Journal Search Engine

to

Search Advanced Search Adode Reader(link)
Download PDF Export Citation Korean Bibliography
ISSN : 1226-525X(Print)
ISSN : 2234-1099(Online)
Journal of the Earthquake Engineering Society of Korea Vol.30 No.3 pp.101-109
DOI : https://doi.org/10.5000/EESK.2026.30.3.101

Proposal of a Practical Multi-Class Deep SVDD-Based Methodology for Real-Time Defect Detection During Earthquakes

Lee Yeong In1), Kang Thomas H.-K.2)*
1)Ph.D. Student, Interdisciplinary Program in Artificial Intelligence, Seoul National University
2)Professor, Department of Architecture and Architectural Engineering and Interdisciplinary Program in Artificial Intelligence, Seoul National University
*Corresponding author: Kang, Thomas H.-K.
E-mail: tkang@snu.ac.kr
February 13, 2026 March 9, 2026 March 10, 2026

Abstract


Rapid, real-time detection of anomalies and locate structural defects during earthquakes is critical for ensuring safety and enabling timely decision-making. Although deep learning-based structural health monitoring (SHM) has shown considerable promise, conventional supervised models are often impractical because labeled damage data from real-world structures are extremely scarce. To address this challenge, this paper proposes a Multi-Class Deep Support Vector Data Description (SVDD) framework for structural defect detection. The proposed Multi-Class Deep SVDD approach learns the boundary of normal data using only normal seismic acceleration responses. When new data are recorded, the system infers both the occurrence and location of defects by evaluating whether the responses fall within or deviate from the learned normal boundary. The framework is validated using the Los Alamos National Laboratory 3-story bookshelf structure benchmark dataset. Experimental results show that the proposed model achieves a peak average accuracy of 87.12% in a 4-dimensional latent space, substantially outperforming traditional baseline methods, including Kernel Density Estimation (KDE), SVDD, and One-Class Deep SVDD. These findings indicate that the Multi-Class Deep SVDD framework provides a robust and objective metric for rapid post-earthquake safety assessment without requiring prior exposure to faulty datasets.


Multi-Class Deep SVDD , Structural health monitoring , Anomaly detection , Seismic response , Semi-supervised learning , Damage localization

지진 발생 시 실시간 결함 탐지를 위한 실용적인 다중 클래스 Deep SVDD 기반 방법론 제안

이영인1), 강현구2)*
1)서울대학교 협동과정 인공지능전공 박사과정
2)서울대학교 건축학과 및 협동과정 인공지능전공 교수

초록

    1. 서 론

    지진과 같은 강력한 지반 운동은 건축 구조물에 심각한 내부 결함을 발생시키기 쉽다. 이러한 결함은 육안으로 즉각적인 확인이 어려운 경우가 많으며, 조기에 발견하지 못할 경우 대규모 붕괴 사고로 이어질 수 있어 공공의 안전을 위협한다. 특히 국내에서도 2016년 경주 및 2017년 포항 지진과 같이 중규모 지진이 실제로 발생한 이후, 지진 직후 도시·건물 단위의 손상 상황을 가능한 한 빠르게 파악해 초기 대응을 결정하려는 요구가 커졌다[1]. 그러나 대규모 지진 이후 수많은 건축물을 전문가가 순차적으로 현장 점검하는 방식은 시간과 인력에 큰 부담이 되며, 빠른 의사결정을 지원할 객관적 지표가 충분하지 않은 경우가 많다[2]. 더 나아가 여진 가능성이 존재하는 상황에서 대피를 하지 않아 발생할 수 있는 인명 피해와 정상 건물의 불필요한 대피로 인한 사회 경제적 손실 사이의 균형을 제한된 정보 하에서 신속히 판단해야 한다는 점에서 지진 직후 실시간 구조물 상태 진단의 가치가 더욱 커진다[3, 4].

