1. 서 론
건설 산업은 효율성 및 정확성을 극대화하기 위해 자동화 기술의 도입을 가속화하고 있다. 이러한 흐름 속에서 지반의 물리적 특성을 비파괴적으로 측정하는 표면파 탐사는 건설 산업에서 중요한 역할을 하고 있다. 특히 다중 채널 분석 표면파(MASW, Multi-channel Analysis of Surface Waves) 탐사는 표면파인 레일리파(Rayleigh, 1885)에서 파악한 전단파 속도(shear wave velocity)를 기반으로 지반의 강성도(stiffness)를 평가하는 데 매우 효과적인 방법으로, MASW 데이터 처리를 위한 연구가 지속적으로 이루어져왔다(e.g., Park et al., 1999; Foti et al., 2018).
MASW는 전통적으로 분산과정(dispersion method)과 역산과정(inversion method)의 복잡하고 시간이 많이 소요되는 데이터 처리 과정을 필요로 하지만, 최근 딥러닝 기술을 활용한 데이터 처리의 도입으로 이러한 한계가 극복되고 있다(e.g., Cho et al., 2024; Chamorro et al., 2024; Poormirzaee and Kabgani, 2022). 이를 통해 건설 현장에서 지반 조사 및 모니터링 작업이 보다 신속하고 정밀하게 이루어질 수 있으며, 전반적인 프로젝트 비용 절감과 일정 단축에도 기여할 수 있다.
본 논문에서는 딥러닝 기술을 활용한 자동화 데이터 처리 모델을 제시하고, 실제 현장에서의 실용가능성을 탐색하고자 한다.
2. 관련 연구 동향
기존 MASW 데이터 처리과정은 크게 분산 과정과 역산 과정 두가지로 이루어진다. 분산 과정은 표면파가 다양한 주파수에서 서로 다른 속도로 전파되는 현상을 분석하는 과정이다. 이 과정에서 수집된 신호는 주파수-위상 속도(frequency-phase velocity) 영역으로 변환되어 분산 이미지(dispersion image)를 생성한다. 분산 이미지는 다양한 주파수 성분에 대한 표면파의 속도를 나타내며, 분산 이미지에서 실험적 분산 곡선(experimental dispersion curve)을 추출하여 지반의 물리적 특성을 평가할 수 있다. 그러나 분산 이미지에는 종종 복잡한 신호나 불명확한 패턴이 포함되어 있어 잘못된 분산곡선을 도출하기 쉽다는 문제가 있다.
역산 과정은 앞서 도출한 실험적 분산 곡선에 가장 가까운 분산 곡선을 주는 1차원 전단파 속도 모델을 추정하는 과정이다. 그러기 위해 먼저 초기 속도 모델에 대해 1차원 수치 모델링을 수행하여 이론적 분산 곡선(theoretical dispersion curve)을 구한다. 이론적 분산 곡선을 실험적 분산 곡선과 비교 분석한 뒤, 이론적 분산 곡선이 일정 오차 범위 내에서 실험적 분산 곡선과 일치할 때까지 전단파 속도 모델을 업데이터 하는 과정을 반복(iteration)한다. 그러나 초기 속도 모델을 제대로 구성하지 않으면, 역산 결과에 부정적인 영향을 미칠 수 있고, 초기 모델의 두께가 너무 얕거나 깊으면 정확한 결과를 얻기 힘들다(Kim et al., 2019). 또한 분산곡선의 비고유적(non-unique)이고, 비선형적(non-linear)이며, 문제가 제대로 정의되지 않는(ill-posed) 특징으로 정확도 높은 전단파 속도를 얻기에 어려움이 있다(Cox and Teague, 2016).
이 문제를 해결하기 위해 다양한 딥러닝 모델이 제안되었다. 예를 들어, Cho et al.(2024)는 Convolutional Neural Network (CNN)으로 분산 이미지에서 전단파 속도를 추정하는 딥러닝 기반 알고리즘을 개발하였고, Chamorro et al.(2024)는 CNN 모델 중 하나인 ResNet-18으로 표면파 탐사 데이터로부터 분산 곡선을 예측하는 알고리즘을 제시하였다. Poormirzaee and Kabgani(2022)는 분산곡선에서 전단파 속도를 예측하기 위해 최적화 알고리즘인 Artificial Jellyfish Search(AJS)(Chou and Truong, 2021)기반의 역산 알고리즘을 제안했다. 하지만, 대부분의 연구는 분산과정이나 역산과정에 초점을 두고 있으며, MASW 데이터에서 직접적으로 전단파 속도를 예측하는 연구는 미흡한 실정이다.
