, GRU, LSTM 모델은 대부분의 조건에서 1.0에 근접한 값을 나타내어 수치해석 결과의 시간 이력 형상을 매우 유사하게 재현하고 있음을 확인할 수 있다. 반면 ANN 및 CNN모델은 일부 조건에서 R2값이 크게 감소하거나 음의 값을 나타내어 예측 형상의 신뢰성이 낮은 것으로 판단된다.
4.2 반복학습에 따른 예측 안정성 분석
다음은 반복학습에 따른 예측 안정성 분석 결과이다. 앞 절에서 제시한 Fig. 7~9는 각 모델에 대해 30회 반복학습을 수행한 후 산정된 RMSE 및 결정계수(R2)의 평균값을 나타낸 것이며, Fig. 10~12는 반복학습 과정에서 전반적인 예측 경향을 대표할 수 있는 사례를 선정하여 예측값과 실측값을 시간 이력으로 비교한 결과이며, 다양한 입력 가속도 조건에서 유사한 경향이 확인되어 대표적으로 1.5m/s2 조건을 제시하였다. 앞선 정량 평가에서 ANN, CNN 모델은 상대적으로 낮은 예측 성능을 나타내었으므로, 성능이 우수한 CNN-LSTM, GRU, LSTM 모델을 중심으로 분석하였다. 세 모델 모두 반복학습 평균값에서 낮은 RMSE와 높은 결정계수(R2)를 나타내었으며, 대표 사례의 시간 이력 비교에서도 실측값과 거의 일치하는 응답 형상을 재현하였다. 특히 학습범위 내 조건(N17)에서는 예측값과 실측값이 거의 동일한 수준으로 나타났으며, 학습범위 외 조건에서도 일부 구간에서 미세한 차이는 존재하나 전체적인 응답 경향과 진동 특성은 안정적으로 재현되었다. 따라서 RNN 기반 모델은 평균 성능뿐 아니라 반복학습에 따른 안정성 측면에서도 신뢰성 있는 예측 결과를 제공하는 것으로 판단된다.
5. 결 론
본 연구에서는 지진 시 액상화로 인한 케이슨식 안벽의 침하 및 수평변위를 신속하고 합리적으로 예측하기 위해 딥러닝 기반 예측 기법을 적용하고, 수치해석 데이터를 활용하여 다양한 알고리즘의 성능을 비교·분석하였다. 본 연구를 통해 도출된 주요 결론은 다음과 같다.
(1) FLIP 수치해석을 이용하여 지반 조건, 케이슨 제원, 입력 지진동 세기를 변수로 한 시계열 응답 데이터베이스를 구축하였으며, 이는 반복시험과 해석의 한계를 보완할 수 있는 학습 자료로 활용될 수 있음을 확인하였다. 또한 이러한 데이터 기반 접근은 구조물 응답 예측을 위한 효율적인 대안이 될 수 있음을 제시하였다.
(2) 다양한 딥러닝 알고리즘을 비교한 결과, 시계열 특성을 반영할 수 있는 CNN-LSTM, GRU, LSTM과 같은 순환신경망 기반 모델이 ANN 및 CNN 모델에 비해 전반적으로 우수한 성능을 나타냈으며, 학습 범위 내 조건뿐 아니라 미학습 조건에서도 응답 경향을 안정적으로 재현하였다. 이는 제안된 모델이 높은 예측 정확도와 함께 일반화 성능을 확보하고 있음을 보여준다.
(3) 반복학습을 통한 안정성 분석에서도 RNN 기반 모델은 일관된 예측 성능을 유지하였다. 이를 통해 다양한 지반 조건과 입력 지진동에 대해 구조물 변위를 신속하게 예측할 수 있음을 확인하였다.
본 연구 결과는 수치해석 기반 데이터와 순환신경망 모델을 결합한 예측 체계를 제시하였으며, 이를 통해 액상화 지반에서의 케이슨식 안벽 변위를 효율적으로 예측할 수 있음을 확인하였다.
