액상화에 의한 딥러닝 기반 케이슨식 안벽 피해 예측을 위한 학습 조건의 영향 분석

초록

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.

키워드