1. 서 론
2. 수치해석 및 데이터베이스 구축
2.1 수치해석 개요
2.2 수치해석 모델 및 조건
2.3 딥러닝 학습 데이터 구축
3. 딥러닝 모델 및 학습 조건
3.1 딥러닝 모델
3.2 학습 조건 설정
4. 분석결과
5. 결 론
1. 서 론
국내에서는 포항지진 이후 액상화 현상에 대한 관심이 증가하였으며(Kim et al., 2019; Kim et al., 2020), 액상화 지반에서의 구조물 거동에 관한 연구가 활발히 수행되고 있다. 액상화 현상은 느슨한 사질토 및 매립지반에서 발생하는 과잉간극수압으로 지반이 저항력을 잃어 액체처럼 거동하며, 강도와 강성이 급격히 저하되는 현상으로, 구조물의 침하 및 수평변위를 유발할 수 있다(Seed and Idriss, 1971; Tokimatsu and Seed, 1987; Bray and Sancio, 2006; Kang et al., 2014). 특히 항만 구조물은 액상화 발생 시 침하와 수평변위가 동시에 발생할 가능성이 높으며, 실제 지진 사례에서도 다양한 피해가 보고된 바 있다.
기존의 케이슨식 안벽 연구는 주로 원심모형시험 및 수치해석을 중심으로 수행되어 왔다. 특히 수치해석 기법은 원심모형시험에 비해 다양한 지반 및 입력조건에 대한 구조물 응답을 상대적으로 효율적으로 평가할 수 있어 널리 활용되고 있다. 그러나 다양한 조건에 대한 반복 해석이 요구될 경우 많은 해석 시간과 비용이 소요되며, 모형실험 및 실제 계측 기반 연구 또한 데이터 확보에 현실적인 제약이 존재한다.
이러한 한계를 보완하기 위하여 액상화에 따른 구조물의 침하량을 신속하게 산정할 수 있는 간편식 및 경험적 예측 방법이 제안되어 왔다(Yun et al., 2024). 그러나 기존의 간편식은 제한된 실험 또는 해석 조건을 기반으로 도출된 경우가 많아, 지진파의 시간 및 주파수 특성, 지반의 비선형 거동, 구조물 제원에 따른 영향을 종합적으로 반영하는 데 한계가 있다. 또한 입력 지진파의 주파수 특성 및 크기에 따라 액상화와 구조물 응답 특성이 다르게 나타나기 때문에 다양한 지진파 조건에 대한 검토가 필요하다.
최근에는 시계열 데이터를 기반으로 한 딥러닝 기법이 다양한 분야에 적용되고 있으며, 지반공학 분야에서도 지반 및 구조물 응답 예측에 관한 연구가 활발히 수행되고 있다(Hong et al., 2024; Han et al., 2025; Yun et al., 2026a; Yun et al., 2026b). 딥러닝 기반 기법은 비선형 거동 특성을 효과적으로 학습할 수 있으며, 반복적인 수치해석 없이 구조물 응답을 신속하게 예측할 수 있다는 장점이 있다. 그러나 기존 연구는 사인파 또는 일부 계측자료 기반의 응답 예측에 집중된 경우가 많아, 다양한 지진파 조건에 대한 적용성 검토는 상대적으로 부족한 실정이다.
이에 본 연구에서는 액상화 지반에서의 케이슨식 안벽 거동을 고려하기 위하여 FLIP 기반 유효응력해석 데이터를 활용하였으며, 다양한 지진파 및 지반-구조물 조건에 대한 수치해석 데이터를 구축하였다. 입력 지진파는 총 7종을 적용하였으며, 500년, 2400년, 4800년 재현주기 수준에 따라 입력 가속도를 조정하였다. 또한 지반 및 구조 조건의 영향을 고려하기 위하여 N치와 케이슨 높이 조건을 변화시켜 해석을 수행하였다.
2. 수치해석 및 데이터베이스 구축
2.1 수치해석 개요
본 연구에서는 다양한 조건에서 케이슨식 안벽 응답 데이터를 확보하기 위하여 FLIP(Finite element analysis program of Liquefaction Process)을 이용한 수치해석을 수행하였다. 실제 항만 구조물의 액상화 피해 사례에 대한 동적 응답 데이터는 제한적으로 확보되어 있으며, 다양한 입력조건 및 지반조건에 대한 실험적 데이터 구축에는 시간적·경제적 한계가 존재한다.
