Preview

Journal of the Korean Geotechnical Society. 30 June 2026. 113-124
https://doi.org/10.7843/kgs.2026.42.3.113

Analysis of the Effects of Training Conditions on Deep Learning-Based Prediction of Liquefaction-Induced Damage to Caisson-Type Quay Walls

액상화에 의한 딥러닝 기반 케이슨식 안벽 피해 예측을 위한 학습 조건의 영향 분석
Hyeonsu Yun1
,
Seong-Kyu Yun2
,
Jiseong Kim3
,
Gichun Kang4*
윤 현수1
,
윤 성규2
,
김 지성3
,
강 기천4*
1Member, Ph.D Candidate, Department of Civil Engineering, College of Engineering, Gyeongsang National Univ.
2Member, Ph.D, Department of Civil Engineering, College of Engineering, Gyeongsang National Univ.
3Member, Assistant Prof., Department of Land Information and Construction, Vision College of Jeonju
4Member, Associate Prof., Department of Civil Engineering, College of Engineering, Gyeongsang National Univ.
1정회원, 경상국립대학교 공과대학 토목공학과 박사과정
2정회원, 경상국립대학교 공과대학 토목공학과 공학박사
3정회원, 전주비전대학교 국토정보건설과 조교수
4정회원, 경상국립대학교 공과대학 토목공학과 부교수
*Corresponding Author

Copyright © 2026 by the Korean Geotechnical Society

License (open-access, http://creativecommons.org/licenses/by-nc/4.0/):

This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

ABSTRACT

Recent studies in geotechnical engineering have increasingly focused on deep learning-based approaches for the rapid prediction of structural responses under seismic loading. In particular, caisson-type quay walls constructed on liquefiable ground exhibit time-dependent nonlinear behavior, creating a growing demand for data-driven prediction methods that can replace repetitive numerical analyses. However, existing studies have primarily focused on improving the prediction accuracy of deep learning models, whereas systematic investigations of how training conditions affect prediction stability and reliability remain limited. Therefore, this study constructed time-series datasets of settlement and horizontal displacement using FLIP numerical analyses under various ground conditions (SPT N-values) and seismic intensities (0.1–2.0 m/s2). Based on these datasets, the effects of training conditions on the prediction performance and stability of deep learning models were evaluated. The results demonstrated stable prediction performance and reproducibility for batch sizes of 8–32, whereas the batch size of 64 resulted in increased prediction variability.

Keywords
Batch size
Caisson-type quay wall
Deep learning
Earthquake
Liquefaction

최근 지반공학 분야에서는 지진 시 구조물 응답을 신속하게 예측하기 위한 딥러닝 기반 연구가 활발히 수행되고 있다. 특히 액상화 지반에서의 케이슨식 안벽과 같은 항만 구조물은 시간 의존적 비선형 거동을 보이기 때문에, 반복적인 수치해석을 대체할 수 있는 데이터 기반 예측 기법의 필요성이 증가하고 있다. 그러나 기존 연구는 주로 딥러닝 모델의 예측 정확도 향상에 초점을 두고 있으며, 학습 조건에 따라 예측 결과의 안정성과 신뢰성이 어떻게 변화하는지에 대한 체계적인 분석은 부족한 실정이다. 이에 본 연구에서는 FLIP 수치해석을 통해 다양한 지반 조건(N치)과 지진동 세기(0.1~2.0 m/s2)에 따른 침하량 및 수평변위의 시계열 데이터를 구축하고, 이를 기반으로 딥러닝 모델의 학습 조건이 예측 성능 및 결과 안정성에 미치는 영향을 분석하였다. 분석결과 batch size 8~32 범위에서는 안정적인 예측 성능과 재현성이 확보된 반면, batch size 64 조건에서는 변동성이 증가하는 경향이 나타났다.

MAIN

  • 1. 서 론

  • 2. 수치해석 기반 데이터셋 구축

  •   2.1 수치해석 개요

  •   2.2 수치해석 모델 및 조건

  •   2.3 학습 조건 영향 분석을 위한 데이터셋 구성

  • 3. 딥러닝 학습 조건에 따른 예측 성능 및 안정성 분석

  •   3.1 딥러닝 모델 구성 및 입력 변수

  •   3.2 학습 조건 설정 및 예측 성능평가

  • 4. 학습 조건에 따른 예측 성능 및 안정성 분석

  •   4.1 모델 예측 성능 평가(0.5 m/s2)

  •   4.2 모델 예측 성능 평가(1.0 m/s2)

  •   4.3 모델 예측 성능 평가(1.5 m/s2)

