1. 서 론

국내에서는 2016년 경주 지진{리히터 규모(M_L) 5.8}, 2017년 포항 지 진(M_L5.4), 그리고 2024년 부안 지진(M_L4.8)과 같은 중규모 지진의 발생 이 증가하는 추세다. 국내의 지진 발생 환경 변화에 따라 지진에 대한 구조물 의 지진 안전성 확보 요구가 증대되고 있으며, 특히 주요 시설에 대한 안전성 확보가 중요 과제로 대두되고 있다.

실질적인 지진 안전성 확보를 위해서는 부지 특성이 반영된 부지 고유 응 답 스펙트럼이 요구된다. 부지 고유 응답 스펙트럼은 대상 부지 지반의 고유 한 물성이 반영된 응답 스펙트럼으로, 지진 발생 시 해당 부지에서 나타날 수 있는 지진동의 크기 및 주파수 특성을 산정하여 구조물에 예상되는 하중을 평가하는 기준이 된다. 진원에서 발생한 탄성파가 지층으로 전파될 때, 각 지 층의 서로 다른 물성에 의한 임피던스 차이로 반사, 굴절 및 산란 등이 발생한 다. 따라서 지진파는 각 지층을 통과할 때마다 감폭 또는 증폭되며, 이로 인해 임피던스{지반의 밀도(ρ)와 전단파속도(V_S)의 곱} 차이를 일으키는 지반 의 물성(ρ, V_S)은 지표면에서의 지진동 특성을 결정짓는 주요 변수이다. V_S 를 지반의 깊이에 따라 표현한 V_S 주상도는 공간적으로 큰 변동성이 나타난 다. 즉, 같은 부지에서도 평가하는 지점에 따라 상당한 차이를 보이며, 이러 한 특징은 지표면 지진동 예측에 불확실성을 야기한다. 따라서 V_S 주상도의 변동성을 정량화한 부지 응답 해석이 필수적이다.

국내 내진설계 기준에서는 공학적 기반암(engineering bedrock)을V_S ≥ 760 m/s 인 지층으로 정의한다[1]. 그러나 주요 시설 건설을 위해 토층을 굴 착한 암반 부지(굴착 암반 부지, Fig. 1)에 대해서는 이보다 높은 V_S 를 고려 할 필요가 있다. 예를 들어, 국외의 연구 결과는 부지 증폭 계수 산정 시, 공학 적 기반암이 아닌 지진학적 암반(seismological rock,V_S ≥ 3,000 m/s) 깊 이를 고려할 것을 권장한다[2-4]. 이는 진원으로부터의 파동이 부지 증폭 없 이 도달하는 유일한 층이 지진학적 암반이기 때문이다[3]. 따라서 기존보다 정확한 부지 고유 응답 스펙트럼을 평가하기 위해서는 지진학적 암반을 고려 한 심부 V_S 주상도(최종 평가 깊이 ≥ 100 m) 확보가 요구된다. 하지만 국 내의 굴착 암반 부지에서 다량의 심부 V_S 주상도를 평가하는 것은 비경제적 이고, 100 m 이상 깊이에서의 V_S를 예측할 수 있는 모델 또한 부재하다. 따 라서 기존에 평가된 천부 V_S 주상도(최종 평가 깊이 = 50 – 100 m)를 바탕 으로 심부 V_S를 예측할 수 있는 모델의 개발이 필요하다.

V_S 주상도 추정과 관련하여 회귀분석 기법을 활용한 연구는 국내 및 국 외에서 활발히 진행되고 있다. Sun et al.[5]은 국내 부지에서 수집한 V_S 주 상도의 평균을 기반으로 형상 곡선을 유도하여 얕은 깊이부터 30 m까지 V_S 주상도를 외삽하는 방법을 제안하였다. Shi and Asimaki[6]는 미국 캘리포 니아 지역의 퇴적 분지에 대해 깊이 30 m까지의 평균 V_S (V_S30)를 단일 입 력변수로 취하여 V_S 주상도를 예측하는 수학적 모델을 제안했다. Passeri et al.[7]은 이탈리아 부지에서 공간적 변동성을 고려한 V_S 예측 모델을 개발 하였다. 이러한 모델은 다수의 V_S 주상도를 평가하기 위하여 소요되는 비용 및 시간에 대한 보완책으로 평가받고 있다.

