구조공학 분야에서 내진 회복력을 강화하기 위한 리트로핏(보강) 전략의 최적화는 시급한 과제로 자리 잡고 있다. 기존 방법은 흔히 비선형 시간이력(NLTH) 해석의 시간 집약적 특성과 기계학습(ML) 기법의 투명성이 부족하다는 한계에 의해 제약을 받아 왔다. 본 연구는 내진 회복력을 향상시키기 위해 구조공학에서 리트로핏 전략을 최적화하는 혁신적인 프레임워크를 제시한다. 이 프레임워크는 지진 에너지를 소산하고 자기중심화(self-centering) 메커니즘을 통합할 수 있는 것으로 알려진 eXtreme Gradient Boosting(XGBoost)과 Spring-Rotational Friction Damper(SRFD) 리트로핏 시스템을 통합한다. 제안된 접근은 기계학습 과정에서의 투명성을 향상시키고 설계 최적화의 절차를 간소화한다. 또한 SHapley Additive exPlanations(SHAP) 및 Local Interpretable Model-agnostic Explanations(LIME)과 같은 eXplainable Artificial Intelligence(XAI) 방법을 사용하여 모델 예측에 대한 통찰을 제공하고, 의사결정 과정의 명확성을 보장한다. 프레임워크는 데이터 기반 최적화를 활용하여 특정 지진 위험도에 맞게 설계 변수를 조정함으로써 내진 회복력을 강화한다. 정확도는 포괄적인 분석을 통해 검증되었으며, 잔차 오차가 낮고 유리한 학습 곡선을 보였으며 평균제곱오차(mean squared error, MSE)가 0.00142로 나타났다. 본 연구는 2D 및 3D 사례 연구 구조를 사용하여 프레임워크를 평가하고, 최대 변위, 잔류 층간 변위, 최대 층간 변위(maximum inter-story drift, MIDR), 에너지 소산과 같은 지표를 비교하였다. 내진 성능 평가는 eXplainable Machine Learning(XML) 프레임워크를 통해 추정된 최적 리트로핏 시스템 매개변수를 결정하기 위한 설계 절차의 효과를 확인하였다. 이는 내진 평가 방법론에서의 중요한 진전을 의미하며, 공학자들이 건축물 안전에 대해 정보에 기반한 결정을 내릴 수 있도록 하고 지진공학에서 ML 기반 접근의 도입을 촉진한다. • 내진 회복력을 향상시키기 위해 XGBoost와 SRFD 리트로핏 시스템을 통합한 새로운 프레임워크를 제안한다. • SHAP 및 LIME과 같은 XAI 기법을 통해 접근의 투명성을 향상시킨다. • 프레임워크의 정확도를 검증하여 리트로핏 및 내진 방법을 최적화하는 데 효과적임을 입증한다.