    지진하중은 구조물의 반복적인 비선형 거동을 유발하며 균열 발생 및 진전, 부재 항복, 강성 저하, 접합부 및 경계조건 변화 등 복합적인 메커니즘을 통해 구조물의 동특성을 변화시킨다[2, 5]. 이러한 손상은 가시적인 표면 균열만으로 온전히 파악하기 어렵다. 가령 초기 균열로 인해 구조물 전체의 강성이 크게 감소하더라도, 이것이 실제 내력이나 내진 성능의 즉각적인 저하로 직결되지 않는 비선형적 특성을 보이기 때문이다[2]. 따라서 지진 직후에는 육안 점검의 한계를 극복하고, 센서로 계측된 구조 응답의 변화를 분석하여 결함 유무와 위치를 신속하고 객관적으로 판별할 수 있는 데이터 기반 진단 체계가 필수적이다[5].

    구조물 건전성 모니터링은 건물에 설치된 센서를 통해 실시간 구조 응답 데이터를 수집하여 건물 전체의 상태를 지속적으로 감시하는 포괄적인 해결책을 제공한다. 예를 들어 지진 직후에 가속도계로부터 얻은 응답을 활용해 층간변위각(IDR)과 같은 성능 관련 지표를 추정하거나, 진동 기반 손상 민감 특징을 계산하여 손상 가능성을 빠르게 평가할 수 있다[2, 5]. 물론 저비용 센서 기반 접근은 센서 간 동기화, 가속도 적분을 통한 변위 산정 시 필터링 및 드리프트 문제, 그리고 지진 시 비선형 거동으로 인해 손상 위치 특정의 국소화가 제한될 수 있다는 기술적 이슈도 함께 존재한다[2]. 그럼에도 센서, 연산 환경의 발전과 함께, 전통적 신호처리 중심 진동기반 손상탐지에서 딥러닝 기반 접근으로의 전환이 빠르게 진행되고 있으며, 특히 진동기반 손상탐지에서의 기계학습, 딥러닝 적용 연구 흐름이 이를 뒷받침한다[6, 7].

    최근 구조물 건전성 모니터링 분야에서는 가속도계 기반의 진동 응답 데이터를 활용하여 구조물의 상태를 진단하려는 연구가 활발히 진행되고 있으며, 특히 인공신경망이나 1차원 합성곱 신경망은 지진과 같은 강진동 하중 하에서 발생하는 복잡한 응답 특성을 자동 학습하여 손상 유무와 위치를 판별하는 데 뛰어난 성능을 입증해 왔다[7-9]. 그러나 이러한 선행 연구들의 대다수는 정상과 손상 상태의 데이터를 모두 학습에 활용하는 지도학습 체계를 따르고 있으나, 이는 실제 지진 상황에 적용하기에 명확한 한계가 존재한다.

    실제 운영 중인 구조물에서 지진 하중으로 유발된 비정상 상태 건물의 응답 데이터를 확보하는 것은 통계적으로 매우 희귀한 사례에 해당하며, 설령 존재하더라도 각기 다른 지진파의 특성과 손상 메커니즘을 모두 포괄하는 충분한 양의 라벨링된 데이터를 구축하기란 사실상 불가능에 가깝다[8, 10]. 반면, 대규모 지진이나 중소규모 지진 발생 시 구조물이 건전한 상태를 유지했던 정상 응답 데이터는 상대적으로 수집이 용이하며, 이를 통해 지진 시 구조물의 동적 거동에 대한 신뢰도 높은 기준점을 형성할 수 있다.

    여기서 중요한 점은 온도, 습도, 풍하중 및 상시 재하 하중과 같은 환경 및 운영 조건이 지진 시의 응답 데이터에도 비선형적인 왜곡을 발생시킨다는 사실이다. 구조물의 강성이나 감쇠 특성은 주변 온도나 기존 하중 상태에 따라 미세하게 변화하는데, 이러한 변화는 지진 응답의 주파수 대역이나 진폭을 미세하게 이동시킨다. 만약 모든 환경 조건을 반영하지 못한 한정된 손상 데이터만으로 학습된 지도학습 모델을 사용할 경우, 모델은 추운 겨울철 발생한 정상 지진 응답의 미세한 주파수 이동을 실제 손상으로 오인하는 오탐을 범할 가능성이 매우 높다[11-13].