본 연구에서는 Shi and Asimaki[6]의 방법을 참고하여 국내 굴착 암반 부지의 심부 V_S 예측을 위한 회귀분석 모델을 제안한다. 굴착 암반 부지에서 기존에 평가되었던 179개의 천부 V_S 주상도를 수집하였으며, 현장 실험을 통하여 64개의 심부 V_S 주상도를 추가 획득하였다. 굴착 암반 부지에서 수 집한 V_S 주상도의 특징을 고려해 50 m까지의 평균 V_S (V_S50)을 산정하여 깊이 50 m 하부의 V_S 를 예측할 수 있는 수학식을 작성하였다. V_S50 값에 따 라 분류된 V_S 주상도의 평균을 계산하여 작성한 수학식에 적합시켜 모델변 수 값을 유도하였으며, 모델로 예측한 V_S 주상도를 실제 계측된 V_S 주상도 와 비교하였다. 또한 본 연구에서는 머신러닝 기법을 활용한 V_S 예측 모델도 제안한다. 머신러닝 기법은 특정한 수학식을 정의하지 않고도 입력변수와 출력변수 간의 비선형적 상관관계를 효과적으로 포착할 수 있다는 이점이 있 으며, 이를 활용한 V_S 주상도 예측 모델 연구도 꾸준히 진행되고 있다[8-10]. 모델을 구축하기 위해 심부 깊이까지 평가된 64개의 V_S 주상도를 활용하였 으며, 수목 기반 알고리즘 및 완전 연결 계층의 구조를 갖는 기법을 채택하였 다. 개발된 머신러닝 모델은 깊이 50 m까지의 V_S 주상도를 입력값으로 받 아 1 m 간격으로 깊이 300 m까지의 V_S를 출력한다.

2. 자료 수집

기존에 굴착 암반 부지에서 평가된 179개의 V_S 주상도를 수집하였다. 해 당 V_S 주상도는 공내 수평 탄성파 탐사(cross-hole test) 및 공내 하향 탄성 파 탐사(down-hole test)로 평가되었다. Fig. 2는 수집한 V_S 주상도의 V_S30 및 최종 평가 깊이에 대한 히스토그램을 보여준다(보안상 위치 정보는 공개할 수 없다). V_S30은 대부분 800 m/s에서 2,000 m/s 사이에 있으며 (Fig. 2(a)), 이는 해당 부지가 보통암(760 m/s ≤ V_S30 ≤ 1,500 m/s) 혹은 경암(V_S30 ≥ 1,500 m/s) 지반임을 시사한다. 수집한 V_S 주상도 중 최종 평 가 깊이가 100 m를 넘는 경우는 10개로 드물며(Fig. 2(b)), 이는 1절에 설명 된 기존 부지 응답 해석의 기조에 의한 것으로 판단된다.

기존의 최종 탐사 깊이보다 더 깊은 깊이의 V_S 주상도를 획득하기 위하 여 다중채널 표면파 탐사(Multichannel Analysis of Surface Wave, MASW)와 상시미동 배열 탐사(Microtremor Array Measurement, MAM)를 각각 수행하였다. MASW와 MAM은 각각 고주파수 영역 및 저 주파수 영역의 분산곡선 획득에 적합하다. 두 탐사로 획득한 분산곡선을 취 합하여 하나의 분산곡선을 형성한 후, 역산을 통해 64개의 심부 V_S 주상도 를 평가하였다. Fig. 3은 표면파 탐사로 평가한 V_S 주상도의 V_S30 및 최종 평가 깊이를 보여준다. 대다수의 V_S30은 700 m/s에서 1,600 m/s 범위에 있 으며(Fig. 3(a)), 최종 평가 깊이의 최솟값과 최댓값은 각각 105 m와 330 m 이다(Fig. 3(b)).