  •   4.4 수치해석 결과와 딥러닝 예측 결과의 시계열비교

  •   4.5 Batch size 변화에 따른 학습 시간 비교

  • 5. 결 론

1. 서 론

최근 지반공학 분야에서는 다양한 지반 조건 및 하중 조건을 반영한 수치해석이 구조물의 거동을 평가하는 주요한 방법으로 활용되고 있다. 그러나 조건의 다양성이 증가할수록 반복적인 해석 수행이 요구되며, 이에 따라 해석 시간이 크게 증가하는 한계가 존재한다. 특히 액상화와 같이 시간 의존적 비선형 거동을 보이는 문제에서는 이러한 경향이 더욱 두드러지게 나타난다. 지진하중을 받는 포화 사질지반에서는 반복 전단응력에 의해 과잉간극수압이 발생하고, 이에 따른 유효응력 감소로 지반의 전단강도와 강성이 저하된다. 특히 케이슨식 안벽 배면의 액상화 가능 지반에서는 유효응력 감소로 인해 배면토의 측방유동이 발생할 수 있으며, 이는 케이슨 구조물의 수평변위, 침하 및 회전 거동으로 이어질 수 있다. 따라서 액상화 지반에서 케이슨식 안벽의 피해를 평가하기 위해서는 입력 지진동의 크기뿐만 아니라 지반의 액상화 저항성, 구조물 제원 및 지반-구조물 상호작용을 함께 고려할 필요가 있다. 그러나 이러한 거동은 시간에 따라 비선형적으로 변화하므로, 다양한 조건에 대한 반복적인 동적 유효응력 해석이 요구된다. 이러한 배경에서 수치해석 결과를 기반으로 구조물 응답을 신속하게 예측하기 위한 딥러닝 기반 접근이 주목받고 있으며(Hong et al., 2024; Han et al., 2025), 시계열 데이터를 활용한 순환신경망 모델이 효과적인 예측 성능을 보이는 것으로 보고되고 있다. 그러나 딥러닝 기반 예측 모델은 데이터 구성 및 학습 조건에 민감하게 반응하며, 동일한 문제에 대해서도 데이터셋의 특성이나 학습 조건 설정에 따라 서로 다른 예측 결과가 도출될 수 있다(Keskar et al., 2017; Smith et al., 2018). 이러한 특성은 예측 정확도뿐 아니라 결과의 안정성 및 재현성에도 영향을 미치며, 구조물 거동 예측과 같이 높은 신뢰성이 요구되는 공학 문제에서 중요한 제약 요인으로 작용한다. 특히 비선형성이 크고 시간에 따른 응답 변화가 급격한 액상화 지반의 경우, 학습 조건에 따른 예측 결과의 편차가 더욱 크게 나타날 가능성이 있다. 그럼에도 불구하고 이러한 영향에 대한 체계적인 정량 분석은 아직 제한적인 수준에 머물러 있다. 특히 학습 과정에서 batch size와 같은 하이퍼파라미터는 모델의 수렴 특성 및 일반화 성능에 직접적인 영향을 미치는 주요 인자로 알려져 있으나, 이에 따른 예측 결과의 변동성과 재현성에 대한 연구는 충분히 이루어지지 않았다. 따라서 본 연구에서는 액상화 지반에서의 케이슨식 안벽을 대상으로 딥러닝 기반 예측 모델을 구축하고, 데이터셋 구성 및 학습 조건에 따른 예측 결과의 차이를 분석하였다. 이를 위해 FLIP 수치해석을 활용하여 다양한 지반 조건(N치)과 지진동 세기에 따른 침하량 및 수평변위의 시계열 데이터를 구축하였으며, 반복 학습을 통해 예측 결과의 분산 및 재현성을 정량적으로 평가하였다. 특히 batch size를 중심으로 예측 성능과 학습 안정성에 미치는 영향을 비교·분석하였다(Hoffer et al., 2017; Masters et al., 2018; Qian et al., 2020). 본 연구는 딥러닝 기반 구조물 응답 예측에서 학습 조건이 결과의 신뢰성에 미치는 영향을 규명하고, 향후 액상화 지반에서의 구조물 거동 예측 모델 설계 시 필요한 학습 조건 설정에 대한 기초적인 기준을 제시하는 데 목적이 있다.