이에 따라 액상화 지반의 동적 거동과 지반-구조물 상호작용을 재현할 수 있는 유효응력 기반 해석 프로그램인 FLIP을 적용하였다. FLIP은 지진 시 간극수압의 증가와 유효응력 감소 과정을 고려할 수 있어 액상화 해석에 널리 활용되고 있으며(Sahare et al., 2024), 특히 항만 구조물의 내진 거동 평가에 효과적으로 적용되고 있다.
본 연구에서 사용한 지반 구성모델은 다중전단메커니즘(Multi-spring) 모델로, 반복하중에 따른 지반의 비선형 및 탄소성 거동을 모사할 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). 지반 요소에는 Multi-spring 모델을 적용하였고, 케이슨은 선형 평면 요소(linear plane), 바다는 fluid 요소로 모델링하였다. 경계 조건은 하단 고정경계와 좌우 점성경계를 적용하여 반사파 및 응력 집중의 영향을 최소화하였다. 케이슨 상단의 변위는 안벽의 사용성과 안정성을 직접적으로 나타내므로, 상단 절점(A1)에서 발생하는 침하량 및 수평변위를 출력 변수로 설정하였다.
다양한 조건에서 케이슨식 안벽 응답 특성을 분석하기 위하여 N치, 케이슨 높이(H) 및 입력 지진파 조건을 변화시켜 수치해석을 수행하였다. 입력 지진동은 Gyeongju, Hachinohe, Ofunato, Noto, Landers, Fului, Artificial wave를 포함한 총 7종의 지진파를 사용하였으며, 각 지진파는 500년, 2400년, 4800년 재현주기 수준에 따라 입력가속도를 조정하여 적용하였다. 지반조건은 Table 1에 정리하였으며, Table 2는 배면 뒤채움 지반의 N치에 따른 액상화 파라미터를 나타내며, 이를 적용하여 N치 변화에 따른 케이슨식 안벽의 침하 및 수평변위 특성을 분석하였다(Yun et al., 2021).
Table 1.
Soil parameters on Incheon port report (Yun et al., 2024)
Table 2.
Liquefaction parameters of silty sand and Sedimentary deposit (Yun et al., 2024)
2.3 딥러닝 학습 데이터 구축
본 연구에서는 다양한 지진파 및 지반-구조물 조건에서의 케이슨식 안벽의 침하량 및 수평변위를 예측하기 위하여 딥러닝 학습 데이터베이스를 구축하였다(Table 3). 지반조건은 N치 10, 15, 20, 25에 해당하는 액상화 파라미터를 변수로 설정하였고, 케이슨 높이는 10m, 15m, 20m의 세 가지 조건으로 구분하였다.
Table 3.
Conditions for deep learning dataset construction
| N-Value | Caisson Height (m) | Earthquake Motions | Total Cases |
| N = 10, 15, 20 ,25 | H = 10, 15, 20 |
Gyeongju, Hachinohe, Ofunato, Noto, Landers, Fului, Artificial | 336 |
입력 지진동은 Gyeongju, Hachinohe, Ofunato, Noto, Landers, Fului, Artificial wave를 포함한 총 7종의 지진파를 사용하였으며, 각 지진파는 원본파형과 함께 500년, 2400년, 4800년 재현주기 수준인 0.15g, 0.23g, 0.30g로 각각 조정하여 적용하였다. 이때 지진파의 파형과 지속시간은 유지하면서, 원본파형의 최대가속도를 기준으로 재현주기별 입력가속도의 크기를 조정하였다. 각 조건 조합에 대하여 FLIP 기반 유효응력해석을 수행하였으며, 총 336개의 수치해석 데이터를 생성하였다. 해석 결과로부터 케이슨 상단의 침하량 및 수평변위 시간이력 데이터를 추출하여 딥러닝 학습 데이터로 활용하였다. 또한 본 연구에서는 학습에 사용되지 않은 Pohang 및 Kobe 지진파(Fig. 2)를 검증용 데이터로 활용하여 예측 성능을 평가하였다. 딥러닝 학습에는 N치 10, 15, 20, 25 조건에 대한 데이터를 사용하였으며, 예측 성능 평가에는 학습에 활용되지 않은 N치 5, 17, 30 조건에 대한 추가 수치해석 데이터를 적용하였다. 이 중 N17 조건은 학습 범위 내 조건에 해당하며, N5 및 N30 조건은 학습에 포함되지 않은 범위 외 조건으로 설정하였다. 이를 통해 다양한 지반조건 및 입력 지진동에 대한 딥러닝 모델의 예측 성능과 일반화 특성을 검토하고자 하였다.