분산곡선을 통해 V_S 주상도를 평가할 때, 각 층의 두께는 층 비율 (layering ratio)과 최소 해상 파장으로 결정한다[11]. 따라서 표면파 탐사로 평가한 V_S 주상도는 시추공 탐사로 평가한 V_S 주상도(1 m마다 V_S 평가 가 능)보다 큰 층 두께 간격을 가지며, 이로 인해 두 V_S 주상도 세트의 V_S30 구간 에 약간의 차이가 발생했을 가능성이 있다. 그러나, Fig. 4는 시추공 탐사로 평가한 기존 V_S 주상도의 평균(V S E x i s t i n g ( m e a n ))과 표면파 탐사로 추가 평가 한 V_S 주상도의 평균(V S N e w ( m e a n ))이 심도 17 m 이후로 유사한 것을 보여준 다. 따라서 두 V_S 주상도 세트는 병합되어 예측 모델 개발 데이터로 사용되 었다. 예측 모델 개발에 사용된 총 V_S 주상도의 개수는 243개이다.

3. 회귀분석 기반의 예측 모델 개발

3.1 개발 방법

Vrettos[12]는 지반의 깊이에 따라 변화하는 V_S 의 식을 아래와 같이 제 안하였다.

여기서, z는 깊이(m)를 나타내는 변수이고, V_S0은 지표면(z = 0)에서의 V_S (m/s)를 의미하며, k 와 n은 각각 V_S 주상도의 기울기와 곡률 계수이다. k는 지표면 근처의 V_S 변화율을, n은 심부 깊이의 V_S 변화율을 결정한다. 식 (1) 은 깊이가 깊어질수록 V_S가 지속적으로 증가하는 것을 가정한다.

Shi and Asimaki[6]는 미국 캘리포니아 지역의 퇴적 분지에 대한 V_S 주 상도 예측을 위해 식 (1)을 아래와 같이 수정하였다.

여기서, V_S0은 지표면에서 깊이 2.5 m까지의 평균 V_S 를 의미하며, 이는 수 집한 V_S 주상도 데이터의 평가 방법(시추공 탐사와 표면파 탐사)에 따른 지 표 부근에서의 V_S 차이를 보정하기 위해 깊이 2.5 m까지의 V_S 를 상수로 가 정한 것이다. Shi and Asimaki[6]는 수집한 V_S 주상도를 V_S30 기준으로 분류하고 평균 V_S 주상도를 산출한 후, 식 (2)의 형태에 적합시켜 모델변수 V_S30 , k, n을 도출하였다. 이 모델 변수들은 V_S30과 상관관계 분석을 통해 V_S30의 함수식으로 표현되어 식 (2)가 하나의 독립변수(V_S30 )로 V_S 주상 도를 예측하도록 작성하였다.

본 연구는 Shi and Asimaki[6]에서 고려된 기법에 따라 수집한 V_S 주상 도를 V_S50 값을 기준으로 분류하고 평균 V_S 주상도를 산출하여 깊이 50 m 하부의 V_S 주상도 예측을 위한 회귀분석 모델을 개발하였다. 식 (2)를 본 연 구에 적합하도록 수정한 식은 다음과 같다.

여기서, V S 50 * 은 깊이 50 m에서의V_S 를 의미한다. 즉, 본 연구에서 개발한 회귀분석 모델은 깊이 50 m까지의 V_S 주상도의 정보를 활용하여 깊이 50 m 하부의 심부 V_S 주상도를 예측한다.

수집한 V_S 주상도를 6개의 V_S50 그룹으로 분류하였다. 통계적으로 편향 되지 않는 평균 V_S 주상도의 추정을 위하여 각 V_S50 그룹은 20개 이상의 V_S 주상도를 포함하며, 인접한 그룹 간에 중복으로 포함된 V_S 주상도는 없다. V_S 가 로그 정규 분포를 따른다고 가정하여 깊이에 따른 V_S 의 평균 (A V G V S)을 다음과 같이 계산하였다[13].