2. 수치해석 기반 데이터셋 구축

2.1 수치해석 개요

본 연구에서는 액상화에 의한 케이슨식 안벽의 동적 거동을 정량적으로 분석하기 위해 수치해석 기반의 데이터셋을 구축하였다. 국내 항만 구조물의 액상화 피해에 대한 실측 동적 응답 데이터는 제한적으로 확보되어 있으며, 다양한 조건에 대한 체계적인 분석이 어려운 한계가 존재한다. 이에 따라 본 연구에서는 지반의 동적 액상화 거동을 해석할 수 있는 유한요소 기반 프로그램인 FLIP(Finite element analysis program of Liquefaction Process)을 적용하였다. FLIP은 유효응력 기반 해석을 통해 지반 진동에 따른 지반–구조물 상호작용 거동을 모사할 수 있으며, 간극수압 발생 및 유효응력 감소 과정을 포함한 액상화 거동을 재현할 수 있는 해석 도구로 항만 구조물의 내진 거동 평가에 널리 활용되고 있다. 본 연구에서 적용한 흙의 구성모델은 다중전단메커니즘(Multi-spring) 모델로, 반복하중에 따른 지반의 비선형 및 탄·소성 거동을 재현할 수 있도록 구성하였다(Iai et al., 1992a; 1992b).

2.2 수치해석 모델 및 조건

본 연구에서는 항만 구조물의 대표 단면으로 OO항만 케이슨식 안벽 단면을 선정하여 수치해석 모델을 구성하였다(Fig. 1). 케이슨 폭(W) 및 높이(H)를 기준으로 3가지 케이스를 설정하였으며, 케이슨 높이를 제외한 모든 조건은 동일하게 적용하였다. 지반 요소에는 Multi-spring 모델을 적용하였고, 케이슨은 선형 평면 요소(linear plane), 해수 영역은 유체(fluid) 요소로 모델링하였다. 케이슨 상단 절점(A1)을 기준으로 지진 시 발생하는 침하량 및 수평변위를 출력 변수로 설정하였다. 경계 조건은 하단 고정경계, 좌우 점성경계를 적용하여 반사파 및 응력 집중의 영향을 최소화하였다. 지반 조건은 Table 1에 정리하였으며, 배면 뒤채움 지반의 액상화 파라미터를 변화시켜 민감도 해석을 수행하였다(Yun et al., 2021). 입력 지진동은 Sin파를 사용하였으며, 주파수 1.25 Hz, 주기 0.8 s로 설정하였다. 이는 입력 진폭 변화에 따른 구조물 응답 특성을 명확하게 분석하기 위한 조건이다. 또한 국내 지진의 주요 지속시간을 고려하여 해석 시간은 약 10초로 설정하였으며, 최대 입력가속도는 0.1~2.0 m/s2 범위로 변화시켰다(Yun et al., 2024).

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-03/N0990420308/images/kgs_42_03_08_F1.jpg
Fig. 1

Cross sections for numerical analysis (Yun et al., 2024)

Table 1.

Soil parameters on Incheon port report (Yun et al., 2024)

Type Unit Weight
γt (kN/m3) 		Internal Friction Angle
∅ (°) 		Cohesion
c (kN/m2) 		Remarks
Concrete 22.60 - - Young’s modulus E
Foundation Riprap 18.00 40.00 0.00 Non-Liquefiable
Backfill 18.00 40.00 0.00 Non-Liquefiable
Silty sand 16.00 30.00 0.00 Liquefiable
Sedentary deposit 19.00 30.00 0.00 Liquefiable

2.3 학습 조건 영향 분석을 위한 데이터셋 구성

본 연구에서는 딥러닝 모델의 학습 조건이 예측 결과에 미치는 영향을 분석하기 위해, 다양한 변수 조건을 포함하는 데이터셋을 구성하였다(Fig. 2). 지반 조건은 N치 10, 15, 20, 25로 설정하였으며, 케이슨 높이는 10 m, 15 m, 20 m의 세 가지 조건으로 구분하였다. 입력 지진동은 0.1~2.0 m/s2 범위에서 단계적으로 증가시키며 적용하였다. 이러한 조건 조합을 통해 총 240개의 수치해석 데이터를 생성하였다. 각 해석 케이스는 0.01초 간격의 시간 이력 데이터로 구성되며, 시간에 따른 입력 가속도, 침하량 및 수평변위 응답을 포함한다. 따라서 본 연구에서 사용한 데이터셋은 단순한 단일 결과값이 아니라, 각 조건별 동적 응답 특성을 포함하는 시계열 데이터셋으로 구축되었다. 특히 본 연구에서는 동일한 데이터셋을 기반으로 학습 조건을 변화시켜 예측 결과의 차이를 분석하는 것을 목적으로 하므로, 데이터의 일관성과 비교 가능성을 확보하는 데 중점을 두었다. 이와 같이 구축된 데이터셋은 단순한 예측 모델 학습을 위한 입력 데이터가 아니라, 학습 조건 변화에 따른 예측 성능 및 안정성의 영향을 분석하기 위한 기준 데이터셋으로 활용되었다.

