지진조기경보를 위한 머신러닝 기반 최대 지반 가속도 예측 = Machine Learning-Based Peak Ground Acceleration Prediction for Earthquake Early Warning|RISS 상세보기

다국어 초록 (Multilingual Abstract)

Earthquake Early Warning is a technology that provides information about earthquakes before strong ground motions, such as S-waves arrive, thereby reducing damage and securing response time. In particular, on-site earthquake early warning predicts ground motion at a specific location using earthquakes information recorded at a single station. Previous studies mainly used empirical equations based on quantitative parameters extracted from P-waves, such as displacement and period. However, recently, with the advancement of related technologies, studies based on various machine learning models have been actively conducted.
In this study, a model for predicting Peak Ground Acceleration （PGA） based on initial P-wave information is proposed for on-site earthquake early warning. Three-component acceleration records were extracted from the STEAD dataset, and time-domain and frequency-domain information from the 3-second window after P-wave arrival were used to construct the input data. A model based on a Transformer encoder was designed, and input data configurations were compared under the same data and training conditions. In addition, proposed model was compared with a CNN model used as the baseline model.
Model performance was evaluated using static and dynamic evaluation approaches. In the static evaluation, a fixed 3 second input window was used to assess prediction performance based on
evaluation metrics and accuracy for each PGA range. In the dynamic evaluation, the input length was increased at 0.1-second intervals to examine early-stage accuracy, prediction stabilization and early prediction performance. The results showed that the Transformer model using frequency-domain information achieved the best overall PGA prediction performance in both evaluations. These results indicate the applicability of frequency-domain information from initial P-wave signals to on-site earthquake early warning. In addition, this study provides a systematic evaluation framework by applying both static and dynamic evaluation methods.

번역하기

국문 초록 (Abstract)

본 연구는 온사이트 지진조기경보 환경에서 초기 P파의 정보만으로 PGA를 추정하는 것을 주요 목표로 설정하였다. 세부적인 흐름은 데이터 구성 및 설정, 머신러닝 모델 및 학습, 정적 평가 및 동적 평가, 분석 및 결론으로 구성된다.
먼저, 학습 및 결과 도출에 사용될 데이터를 선정하고 필터링 과정을 진행하였다. 데이터세트는 STEAD（STanford EArthquake Dataset; Mousavi 등, 2019）를 사용하였고, 온사이트 조건에 맞는 데이터를 구성하기 위해 특정 지역을 대상으로 규모 제한, 거리 제한, PGA 하한 설정, P파 도달 시점 기준 등의 필터링 조건을 적용하였다. 이후 최종 선정 데이터를 트랜스포머 모델의 입력 데이터로 활용하기 위한 전처리 과정을 수행하였다. 전처리 과정은 시간 영역과 주파수 영역 데이터에 대해 베이스라인 논문에서 진행한 방식을 동일하게 적용해 입력 데이터가 모델의 학습에 사용될 수 있는 형태로 변환하여 구성하였다.
다음으로, 메인 모델로 트랜스포머 모델을 설정하고 내부의 레이어 구성과 주요 파라미터를 설정하였다. 또한 PGA 예측을 위해 트랜스포머 모델을 통해 추출된 특징을 요약하는 과정을 출력 레이어인 SE-GAP （SEgment Global Average Pooling） 헤드로 진행할 수 있도록 구성하였다. 그리고 학습에 필요한 데이터 분할과 학습 시에 필요한 학습률, 배치 크기 등의 하이퍼 파라미터를 설정하여 학습 결과를 학습 및 손실 곡선 그래프를 통해 확인하였다.
이후 학습이 진행된 각 조건 별 모델에 대해 정적, 동적 평가를 진행하였다. 정적 평가는 고정된 3초 입력 데이터를 기반으로 손실 함수와 결정계수 등 평가 지표를 비교하고 실제 PGA와 예측된 값을 1:1 대응 그래프를 통해 비교하며 데이터의 분산 정도를 파악하였다. 마지막으로 PGA를 크기에 따라 4개의 그룹으로 나누어 그룹별 손실 함수를 계산하여 오차 경향을 분석하였다. 동적 평가는 입력 데이터가 0.1초 간격으로 누적되는 입력이라고 가정할 때, 1초와 2초 조기 시점에서의 입력에 대한 예측값을 통해 절대오차와 박스 플롯을 통한 조기 예측 시점의 성능을 비교하였다. 또한 0.1초 간격별 예측 PGA를 확인하여 실제 PGA의 20%에 해당하는 구간 내에 0.5초 이상 지속적으로 존재하는 경우를 예측 안정화에 성공한 것으로 정의하였다. 이를 토대로 예측 안정화에 성공한 데이터 수를 비교하고 그 데이터 중 PGA 도달 이전에 예측에 성공한 데이터의 수를 추가로 비교하여 조기 예측 성능 검증을 진행하였다.
이러한 과정을 통해 본 연구의 환경에서 트랜스포머 모델의 적합성 여부를 확인하고, 입력 데이터의 구성과 모델 구조에 따른 성능의 차이를 체계적으로 분석하였다. 추가적으로 정적 평가와 동적 평가를 적용하여 실제 조기경보 상황에서의 예측 가능성과 안정성을 함께 검토하여, 향후 딥러닝 기반 지진조기경보 연구의 평가에 대한 기초 자료이자 체계 확장에 기여할 수 있을 것으로 기대된다.

번역하기

본 연구는 온사이트 지진조기경보 환경에서 초기 P파의 정보만으로 PGA를 추정하는 것을 주요 목표로 설정하였다. 세부적인 흐름은 데이터 구성 및 설정, 머신러닝 모델 및 학습, 정적 평가 ...

목차 (Table of Contents)