여기서, μ_ln (V_S)와 σ_ln (V_S)은 ln(V_S )의 표본 평균과 표본 표준편차다. 계산된 평균 V_S 주상도는 모델변수 유도를 위하여 식 (3)에 적합(curve fitting) 되 었다. Fig. 5는 6개의 V_S50 그룹에 속한 개별 V_S 주상도(회색 실선)와 평균 V_S 주상도(파란색 실선), 식 (3)에 적합시킨V_S 주상도(붉은색 점선)를 보 여준다. 모든 그룹에서 평균 V_S 주상도는 전반적으로 깊이에 따라 증가하며, V_S50 값이 작은 그룹에서 V_S 변화율이 큰 경향을 보인다(Fig. 5(a)와 (b)). 식 (3)에 적합시킨 V_S 주상도를 깊이 300 m까지 나타냈으며, 모든 V_S50 그룹에서 깊이 300 m에서의 V_S 값이 3,000 m/s 이상으로 나타난다.

각 V_S50 그룹 내 평균 V_S 주상도를 식 (3)에 적합시켜 획득한 모델변수 V s 50 *, k, n를 각 평균 V_S 주상도의 V_S50 값과 상관관계 분석하여 Fig. 6에 도시하였다. 분석한 경향은 다음과 같다: 1. V_S50이 증가함에 따라 V s 50 * 이 증가한다. 이는 암반 부지의 평균 천부 강성이 클수록 50 m에서의 강성이 큰 것을 의미한다. 2. V_S50이 증가함에 따라 k와 n이 감소한다. 이는 암반 부지 의 천부 강성이 클수록 심부 깊이에서의 V_S 증가율이 작아진다는 것을 의미 한다. 3. 보편적으로 천부 강성과 관계없이 심부 깊이로 갈수록 V_S 가 특정 한 값에 점근함을 암시한다. 이를 기반으로 유도된 해석적 함수식은 다음과 같다.

여기서, a₁ = 118.02, a₂ = 1.74, a₃ = -44.13, b₁ = 1.92×10^-9, b₂ = -8.52×10^-6, b₃ = 9.48×10^-3, b₄ = -5.56, c₁ = 4.72×10^-10, c₂ = -2.13×10^-6, c₃ = 1.78×10^-3, c₄ = 3.39이다. Fig. 6에 제시된 각 모델변수의 결정계수 R² 은 모두 0.99로 우수한 적합성을 보인다.

3.2 모델 평가

회귀분석 모델의 평가를 위하여 세 곳의 지역(부지 a, b, c)에서 평가된 V_S 주상도를 검증 데이터로 사용하였다(보안상 위치 정보는 공개할 수 없 다). 선택된 검증 데이터는 모델 개발에 사용되지 않은 굴착 암반 부지에서 획득한 V_S 주상도의 평균이다. 부지 a, b, c의 V_S50을 산정한 후, 식 (5)를 통 해 계산한 모델변수( V s 50 *, k , n)를 식 (3)에 대입하여 예측 V_S 주상도 (V S p r e d i c t e d)를 획득하였으며, 각 부지의 V_S50 값과 함께 Fig. 7에 나타내 평 균 계측 V_S 주상도(V S m e a s u r e d ( m e a n ))와 비교하였다. 이때, 정량적인 비교를 위하여 예측 V_S 주상도는 평균 V_S 주상도의 층 두께를 따라 계단 형태의 주 상도로 표현하였다. 부지 a와 b(Fig. 7(a)와 (b))의 V_S50은 모델 개발에 사용 된 평균 V_S 주상도의 V_S50 범위{1,083 ≤ V_S50 (m/s) ≤ 2,257} 내에 있 으며, 부지 c의 V_S50은 모델 개발에 사용된 평균 V_S 주상도의 V_S50 범위를 벗어난다. 모델 개발에 사용된 V_S50 범위 내의 V_S50 값을 갖는 경우, 예측 V_S 주상도는 전반적으로 평균 V_S 주상도와 유사한 경향을 보인다(Fig. 7(a)와 (b)). 그러나, 모델 개발에 사용된 V_S50 범위를 벗어난 V_S50 값을 갖 는 경우, 예측 정확도가 저하된다(Fig. 7(c)).