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-03/N0990420308/images/kgs_42_03_08_F2.jpg
Fig. 2

Deep learning dataset construction process (Yun et al., 2026)

3. 딥러닝 학습 조건에 따른 예측 성능 및 안정성 분석

3.1 딥러닝 모델 구성 및 입력 변수

본 연구에서는 수치해석을 통해 구축된 시계열 데이터를 기반으로 케이슨식 안벽의 침하량 및 수평변위를 예측하기 위해 다양한 딥러닝 모델을 적용하였다. 입력 변수는 시간 이력에 따른 가속도와 지반 조건(N치), 구조물 제원(케이슨 높이)을 포함하며, 출력 변수는 케이슨 천단부에서의 침하량 및 수평변위로 설정하였다. 모델은 구조적 특성이 상이한 ANN(Artificial Neural Network), CNN(Convolutional Neural Network), CNN-LSTM, LSTM(Long Short-Term Memory) 및 GRU(Gated Recurrent Unit)를 포함하여 구성하였다. ANN은 기본적인 비선형 관계를 학습하는 모델이며, CNN은 시계열 데이터의 국부적 특징을 추출하는 데 효과적이다. 또한 LSTM(Hochreiter and Schmidhuber, 1997)과 GRU는 시간 의존성을 반영하는 순환신경망 구조로, 동적 응답 예측에 적합한 모델로 알려져 있다(Cho et al., 2014). 본 연구에서는 개별 모델의 성능 비교보다는 다양한 모델에서 공통적으로 나타나는 학습 조건의 영향 특성을 분석하는 데 초점을 두었다.

3.2 학습 조건 설정 및 예측 성능평가

본 연구에서는 수치해석을 통해 생성된 시계열 데이터를 활용하여 딥러닝 모델을 학습하고, 학습 조건이 예측 결과에 미치는 영향을 분석하였다(Table 2). 입력 변수는 시간 이력에 따른 가속도와 지반 조건(N치), 구조물 제원(케이슨 높이)으로 구성하였고, 출력 변수는 케이슨 천단부에서의 침하량 및 수평변위로 설정하였다. 전체 데이터셋은 70%를 학습 데이터, 30%를 검증 데이터로 분할하였으며, 이는 모델이 주요 입력 조건에 따른 응답 특성을 충분히 학습할 수 있도록 학습 데이터를 확보하는 동시에, 학습에 사용되지 않은 데이터에 대한 예측 성능을 평가하기 위한 검증 데이터를 일정 비율 이상 확보하기 위한 것이다. 또한 모든 학습 조건에서 동일한 데이터 분할 기준을 적용함으로써 batch size 변화에 따른 예측 결과를 공정하게 비교할 수 있도록 하였다. 학습 조건의 영향을 분석하기 위해 batch size를 주요 변수로 설정하였으며, 8, 16, 32, 64의 조건으로 구분하여 적용하였다. Batch size는 한 번의 가중치 갱신 과정에서 사용되는 학습 데이터의 개수를 의미하며, 학습 안정성, 수렴 특성 및 일반화 성능에 영향을 미치는 주요 하이퍼파라미터이다. 본 연구에서는 작은 batch size 조건과 상대적으로 큰 batch size 조건에서의 예측 성능 및 재현성 차이를 비교하기 위해 8, 16, 32 및 64를 분석 조건으로 선정하였다. 모든 실험은 동일한 optimizer와 학습률 조건에서 수행되었으며, 학습률은 0.001로 설정하였다(Table 3). 이는 batch size 이외의 학습 조건을 동일하게 유지하여 batch size 변화에 따른 영향을 비교하기 위한 것이다. 최대 epoch는 모델이 충분히 수렴할 수 있도록 1000으로 설정하였으며, 과도한 반복 학습에 따른 과적합을 방지하기 위해 Early Stopping 기법을 적용하였다. Early Stopping은 검증 손실이 일정 횟수 이상 개선되지 않을 경우 학습을 종료하는 방식으로 적용하였다. 딥러닝 모델은 초기 가중치 및 학습 과정의 특성에 따라 동일한 조건에서도 서로 다른 예측 결과를 도출할 수 있으므로, 각 batch size 조건에 대해 동일한 설정에서 총 30회의 반복 학습을 수행하였다. 이를 통해 학습 조건에 따른 예측 결과의 분산 및 재현성을 정량적으로 평가하였다. 모델 성능 평가는 수치해석 결과와 예측 결과를 비교하여 RMSE와 결정계수(R2)를 산정하는 방식으로 수행하였으며, 평균값과 함께 결과의 변동성을 고려하여 학습 안정성을 분석하였다. 본 연구에서는 단일 최적 결과가 아닌 반복 학습을 통해 도출된 전체 결과의 경향을 기반으로 학습 조건의 영향을 평가하였다.

Table 2.

