우리는 2017년 대한민국 포항 지진 당시 사질분출(sand boils)이 관측된 6개 프로파일에서 액상화 잠재력을 평가하였다. 이 지진은 모멘트 규모(moment magnitude, M)가 5.5이었다. 두 지점은 진앙으로부터 2 km 이내에 위치한 반면, 세 번째 지점은 8 km 떨어져 있었다. 액상화의 발생을 예측하기 위해 단순화된 등가의 주기적 응력 기반 방법과 1차원(1D) 유효응력(effective stress, ES) 지반응답해석(ground response analysis, GRA)을 모두 사용하였다. M < 7.5 지진에 대해 단순화 방법을 적용할 때의 주요 불확실성은 규모-규모환산계수(magnitude scaling factor, MSF)를 결정하는 데 있다. 우리는 4개의 경험적 MSF 관계식을 시험하였다. 모든 MSF 식은 입력 운동의 최대지반가속도(peak ground acceleration, amax)가 0.15g보다 크고, 주기적 응력비(cyclic stress ratio, CSR)가 0.2보다 큰 프로파일에 대해서는 유사한 예측을 산출하였다. 그러나 amax < 0.15g이고 CSR < 0.2인 프로파일에서는 강도 의존적(intensity-dependent) MSF가 액상화 잠재력에 대한 가장 신뢰할 만한 예측을 제공한 반면, 나머지 세 식은 주기적 저항비를 과대평가하였다. ES GRA는 1D GRA 프로그램에 구현된 누적 응력 및 변형률 기반 간극수압 모델을 사용하여 수행하였다. 주기적 응력 기반 방법에 비해 ES GRA의 한 가지 핵심 장점은 경험적 MSF를 필요로 하지 않는다는 점이다. 응력 기반 모델은 변형률 기반 모델보다 더 높은 간극수압을 산정하였으며, 그 결과 6개 프로파일 중 5개에 대해 정확한 예측을 제공하였다. 변형률 기반 모델은 전단파 속도(shear wave velocity, VS) 프로파일에 매우 민감하여, amax < 0.15g 조건에서 간극수압을 과소평가하는 경향을 보였으며, 따라서 중간 강도의 운동에 대해 이 모델을 사용할 때는 주의가 필요함을 시사하였다. 변형률 기반 모델에 적용된 두 세트의 입력 매개변수 중, VS에 조건화된 세트는 간극수압 예측이 가장 낮았고 따라서 권장되지 않는다. • M 5.4 포항 지진 동안 사질분출이 발생한 6개 프로파일에서 액상화 잠재력을 평가하였다. • 단순화 방법과 유효응력(effective stress, ES) 지반응답해석(ground response analysis, GRA)을 모두 사용하였다. • 규모-규모환산계수(magnitude scaling factor, MSF)는 입력 운동의 PGA <0.15g 및 CSR <0.2를 갖는 지점에서 중요한 역할을 한다. • 강도 의존적 MSF가 가장 신뢰할 만한 예측을 제공한다. • ES GRA의 경우, 응력 기반 간극수압 모델이 액상화 잠재력에 대해 가장 유리한 예측을 산출한다.

지진에 의한 지하 기초 구조물의 내진설계에서 동적 토압의 증분(dynamic increment)은 주요 매개변수 중 하나이다. 강성 벽(rigid walls)을 대상으로 개발된 해석적 해와 경험적 방법 모두를 사용하여 지진 토압을 산정해 왔다. 그러나 이들 식은 구조물과 주변 토사 사이의 상대 강성을 나타내는 유연성 비(flexibility ratio, F)의 중요한 영향을 반영하지 못한다. 또한 대부분의 식은 기초의 종횡비(aspect ratio, L/H)도 고려하지 않는다. 암반(bedrock) 및 토양 프로파일(soil profiles)을 기반으로 지지되는 다양한 기초 구성(configuration)에 대해 동적 수치해석을 포괄적으로 수행하여 기초 벽에 작용하는 지진 압력의 누적(build-up)을 계산하였다. F와 L/H 모두 지진 토압에 대해 중요한 영향을 미친다는 점이 입증되었다. L/H 값이 큰 비교적 강성인 기초는 L/H 값이 낮은 유연한 구조에 비해 더 큰 지진 토압 증분에 노출된다. 회귀분석(regression analysis)을 통해 F와 L/H를 모두 고려하는 지진 토압 추정의 경험적 절차를 제안한다. 잔차 분석(residual analysis) 결과, 제안된 절차는 본 연구에서 고려한 모든 경우에 대해 신뢰할 수 있는 예측을 제공하며 어떠한 편향(bias)도 도입하지 않는 것으로 나타났다.