모델의 성능을 정량적으로 평가하기 위해 Shi and Asimaki[6]가 제시 한 적합도 지표(goodness of fit, g o f V S)를 활용하여 그 값들을 Table 1에 나 열하였다. g o f V S 는 다음과 같이 계산된다.

분자에 곱해진 10은 모든 점수가 10에 가깝지 않도록 방지하며, 암반층 의 큰 V_S를 고려하여 적용한 값이다. 깊이 간격을 1 m로 하여 g o f V S 를 계산 한 후, 전체 깊이에 대해 평균화하였다. g o f V S 가 10이면 완벽한 적합성을 의 미하며, 0에 가까울수록 낮은 적합성을 의미한다. 부지 b에 대한 g o f V S 은 9 이상으로 계산되어, 회귀분석 모델이 우수한 예측 성능을 제공함을 나타낸 다. 반면, 부지 a와 c에서의 g o f V S 는 각각 8과 7.2로 계산되었는데, 이에는 다 른 이유가 기인한다.

Fig. 7(a)에서 관찰되는 바와 같이, 부지 a에서는 예측이 시작되는 시점 (깊이 50 m)에서 예측된 V_S (1,557 m/s)가 측정된 V_S (2,538 m/s)보다 현 저히 낮은 값을 가진다. 이는 깊이 50 m 직전에서 V_S 가 급격히 증가하는 층 이 존재하기 때문이며, Fig. 8과 같이 예측 V_S 주상도에서 깊이 50 m의 측 정 V_S 값(2,538 m/s)에 상응하는 깊이(135 m)까지 일정한 V_S 값으로 가정 하는 방법이 대안으로 제안된다. 이 방법으로 수정한 예측 V_S 주상도의 g o f V S 는 9.2로 계산되었다. 부지 c에서의 오차는 입력변수인 V_S50의 값이 커서 모델변수 V S 50 *, k, n의 계산값에 영향을 주었기 때문이다. 따라서, 본 연구에서 개발한 회귀분석 모델을 사용하여 심부 깊이의 V_S 예측을 시도할 경우, V_S50은 약 1,100 m/s에서 2,200 m/s 사이에 있어야 한다.

4. 머신러닝 기반의 예측 모델 개발

4.1 개발 방법

학습(Training) 데이터 세트로 깊이 300 m까지 평가된 64개의 심부V_S 주상도를 사용하였다. 학습 데이터 세트는 깊이 50 m를 기준으로 이전 깊이 의 V_S 주상도와 그 후 깊이의V_S 주상도로 분리되었으며, 각각 입력변수(깊 이와 V_S )와 목표값으로 활용되었다. 심부 깊이의 V_S 예측 모델 개발을 위하 여 세 종류의 머신러닝 알고리즘{랜덤 포레스트(Random Forest, RF), 그 라디언트 부스트(Gradient Boost, GB), 인공신경망(Artificial Neural Network, ANN)}을 선택하였고, Figs. 9-11은 이들의 모식도를 보여준다.

RF와 GB는 결정 수목에 기반한 알고리즘이다. 결정 수목은 세 가지 유 형의 노드(루트 노드, 내부 노드, 리프 노드)로 구성된다. 루트 노드는 트리 의 시작점으로, 입력변수를 기준으로 데이터를 최초로 분리한다. 이후, 내 부 노드에서 추가 조건에 따라 데이터를 더 세분화하고, 수목의 마지막에 위치한 리프 노드에 포함된 데이터로 예측값을 결정한다. 이러한 구조를 통해 결정 수목은 입력 공간을 여러 개의 영역으로 나누고, 각 노드에 해당 하는 값을 할당한다. 식 (7)는 트리 모델 T(x)를 설명한다.