Model configurations for deep learning architectures (Yun et al., 2026)

ANN CNN CNN-LSTM LSTM GRU
Hidden units 128 - 160 160 160
Number of layers 2 - 2 2 2
Bidirectional - - Y Y Y
Optimizer Adam Adam Adam Adam Adam
Table 3.

Training hyperparameters

Parameter Value
Batch size 8,16,32,64
Maximum epochs 1000
Early stopping 100
Learning rate 0.001

4. 학습 조건에 따른 예측 성능 및 안정성 분석

4.1 모델 예측 성능 평가(0.5 m/s2)

Fig. 3은 입력 가속도 0.5 m/s2 조건에서 batch size 변화에 따른 딥러닝 모델의 예측 성능을 나타낸 결과이다. 분석 결과, batch size 8~32 범위에서는 RMSE와 결정계수(R2)가 유사한 수준을 유지하며 전반적으로 안정적인 예측 성능을 보였다. 해당 범위에서는 RMSE가 낮고 결과 분포가 비교적 좁게 나타나 반복 학습 간 변동성이 크지 않은 것으로 확인되었다. 반면 batch size가 64로 증가할 경우 RMSE 증가 및 결과 분포 범위 확대가 나타났으며, 일부 조건에서는 예측 오차가 크게 증가하는 경향을 보였다. 이러한 경향은 모든 딥러닝 모델에서 유사하게 나타났으며, 특히 GRU 및 LSTM 모델에서 상대적으로 안정적인 예측 성능이 확인되었다. 특히 GRU 모델은 학습 범위 내 조건(N17)에서 침하량 RMSE가 0.002~0.009m, 학습 범위 외 조건(N5, N30)에서는 0.007~0.013m 수준으로 나타났다. 또한 수평변위의 경우 학습 범위 내 조건(N17)에서 0.006~0.023m, 학습 범위 외 조건(N5, N30)에서는 약 0.018~0.039m의 RMSE를 나타내었다. 또한, Table 4와 같이 GRU, LSTM 모델은 높은 결정계수를 나타내어 실제 응답과 예측 응답 간의 상관성이 우수한 것으로 확인되었다. 전반적으로 GRU 모델은 학습 범위 내·외 조건 모두 안정적인 예측 성능을 유지하는 것으로 판단된다. 이러한 결과는 GRU, LSTM 모델이 시계열 데이터의 시간 의존성을 반영하는 순환신경망 구조를 기반으로 하여 지진하중에 따른 동적 응답 특성을 효과적으로 학습할 수 있기 때문으로 판단된다. 수평변위 응답의 절대 크기가 침하량보다 크게 발생하므로 동일한 상대 오차 수준에서도 RMSE 값이 상대적으로 크게 나타난 것으로 판단된다.

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-03/N0990420308/images/kgs_42_03_08_F3.jpg
Fig. 3

Comparison of RMSE and R2 values under 0.5 m/s2 input acceleration

Table 4.

Average R2 values under 0.5 m/s2 input acceleration

CNN-LSTM GRU LSTM
N5 N17 N30 N5 N17 N30 N5 N17 N30
Settlement 8 0.942 0.998 0.982 0.980 0.998 0.976 0.976 0.997 0.976
16 0.960 0.996 0.959 0.981 0.997 0.972 0.978 0.997 0.971
32 0.893 0.960 0.880 0.983 0.998 0.969 0.978 0.995 0.949
64 -0.139 -0.185 -1.578 0.975 0.960 0.911 0.938 0.397 0.841
Horizontal
displacement 		8 0.914 0.997 0.970 0.972 0.998 0.974 0.964 0.997 0.975
16 0.936 0.995 0.948 0.970 0.996 0.967 0.961 0.996 0.971
32 0.885 0.958 0.869 0.972 0.997 0.962 0.963 0.995 0.954
64 -0.187 -0.198 -1.736 0.957 0.964 0.917 0.923 0.934 0.830

4.2 모델 예측 성능 평가(1.0 m/s2)

Fig. 4는 입력 가속도 1.0 m/s2 조건에서 batch size 변화에 따른 딥러닝 모델의 예측 성능을 나타낸 결과이다. 분석 결과, 입력 가속도 0.5 m/s2 조건과 유사하게 batch size 8, 16, 32 범위에서는 전반적으로 안정적인 예측 성능이 유지되는 것으로 나타났다. 반면 batch size가 64로 증가할 경우 RMSE 증가 및 결과 분포 범위 확대가 나타났으며, 일부 조건에서는 예측 오차가 크게 증가하는 경향을 보였다. 또한 GRU 및 LSTM 모델은 비교적 안정적인 예측 성능을 유지하였다(Table 5). 이러한 결과는 입력 가속도 조건이 증가하더라도 batch size에 따른 예측 성능 변화 경향이 유사하게 나타남을 의미한다.