3. 딥러닝 모델 및 학습 조건
3.1 딥러닝 모델
본 연구에서는 시계열 데이터를 기반으로 케이슨식 안벽의 응답을 예측하기 위하여 순환신경망(Recurrent Neural Network, RNN) 기반 딥러닝 모델을 적용하였다. Batch size는 딥러닝 모델의 학습 안정성 및 일반화 성능에 영향을 미치는 주요 학습 조건으로 알려져 있으며(Keskar et al., 2017; Smith et al., 2018), 선행연구에서는 케이슨식 안벽의 시간이력 응답 예측을 위한 다양한 딥러닝 알고리즘과 batch size 조건에 따른 성능을 비교하였다. 그 결과 본 연구에서 구축한 데이터셋의 범위에서는 GRU(Gated Recurrent Unit)와 LSTM(Long Short Term Memory)이 비교 대상 딥러닝 알고리즘보다 케이슨의 시간이력 응답을 안정적으로 재현하였으며, 전반적으로 높은 결정계수와 낮은 RMSE를 나타냈다(Yun et al., 2026a). 또한 다양한 batch size 조건을 비교한 결과 batch size 16과 32에서 반복학습에 따른 성능 편차가 상대적으로 작고 침하량 및 수평변위에 대한 예측 정확도가 안정적으로 유지되었다. 반면, 이보다 크거나 작은 batch size 조건에서는 학습 결과의 편차가 증가하거나 일부 조건의 예측 정확도가 저하되는 것으로 나타났다(Yun et al., 2026b). 따라서 선행연구에서는 GRU와 LSTM, batch size 16과 32의 조합을 케이슨식 안벽의 시간이력 응답 예측에 적합한 학습 조건으로 선정하였다. 본 연구에서는 해당 결과를 바탕으로 선정된 모델과 학습 조건을 적용하여, 학습에 사용되지 않은 실제 지진파에 대한 예측 성능과 일반화 가능성을 검토하였다.
3.2 학습 조건 설정
본 연구에서는 수치해석을 통해 생성된 시계열 데이터를 활용하여 딥러닝 모델을 학습하였다. 입력 변수는 시간이력 가속도와 지반조건(N), 구조조건(케이슨 높이)으로 구성하였으며, 출력 변수는 케이슨 천단부에서의 침하량 및 수평변위 시간이력으로 설정하였다. 충분한 학습 데이터를 확보하는 동시에 학습에 사용되지 않은 데이터에 대한 모델의 일반화 성능을 평가하기 위해 전체 데이터셋을 학습 데이터 70%와 검증 데이터 30%로 분할하였으며, 모델 간 성능을 동일한 기준에서 비교할 수 있도록 모든 실험에 동일한 데이터 분할 조건을 적용하였다.
학습 조건은 선행연구에서 비교적 안정적인 예측 성능을 나타낸 batch size 16 및 32 조건을 적용하였다(Yun et al., 2026b). 모든 학습은 동일한 학습률 및 optimizer 조건에서 수행하였으며, 최대 epoch는 1000으로 설정하였다. 또한 과적합을 방지하기 위하여 Early Stopping 기법을 적용하였으며, 검증 손실이 일정 횟수 이상 개선되지 않을 경우 학습이 종료되도록 설정하였다.
딥러닝 모델은 초기 가중치 및 학습 과정의 특성에 따라 동일한 조건에서도 서로 다른 결과가 나타날 수 있으므로, 각 조건에 대하여 총 30회의 반복 학습을 수행하였다. 모델 성능 평가는 수치해석 결과와 예측 결과를 비교하여 RMSE(Root Mean Square Error) 및 결정계수(R2)를 산정하는 방식으로 수행하였으며, 반복 학습 결과를 기반으로 예측 성능 및 학습 안정성을 평가하였다.
4. 분석결과
Fig. 3 ~ 6은 학습에 사용되지 않은 Kobe 및 Pohang 지진파에 대한 딥러닝 예측 성능을 나타낸 것이다. 각 모델에 대해 수행한 30회 반복학습 결과 중 RMSE와 결정계수(R2)를 종합적으로 고려하여 가장 우수한 예측 성능을 나타낸 결과를 제시하였다. 예측 성능은 침하량(Settlement) 및 수평변위(Horizontal displacement)에 대한 RMSE와 결정계수(R2)를 기준으로 비교하였다.