여기서, x는 입력변수, J는 리프 노드 수, c_j는 리프 노드 R_j에 속하는 목표값 의 평균을 의미한다. I는 지표 함수로, x가 R_j에 속하면 1, 그렇지 않으면 0 의 값을 가진다. T(x)는 평균 제곱 오차(mean square error, MSE)값을 최 소로 갖는 R_j에서의 예측값을 출력한다.

RF는 다수의 결정 수목(T₁, T₂, ..., T_B)을 독립적으로 학습시키고, 각 수 목에서 반환하는 예측값(F₁, F₂, ..., F_B)의 평균을 최종 예측값(F(x))으로 출력한다(Fig. 9). 해당 알고리즘은 과적합을 방지하고 예측의 정확성을 높 이는 데 효과적이다.

여기서, B는 수목의 개수, T_b(x)는 각 수목의 예측값이다. 본 연구에서는 50 개의 수목을 고려하여 예측 모델을 개발하였다.

GB는 여러 개의 결정 수목(T₁, T₂ , ..., T_B)을 순차적으로 성장시키며, 각 수목은 이전 수목의 잔차(r_ib)를 보완하도록 구축된다(Fig. 10). 이러한 방식은 오차를 점진적으로 줄이는 데 이점을 갖는다. 이때, 첫 번째 수목(T₁) 을 성장시킬 잔차(r_i1)를 위한 F₀ (x)을 목표값의 평균으로 설정하였다. r_ib 의 계산식은 아래와 같다.

여기서, ( V S d e e p ) m e a , i와 F_{b- 1} (x_i)는 각각 측정된 i번째 목표값과 이전 수목 이 출력한 i번째 예측값을 의미한다. 결정 수목(T_b)은 x_i와 r_ib의 쌍, { x i , r i b } i = 1 64 를 사용하여 성장하며, 리프 노드 R_jb를 결정한다. 각 R_jb에서 예 측된 잔차의 평균값을 r_jb라고 할 때, r_jb를 생성하는 T_b(x)는 아래와 같이 설 명할 수 있다.

여기서, J_b는 T_b의 리프 노드 수를 의미한다. ν는 학습률에 관한 가중치이며, 0.1로 적용하였다[14]. RF와 같이 50개의 수목을 고려하였으며, 최종 예측 값(F_B (x))은 다음과 같이 계산된다.

ANN은 여러 개의 노드로 구성된 은닉층을 가지고 있으며, 각 노드는 입력 값과의 연산을 통해 예측값을 출력하는 구조이다(Fig. 11). 본 연구에는 완전 연결층을 사용한 두 개의 은닉층이 고려되었으며, 첫 번째와 두 번째 은닉층의 노드 개수는 각각 16개와 32개이다. 첫 번째 은닉층의 노드 값(h j ( 1 )) 및 두 번째 은닉층의 노드 값(h k ( 2 ))과 예측값(F(x))은 아래의 식과 같이 나타낼 수 있다.

여기서, x_i는 i번째 노드, w_ji는 입력층 i번째 노드와 첫 번째 은닉층의 j번째 노드 사이의 가중치, w_kj는 첫 번째 은닉층의 j번째 노드와 두 번째 은닉층의 k번째 노드 사이의 가중치, w_nk는 두 번째 은닉층의 k번째 노드와 출력층의 n번째 노드(즉 n=1) 사이의 가중치를 의미한다. b_j, b_k, b_n은 각각 첫 번째 은 닉층의 j번째 노드, 두 번째 은닉층의 k번째 노드, 출력층의 n번째 노드의 편 향값으로 모델의 적합성을 높이는 역할을 한다. 정류 선형 함수(Rectified Linear Unit, ReLU)를 사용한 활성화 함수(f)는 모델에 비선형성을 부여 하며, f의 출력값(h j ( 1 ) , h k ( 2 ))은 다음 층 노드의 입력값이 된다. 이때, ANN 으로 개발된 예측 모델은 데이터의 크기 및 범위에 영향을 받는 것이 확인되 어, 정규화 방식(mix-max scaling)을 통해 입력변수와 목표값을 0부터 1 사이에 분포하도록 변환하였다.