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-03/N0990420308/images/kgs_42_03_08_F4.jpg
Fig. 4

Comparison of RMSE and R2 values under 1.0 m/s2 input acceleration

Table 5.

Average R2 values under 1.0 m/s2 input acceleration

CNN-LSTM GRU LSTM
N5 N17 N30 N5 N17 N30 N5 N17 N30
Settlement 8 0.995 0.999 0.997 0.998 0.999 0.995 0.998 0.999 0.995
16 0.995 0.999 0.997 0.997 0.999 0.994 0.997 0.999 0.994
32 0.970 0.973 0.970 0.998 0.999 0.995 0.997 0.999 0.993
64 0.418 0.448 0.255 0.992 0.994 0.989 0.972 0.969 0.964
Horizontal
displacement 		8 0.991 0.999 0.995 0.997 0.999 0.993 0.996 0.999 0.992
16 0.991 0.999 0.993 0.995 0.999 0.991 0.995 0.999 0.990
32 0.960 0.970 0.960 0.996 0.999 0.992 0.994 0.999 0.989
64 0.380 0.425 0.198 0.988 0.992 0.997 0.968 0.965 0.942

4.3 모델 예측 성능 평가(1.5 m/s2)

Fig. 5는 입력 가속도 1.5 m/s2 조건에서 batch size 변화에 따른 딥러닝 모델의 예측 성능을 나타낸 결과이다. 분석 결과, batch size에 따른 예측 성능의 경향은 0.5 m/s2 및 1.0 m/s2 조건과 유사하게 나타났다. 특히 batch size 8~32 범위에서는 안정적인 예측 성능이 유지된 반면, batch size 64에서는 RMSE 증가 및 결과 변동성 확대가 나타나 상대적으로 불안정한 경향을 보였다(Table 6). 이러한 결과는 입력 지진 강도가 증가하는 조건에서도 batch size에 따른 예측 성능 경향이 일관되게 유지됨을 보여준다.

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-03/N0990420308/images/kgs_42_03_08_F5.jpg
Fig. 5

Comparison of RMSE and R2 values under 1.5 m/s2 input acceleration

Table 6.

Average R2 values under 1.5 m/s2 input acceleration

CNN-LSTM GRU LSTM
N5 N17 N30 N5 N17 N30 N5 N17 N30
Settlement 8 0.999 0.999 0.994 0.999 0.999 0.993 0.999 0.999 0.992
16 0.998 0.999 0.993 0.999 0.999 0.993 0.999 0.999 0.991
32 0.970 0.975 0.969 0.999 0.999 0.993 0.999 0.999 0.992
64 0.443 0.521 0.428 0.998 0.999 0.994 0.985 0.985 0.982
Horizontal
displacement 		8 0.997 0.999 0.988 0.995 0.999 0.986 0.996 0.999 0.985
16 0.996 0.999 0.986 0.995 0.999 0.985 0.996 0.999 0.984
32 0.971 0.972 0.956 0.996 0.999 0.985 0.995 0.999 0.982
64 0.397 0.495 0.354 0.999 0.999 0.980 0.980 0.986 0.962

4.4 수치해석 결과와 딥러닝 예측 결과의 시계열비교

Fig. 6은 batch size에 따른 예측 성능 변화를 분석하기 위해 30회 반복 학습결과의 RMSE 분포를 나타낸 것이다. 입력 지진 강도 0.5, 1.0, 1.5 m/s2 조건에서 침하량과 수평변위에 대한 예측오차 분포를 비교하였다. 분석 결과, batch size에 따라 RMSE 분포 특성이 크게 달라지는 것으로 나타났다. 특히 batch size 8~32 범위에서는 RMSE 분포가 상대적으로 좁게 나타나 반복 학습 간 결과 변동성이 작고 안정적인 예측 성능을 보였다. 반면 batch size 64 조건에서는 RMSE 분포 범위가 확대되고 이상치가 다수 발생하는 것으로 나타나 학습 안정성이 저하되는 경향을 보였다. 이러한 결과는 batch size가 예측 정확도뿐 아니라 결과의 안정성과 재현성에 직접적인 영향을 미치는 중요한 학습 조건임을 의미한다. 한편 Fig. 7은 GRU 모델의 batch size 16 조건을 대상으로, 수치해석 결과와 딥러닝 예측 결과의 시계열 응답을 비교한 것이다. 분석 결과, batch size 16 조건에서 예측 곡선은 수치해석 결과와 유사한 응답 형상을 나타내었으며, 지반 조건(N5, N17, N30)에 따른 변위 크기 차이와 시간에 따른 변위 증가 경향을 안정적으로 재현하는 것으로 나타났다. 또한 지진 강도가 증가하는 조건에서도 예측 결과가 수치해석 결과를 잘 추종하는 경향을 보여, 적절한 학습 조건 선택 시 다양한 입력 조건에서도 안정적인 예측 성능을 확보할 수 있음을 확인하였다. 특히 박스플롯 분석에서 확인된 낮은 오차 분산 특성은 시계열 응답 재현에서도 동일하게 나타나는 것으로 확인되어, batch size가 시계열 예측의 안정성과 정확도에 동시에 영향을 미치는 핵심 변수임을 알 수 있다.