3. 딥러닝기반 전단파속도 예측 모델
본 연구는 공간-시간적 데이터인 MASW와 MASW 데이터 형성에 중요한 영향을 미치는 전단파 속도 데이터를 활용하여 MASW 데이터에서 직접 전단파 속도를 예측하는 모델을 설계하고 그 개념을 증명하고자 한다. 예측을 위한 딥러닝 모델로는 시간 순서에 따른 데이터 처리를 위해 설계된 TemNetwork(TCN)(Bai et al., 2018)를 활용하였으며, 실제 전단파 속도와 TCN 모델의 예측 전단파 속도를 비교 ․ 분석하여 TCN 모델의 적용 가능성을 검증하였다.
3.1 TCN 모델의 원리 및 개념
본 논문에서는 시계열(time series) 특성을 지닌 MASW 데이터에서 전단파 속도를 예측하기 위해 시간 변화에 따른 패턴을 학습하는데 뛰어난 성능을 보이는 TCN 모델을 채택하여 전단파 속도 예측 모델로의 가능성을 평가하였다.
TCN 모델은 입력 시퀀스(input sequence)를 받아 각 시간에 대응하는 출력(output)을 예측한다. 이때, 인과적 합성곱(casual convolution)을 사용하여 를 예측할 때는 시점을 포함하여 이전에 관측된 입력(input)을 활용한다(Fig. 1). 이는 순차적 모델링(sequence modeling)을 가능하게 하며, 과거의 데이터가 현재의 데이터에 영향을 미치는 경우 특히 유용하게 활용할 수 있다. MASW 데이터는 시간에 따라 변화하며, 이러한 변화는 지반의 특성과 관련이 있기 때문에, TCN 모델은 MASW의 순차적 패턴을 학습하여 지반 특성을 예측하기에 적합한 모델이다. 또한 병렬 처리가 가능하여 학습 속도가 빠르고, 긴 시퀀스에서도 효과적으로 작동한다는 장점이 있다.
3.2 데이터 획득
MASW와 전단파 속도 데이터쌍은 Cox and Vantassel(2018)의 데이터를 활용했다. 데이터는 미세진동 배열 측정(MAM, Microtremor Array Measurements), MASW, P파 굴절 탐사(P-wave seismic refraction), 전단파 속도 데이터로 구성되며, 본 논문에서는 MASW와 전단파 속도 데이터를 사용했다.
수집한 MASW 데이터의 측정 방식은 다음과 같다. 7.3kg의 큰 망치(sledgehammer)를 타격하여 지진파를 생성하고, 표면에 위치한 24개의 수직 지오폰(geophone)에서 파의 입자 운동의 수직 성분을 기록한다. 이때 지오폰의 간격은 0.5~2m이며, 다수의 송신원이 지오폰으로부터 2~20m의 거리를 두고 배치된다.
전단파 속도는 기존 MASW 처리방법으로 추정되었다. 분산 과정은, 분산 계산의 경험적 불확실성을 고려하기 위해 frePanza, 1976)와 frequen두 가지 파장 변환 방법을 사용하여 실험적 분산 곡선이 도출되었다. 역산 과정은, 이론적 분산 곡선과 실험적 분산 곡선의 불일치를 최소화하기 위해 전역 탐색 알고리즘(global-search algorithm) (Wathelet et al., 2004)을 사용했으며, 역산과정에서 불확실성을 줄이기 위해 1,000개의 최적 전단파 속도 데이터가 제시되었다.
본 논문에서는 20개의 위치에 대한 실측 데이터 926개와 위치별 하나의 전단파 속도 데이터를 무작위로 선정하여 초기 데이터쌍을 구성하였다. 데이터의 학습에 필요한 충분한 데이터를 확보하기 위해 실측 데이터 926개를 뒤집기(flip)와 극성 반전(polarity reversal)을 통해 총 2,778개의 데이터로 증강시켰다.
3.3 모델의 성능 평가
모델의 성능 평가를 위해 데이터셋을 훈련 데이터(training data)와 테스트 데이터(testing data)로 분할하였다. 2,778개의 데이터셋 중 80%인 2,222개는 훈련 데이터로, 20%인 556개는 테스트 데이터로 사용되었다. 훈련 데이터 중 20%인 444개는 검증(validation)을 위해 할당되었다.
또한, TCN 모델의 성능을 평가하기 위해 정확도(accuracy)와 평균 제곱 오차(MSE, mean squared error) 지표를 사용하였다. 정확도는 모델이 예측한 전단파 속도가 실제 값과 얼마나 일치하는지를 나타내는 지표로서, 높은 정확도는 모델이 데이터를 잘 학습했음을 의미한다. 손실은 모델의 예측 값과 실제 값 간의 차이를 나타내며, MSE를 통해 정량적으로 평가된다. 낮은 손실 값은 모델의 예측이 실제 값에 근접함을 의미한다.