4.2 모델 평가

머신러닝 모델의 평가를 위하여 회귀분석 모델 평가에 사용한 부지 세 곳 의 V_S 주상도를 검증 데이터로 활용하였다. 머신러닝 모델은 데이터 학습 시 개별 V_S 주상도를 사용해 입력변수와 목표값을 1대 1로 대응시켰다. 따라 서, 검증 데이터로 부지별 평균 V_S 주상도가 아닌 23개의 개별 V_S 주상도를 활용하였다. 각 머신러닝 모델(RF, GB, ANN)은 23개의 예측 V_S 주상도 를 출력하며, 각 머신러닝에서 부지별로 출력한 V_S 주상도를 평균하여 최종 예측 V_S 주상도를 획득하였다. Fig. 12는 세 종류의 머신러닝 모델로 예측 한 평균 V_S 주상도를 평균 계측 V_S 주상도와 비교한 그림이다. V S m e a s u r e d ( m e a n )는 계측 V_S 주상도의 평균이며, V S R F ( m e a n ) , V S G B ( m e a n ) , V S A N N ( m e a n )은 각각 RF, GB, ANN 모델이 예측한 V_S 주상도의 평균을 의 미한다. 예측 V_S 주상도는 계측 V_S 주상도와 비교적 유사함을 확인할 수 있 다. Table 2에 예측 모델의 g o f V S 결과를 수록하였다. ANN으로 개발된 예 측 모델은 가장 높은 g o f V S 점수를 가지며, 부지 c의 V_S 주상도에 대한 예측 성능도 우수한 것으로 확인되었다.

5. 결 론

본 연구에서는 국내 굴착 암반 부지의 심부 V_S 주상도를 예측하기 위해 회귀분석 및 머신러닝 기반의 예측 모델을 개발하고, 그 성능을 검증하였다. 모델 개발에는 179개의 천부 V_S 주상도와 64개의 심부 V_S 주상도를 활용 하였으며, 검증에는 23개의 심부 V_S 주상도를 활용하였다. 회귀분석 모델 은 Shi and Asimaki[6]가 제안한 수학식을 본 연구 목표에 적합하도록 수 정하여 개발되었다. 이 모델은 V_S50 값을 기준으로 심부 V_S 의 추정치를 제 공한다. 검증을 통해 회귀분석 모델은 입력변수와 모델변수 간 단순한 상관 관계에 기반한 예측 기법임에도 불구하고 심부 V_S의V_S 변화 경향성을 잘 추정하는 것을 확인했다. 그러나 모델 개발에 사용되지 않은 V_S50 값에 대한 외삽은 불확실성이 있어 권장되지 않는다. 머신러닝 모델은 수목 기반 알고 리즘과 완전 연결 계층 구조를 활용하여 개발되었다. 깊이 50 m까지의 V_S 를 입력으로 하여 300 m까지의 V_S 를 1 m 간격으로 출력하도록 설계하였으 며, 완전 연결 계층 구조를 사용한 경우에 높은 정확성을 나타냈다. 본 연구는 회귀분석 모델과 머신러닝 모델을 통해 천부 V_S 로 심부 V_S 를 예측할 수 있 는 가능성을 제시하였다. 예측 모델들은 시추공 탐사가 어려운 굴착 암반 부 지의 심부 V_S 주상도 확보에 기여할 것으로 기대된다. 다만, 더욱 정교한 예 측을 위하여 향후 연구에서 굴착 암반 부지의 특성을 반영한 깊이에 따른 층 상 구조(지층 두께) 모델 개발이 필요할 것으로 사료된다.