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-03/N0990420308/images/kgs_42_03_08_F6.jpg
Fig. 6

RMSE Distribution and Variability of GRU Predictions under Different Batch Sizes

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-03/N0990420308/images/kgs_42_03_08_F7.jpg
Fig. 7

Comparison between numerical results and GRU predictions under different earthquake intensities

4.5 Batch size 변화에 따른 학습 시간 비교

Fig. 8은 batch size 변화에 따른 딥러닝 모델의 학습 시간을 비교한 결과를 나타낸 것이다. 분석 결과, 모델 구조에 따라 학습 시간의 차이가 크게 나타났으며, 비교적 단순한 구조를 가지는 ANN 및 CNN 모델은 상대적으로 짧은 학습 시간을 보였다. 반면, CNN-LSTM, GRU, LSTM과 같은 순환신경망 기반 모델은 시계열 데이터의 시간 의존성을 학습하기 위한 반복 연산이 포함되므로 전체 학습시간이 상대적으로 길게 나타났다. Batch size 변화에 따른 학습 시간 경향을 살펴보면, 일부 모델에서는 batch size가 증가할수록 학습 시간이 감소하는 경향이 나타났다. 이는 batch size 증가 시 한 번의 학습 과정에서 처리되는 데이터 양이 증가하여 전체 학습 반복 횟수가 감소하기 때문으로 판단된다. 반면 GRU 및 LSTM 모델에서는 batch size 증가에 따른 학습 시간 감소 효과가 상대적으로 제한적으로 나타났으며, 일부 조건에서는 학습 시간 감소 폭이 크지 않은 것으로 확인되었다. 이는 순환신경망 기반 모델의 연산 특성에 따른 영향으로 판단된다. 앞선 예측 성능 분석 결과와 비교하면, batch size 8~32 범위에서 비교적 낮은 RMSE와 높은 결정계수(R2)를 나타내며 안정적인 예측 성능이 확인되었다. 따라서 예측 정확도와 계산 효율을 종합적으로 고려할 때, 본 연구에서 적용한 데이터 규모와 모델 구조 조건에서는 batch size 16~32 범위가 딥러닝 모델 학습에 적절한 조건으로 판단된다.

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-03/N0990420308/images/kgs_42_03_08_F8.jpg
Fig. 8

Effect of batch size on training time of deep learning models

5. 결 론

본 연구에서는 액상화 지반에서의 케이슨식 안벽을 대상으로 FLIP 수치해석을 통해 구축된 시계열 데이터를 기반으로 딥러닝 모델의 학습 조건이 예측 성능 및 결과 안정성에 미치는 영향을 분석하였다. 결론은 다음과 같다.

(1) Batch size 8~32 범위에서는 낮은 RMSE와 높은 결정계수(R2)를 나타내며 전반적으로 안정적인 예측 성능이 확보되는 것으로 나타났다. 반면 batch size가 64로 증가할 경우 RMSE 증가 및 결과 분포의 확산이 나타나 예측 성능과 안정성이 저하되는 경향이 확인되었다.

(2) 반복 학습(30회)을 통한 결과 분석 결과, batch size 8, 16, 32 조건에서 전반적으로 안정적인 예측 성능이 나타났으며, 결과 분산이 작고 재현성이 높은 것으로 확인되었다. 따라서 해당 범위의 batch size가 딥러닝 모델의 안정적인 학습에 적절한 조건으로 판단된다.

(3) 입력 지진 강도(0.5~1.5 m/s2)가 변화하는 조건에서도 batch size에 따른 예측 성능 경향은 일관되게 유지되었으며, 적절한 학습 조건을 적용할 경우 수치해석 결과의 시계열 응답을 안정적으로 재현할 수 있음을 확인하였다. 또한 예측 성능과 학습 시간을 종합적으로 고려할때 batch size 16~32 범위가 가장 적절한 학습 조건으로 판단된다.

본 연구 결과는 딥러닝 기반 구조물 응답 예측에서 학습 조건이 결과의 안정성과 재현성에 영향을 미치는 주요 인자임을 확인하였다. 이는 향후 지반공학 분야에서 데이터 기반 해석 기법을 적용할 때 학습 조건 설정의 중요성을 시사한다. 또한 실제 지진파를 고려한 추가적인 연구를 통해 다양한 입력 조건에 대한 적용성 검토가 필요할 것으로 판단된다.