Kobe 지진파의 경우 대부분의 조건에서 결정계수(R2)가 0.95 이상으로 나타났으며, 침하량 및 수평변위 모두에서 비교적 안정적인 예측 성능을 보였다. 또한, 학습에 사용되지 않은 N5, N17, N30 조건에서도 유사한 수준의 성능을 유지하였으며, GRU와 LSTM 간의 성능차이도 크게 나타나지 않았다. Pohang 지진파의 경우 일부 조건, 특히 N5 조건의 침하량 예측에서 결정계수가 감소하였으나, 전반적으로 비교적 높은 예측 성능을 나타냈다. 이러한 결과는 학습에 사용되지 않은 지반조건과 입력 지진동에 대해서도 딥러닝 모델이 일정 수준의 예측 성능을 확보할 수 있음을 보여준다.
Fig. 7과 8은 각 조건에서 수행한 30회 반복학습의 RMSE와 결정계수(R2)를 나타낸다. Kobe 지진파는 대부분의 조건에서 낮은 RMSE와 높은 결정계수가 비교적 일관되게 나타났다. 반면, Pohang 지진파는 일부 반복학습에서 높은 예측 성능을 보였으나, 전체 반복학습의 평균 결정계수는 Kobe 지진파보다 낮고 결과의 분산이 상대적으로 크게 나타났다. 일부 조건에서는 RMSE도 증가하여 입력 지진파의 특성에 따라 모델의 평균 예측 성능과 학습 안정성 차이가 발생하는 것으로 확인되었다.
따라서 30회 반복학습 중 최적의 결과만으로 모델의 전반적인 예측 성능을 평가하기에는 한계가 있다. 모델의 성능을 객관적으로 평가하기 위해서는 최적의 예측 결과뿐만 아니라 반복학습에서 얻어진 평균 성능과 결과의 분산을 함께 검토할 필요가 있다. 이를 통해 모델의 예측 정확도와 학습 과정에 따른 안정성을 종합적으로 평가할 수 있다.
5. 결 론
본 연구에서는 액상화 지반에서의 케이슨식 안벽 거동을 예측하기 위하여 FLIP 기반 유효응력해석을 수행하였으며, 다양한 지진파 및 지반·구조 조건에 대한 수치해석 데이터를 구축하였다. 또한 구축된 시간이력 데이터를 활용하여 GRU 및 LSTM 기반 딥러닝 모델의 예측 성능과 학습 안정성을 평가하였다.
(1) 학습에 사용되지 않은 Kobe 및 Pohang 지진파를 적용하여 GRU, LSTM 기반 딥러닝 모델의 예측 성능을 검증한 결과, 두 모델 모두 침하량 및 수평변위 예측에서 전반적으로 높은 결정계수(R2)를 나타내었다. 또한 학습에 포함되지 않은 N5 및 N30 조건에서도 일정 수준 이상의 예측 성능을 유지하였다.
(2) 30회 반복학습 결과, 검증 지진파에 따라 평균 예측 성능에 차이가 나타났다. Kobe 지진파는 비교적 높은 결정계수와 낮은 평균 RMSE를 유지한 반면, Pohang 지진파는 평균 결정계수가 낮고 조건별 성능차이가 상대적으로 크게 나타났다. 그러나 일부 반복학습에서는 우수한 예측 성능도 확인되어, 단일 결과뿐만 아니라 반복학습의 평균 성능을 함께 평가할 필요가 있는 것으로 판단된다.
(3) 모델별 비교 결과, GRU 모델은 LSTM 모델보다 30회 반복학습에서 전반적으로 높은 평균 결정계수와 낮은 평균 RMSE를 나타내어 예측 성능이 우수한 것으로 판단된다. LSTM 모델도 일부 조건에서는 높은 예측 성능을 보였으나, 조건에 따른 성능차이가 상대적으로 크게 나타났다. 따라서 본 연구의 학습 및 검증 조건에서는 GRU 모델이 보다 안정적이고 일관된 예측 성능을 나타낸 것으로 판단된다.
본 연구 결과를 통해 딥러닝 기반 기법의 액상화 지반 케이슨식 안벽 응답 예측에 대한 적용 가능성을 확인하였으며, 향후에는 실제 계측자료 및 다양한 입력 지진파 데이터를 반영한 추가적인 검토가 필요할 것으로 판단된다.