MSE는 다음과 같이 정의된다:
여기서 는 실제값, 는 예측값, 은 샘플 수를 의미한다.
4. 결 과
TCN 모델의 학습 과정에서의 정확도 및 손실 변화를 시각화하였다(Fig. 2). 정확도는 초기 에포크에서 급격히 상승한 후, 훈련과 검증 데이터 모두에서 80~95%의 정확도를 유지하였고, 손실은 초기 에포크에서 급격히 감소한 후, 에포크가 진행됨에 따라 훈련과 검증 데이터 모두에서 안정화되었다.
에포크별 모델의 성능을 나타낸 Table 1에서도 볼 수 있듯이, 각 데이터셋의 정확도가 90%에 가깝게 나타나는 것으로 보아 TCN 모델이 전반적으로 우수한 성능을 가진다는 것을 알 수 있다. 손실 값은 전단파 속도 값이 100~3,000m/s 정도로 크기 때문에 초기에는 상대적으로 크게 나타나지만, 학습이 진행됨에 따라 점차 감소하는 것을 확인할 수 있다. 이는 모델이 점차적으로 데이터의 패턴을 학습하고 예측 성능을 개선하고 있다는 것을 의미한다.
Table 1.
Performance evaluation with training and validation datasets
전단파 속도 예측의 정확도를 평가하기 위해 실제 전단파 속도와 TCN 모델을 통해 예측된 전단파 속도를 비교하였다(Fig. 3). 주황색 선은 실제 전단파 속도(True)를 나타내고, 파란색 선은 TCN 모델의 예측 전단파 속도(Predicted)를 나타낸다. 깊이에 따른 전단파 속도의 변화를 비교한 결과, 예측된 값과 실제 값이 전반적으로 잘 일치하는 것을 확인할 수 있다. 이는 TCN의 인과적 합성곱 특성이 시간적 정보를 고려하여 데이터를 예측하는데 효과적이었음을 의미하며, 결과적으로 전단파 속도 예측에 유리하게 작용했다. 따라서, 본 논문의 결과는 전단파 속도 예측 모델의 실제 현장에서의 실용가능성을 보여준다.
하지만 Fig. 4와 같이 깊이 100m 이상에서 예측 값이 실제 값보다 과도하게 높거나 낮게 예측되기도 하였는데, 이러한 오차는 다음과 같은 이유로 발생할 수 있다. 1) 실측 데이터의 다양한 잡음이 학습 과정에서 오차를 유발할 수 있다. 2) 위치별로 1,000개의 최적 전단파 속도 중 무작위로 하나를 선택하여 사용하였기 때문에 선택된 전단파 속도가 실제 지반에서 관측되는 값이 아닐 수 있다. 3) TCN 모델이 시간 순서에 따른 데이터를 처리하는 데 강점을 지니고 있지만, 특정 지반 조건이나 복잡한 지질 구조를 완전히 반영하지 못할 수 있다.
이러한 오차는 1) 데이터 전처리 단계에서 잡음을 제거하거나 감소시키는 기법을 개발하고, 2) 추가 지반 조사를 통해 전단파 속도의 정확도를 높이며, 3) TCN 모델의 단점을 보완할 딥러닝 모델을 추가로 결합한다면 줄일 수 있을 것이라 판단된다.
5. 결 론
본 논문에서는 TCN 모델을 활용하여 MASW 데이터로 전단파 속도를 예측하는 모델을 제안하고 평가하였다. TCN 모델로 예측한 전단파 속도와 실제 전단파 속도의 정확도와 손실을 평가함으로써 TCN 모델의 전단파 속도 예측 성능을 확인하였으며, 정확도가 떨어지는 경우도 일부 관찰되었지만, 전반적으로 TCN 모델이 전단파 속도를 예측하는데 유효함을 입증하였다. 이는 잠재적으로 TCN 모델이 대규모 MASW 데이터의 신속하고 정확한 분석이 가능함을 의미한다.
최근 딥러닝 기술을 활용한 자동화 데이터 처리 연구가 건설 분야에서 활발히 이루어지고 있으며, 이는 건설 산업의 효율성과 정확성을 향상시킨다. 향후 연구에서는 제안한 모델의 고도화와 추가 지반 조사를 통한 정확도 높은 전단파 속도 데이터 확보를 통해 모델의 범용성과 신뢰성을 강화할 수 있을 것이며, 이를 통해 건설 분야의 지반 조사 및 모니터링 작업이 신속하고 정밀하게 이루어질 것으로 기대된다.