References

1

Cho, K., van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., and Bengio, Y. (2014), “Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation”, arXiv preprint, arXiv:1406.1078.

10.3115/v1/D14-1179
2

Han, S.-J., Choo, Y. W., Yoon, S., Han, S.-H., and Kim, J.-E. (2025), “Study on Deep Learning-Based Image Analysis for Structural Vibration in Dynamic Centrifuge Modeling”, Journal of the Korean Geotechnical Society, Vol.41, No.4, pp.53-64. https://doi.org/10.7843/kgs.2025.41.4.53.

10.7843/kgs.2025.41.4.53
3

Hochreiter, S., and Schmidhuber, J. (1997), “Long Short-Term Memory”, Neural Computation, Vol.9, No.8, pp.1735-1780.

10.1162/neco.1997.9.8.1735
4

Hoffer, E., Hubara, I., and Soudry, D. (2017), “Train Longer, Generalize Better: Closing the Generalization Gap in Large Batch Training of Neural Networks”, arXiv preprint arXiv:1705.08741, https://arxiv.org/abs/1705.08741.

5

Hong, S., Kwak, T.-Y., Woo, S.-I., and Kim, S.-R. (2024), “Comparison of Deep Learning and Measurement-Based Methods for Settlement Prediction in Soft Ground”, Journal of the Korean Geotechnical Society, Vol.40, No.6, pp.67-78. https://doi.org/10.7843/kgs.2024.40.6.67.

10.7843/kgs.2024.40.6.67
6

Iai, S., Matsunaga, T., and Kameoka, T. (1992a), “Strain Space Plasticity Model for Cyclic Mobility”, Soils and Foundations, Vol.32, No.2, pp.1-15.

10.3208/sandf1972.32.2_1
7

Iai, S., Matsunaga, T., and Kameoka, T. (1992b), “Analysis of Undrained Cyclic behavior of Sand under Anisotropic Consolidation”, Soils and Foundations, Vol.32, No.2, pp.16-20.

10.3208/sandf1972.32.2_16
8

Keskar, N. S., Mudigere, D., Nocedal, J., Smelyanskiy, M., and Tang, P. T. P. (2017), “On Large-Batch Training for Deep Learning: Generalization Gap and Sharp Minima”, Proceedings of the International Conference on Learning Representations (ICLR), https://doi.org/10.48550/arXiv.1609.04836.

10.48550/arXiv.1609.04836
9

Masters, D. and Luschi, C. (2018), “Revisiting Small Batch Training for Deep Neural Networks”, Proceedings of the International Conference on Learning Representations (ICLR), https://doi.org/10.48550/arXiv.1804.07612.

10.48550/arXiv.1804.07612
10

Qian, X. and Klabjan, D. (2020), “The Impact of the Mini-batch Size on the Variance of Gradients in Stochastic Gradient Descent”, arXiv preprint arXiv:2004.13146, https://arxiv.org/abs/2004.13146.

11

Smith, S. L. and Le, Q. V. (2018), “A Bayesian Perspective on Generalization and Stochastic Gradient Descent”, Proceedings of the International Conference on Learning Representations (ICLR), https://doi.org/10.48550/arXiv.1710.06451.

10.48550/arXiv.1710.06451
12

Yun, H.S., Back, M-J., Sun, J., Yun, S-K., and Kang, G-C. (2024), “A Simplified Method for Evaluating Damage of Caisson-Type Quay Wall During Earthquakes”, Journal of the Korean Geosynthetics Society, Vol.23, No.3, pp.1-14. https://doi.org/10.12814/jkgss.2024.23.3.001.

10.12814/jkgss.2024.23.3.001
13

Yun, H.S., Yun, S-K., Lee, S., and Kang, G-C. (2026). “Prediction of Settlement of Caisson-type Quay Walls Using Deep Learning During Earthquakes”, Journal of the Korean Geotechnical Society, Vol.42, No.2, pp.89-99. https://doi.org/10.7843/kgs.2026.42.2.89.

10.7843/kgs.2026.42.2.89
14

Yun, S.K, Kim, S.J., Kim, J.S., and Kang, G-C. (2021), “Dynamic behavior of Quay Walls According to N-values of Backfill and Amplitude of Seismic Accelerations”, J. Korean Soc. Hazard Mitig., Vol.21, No.1, pp.207-217. https://doi.org/10.9798/KOSHAM.2021.21.1.207.

10.9798/KOSHAM.2021.21.1.207
페이지 상단으로 이동하기