얕은 기반암 지반에서 특히 제한된 자료가 모델링 노력을 제약할 수 있으므로, 부지 증폭(site amplification)의 정확한 예측은 지진 위험도 평가에서 매우 중요하다. 전통적인 회귀 기반 모델은 지진 지반응답에 내재된 복잡한 비선형 상호작용을 제대로 포착하지 못하는 경우가 많다. 본 연구는 머신 러닝(ML) 기법을 활용하여 신뢰할 수 있는 예측을 제공하는 프록시(proxy) 기반 선형 및 비선형 부지 증폭 모델을 개발하는 것을 목표로 한다. 훈련에는 일련의 1차원 부지 반응 해석 결과(출력)가 사용되었다. 무작위 포레스트(random forest, RF), 극단 경사 부스팅(extreme gradient boosting, XGB), 심층 신경망(deep neural network, DNN) 등 세 가지 ML 알고리즘을 사용하였다. 모델은 부지 증폭을 예측하기 위해 네 가지 부지 프록시와 두 가지 운동(motion) 프록시를 포함하였으며, 성능은 기존의 회귀 기반 모델 및 전단파 속도 전 구간 프로파일과 입력 운동 스펙트럼을 사용하는 엄밀한 ML 모델과 비교하여 평가하였다. 동일한 프록시를 사용했을 때는 회귀 기반 모델과 ML 기반 모델 사이의 차이가 두드러지지 않았다. 그러나 ML 모델을 선형 및 비선형 성분 모두에 대해 부지 프록시와 운동 프록시와 동시에 훈련했을 때, 예측 성능이 유의하게 향상되었다. 이는 부지-프록시 의존 선형 성분과 운동-프록시 조건 비선형 성분이라는 전통적인 이중 트랙(two-track) 접근이 비효율적임을 보여준다. 가장 정확한 예측을 위해 부지 프록시와 운동 프록시를 짝지어 사용하는 방식을 권장한다. 세 가지 ML 방법 중 RF 알고리즘이 가장 약한 성능을 보였다. XGB와 DNN 알고리즘의 예측 정확도는 RF 알고리즘보다 우수하였다. 선형 및 비선형 성분을 각각 예측하는 데 있어 XGB와 DNN은 서로를 상회하는 결과를 보였다. 제안된 ML 모델은 선형 성분에서 결정계수(coefficient of determination, R 2 )가 최대 0.97까지 도달했으며, 평균제곱근오차(root mean square error, RMSE)는 0.04까지 낮게 나타났다. 비선형 성분에서는 R 2 가 최대 0.92까지, RMSE는 0.06까지 낮게 나타나, 기존의 회귀 기반 모델에 비해 유의미한 개선을 보였다. 엄밀한 ML 모델과 비교할 때, 프록시 기반 모델은 훨씬 적은 정보를 사용하면서도 합리적인 예측을 제공했으며, 이는 ML 알고리즘을 채택함으로써 적응성과 예측 능력이 향상된다는 점을 보여준다. 부지 유형에 부과된 제약, 즉 기반암 심도가 30 m 미만인 프로파일만 고려했기 때문에 프록시 기반 모델의 높은 성능이 도출되었을 가능성이 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.