    본 연구에서는 기존에 이상치 탐지에 주로 사용되던 준지도 학습 모델인 Deep SVDD[14]를 다중 클래스 체계로 확장한 ‘다중 클래스 Deep SVDD’를 제안하여 결함 데이터 수급의 문제를 해결하고, 이를 지진 발생 시 결함 탐지 및 위치 특정 기법에 적용한다. 기존에도 다중 클래스 Deep SVDD에 대한 개념은 제시된 적이 있지만, 제시된 다중 클래스 Deep SVDD가 대개 추론 과정에서 하나의 샘플만을 입력받아 여러 정상 클래스중 하나로 분류하거나 이상치 여부를 판별하는 데 집중하는 것과 달리, 본 연구의 모델은 각 클래스에 대한 입력들을 동시에 수용하여 각 클래스별 정상 및 비정상 여부를 병렬적으로 판별한다는 점에서 핵심적인 차별성을 갖는다[15]. 이러한 병렬적 추론 방식은 구조물의 각 층 상태를 독립적이면서도 유기적으로 모니터링할 수 있게 하여 층별 결함 탐지의 정밀도를 극대화한다.

    제안된 모델은 대상 구조물이 정상 상태일 때 기록된 지진 시 층별 가속도 응답을 활용하여 학습된다. 즉, 구조물이 손상되지 않은 상태에서 지진 하중을 받았을 때의 동적 거동 특성을 모델이 스스로 학습하여 각 층의 정상 범위를 정의하는 것이다. 이후 실제 지진이 발생했을 때, 모델은 해당 지진으로부터 생성된 실시간 가속도 응답 데이터를 분석한다. 이를 통해 현재 발생한 지진으로 인해 건물 내부에 결함이 발생했는지를 즉각적으로 탐지하며, 만약 결함이 발생했다면 본 연구의 다중 클래스 병렬 추론 접근법을 통해 어느 층에 손상이 발생했는지를 정밀하게 식별한다. 이러한 방식은 사전에 결함 데이터를 확보할 필요가 없으므로 실제 건축물에 활용 가능성이 매우 높고, 지진 이후 건물의 안전 진단 프로세스를 획기적으로 가속화하여 건축물의 선제적 유지관리와 시민의 안전 보장에 크게 기여할 것이다.

    2. 방법론

    2.1 단일 클래스 Deep SVDD

    Deep SVDD[14]는 신경망을 통해 데이터의 특징 표현을 학습하면서 동시에 단일클래스 분류 목적 함수를 최적화하는 기법이다. 이 방법론은 출력 공간에서 대다수의 정상 데이터를 포함하는 최소 부피의 하이퍼스피어를 찾는 것을 목표로 한다. 하이퍼스피어의 부피를 최소화하도록 네트워크를 훈련시키면, 모델은 데이터의 공통적인 변동 요인을 추출하도록 강제되며, 결과적으로 정상 데이터는 하이퍼스피어의 중심 c 근처에 밀집하게 매핑되는 반면 이상치는 중심에서 멀리 떨어지게 된다.

    훈련 데이터의 대다수가 하나의 정상 클래스에 속한다는 가정을 바탕으로, Deep SVDD는 간소화된 단일 클래스 Deep SVDD 목적 함수를 주로 활용한다. 해당 목적 함수는 모든 데이터 표현 φ ( x i ; W ) 와 고정된 중심 c 사이의 평균 제곱 거리를 최소화하여 하이퍼스피어를 수축시키며, 다음과 같이 정의된다:

    min W 1 n ∑ i = 1 n ∥ φ ( x i ; W ) − c ∥ 2 + λ 2 ∑ l = 1 L ∥ w l ∥ 2
    (1)

    여기서 신경망 함수 ϕ x i , W 는 입력 데이터 포인트 x i 를 잠재 공간에 투영시키는 가중치 집합 W 를 가진 인코더 및 Deep SVDD 모델을 의미하며, W 는 학습을 통해 최적화되는 가중치들의 집합, c는 단일클래스 Deep SVDD에서의 하이퍼스피어 고정 중심점, λ 는 가중치 감쇠를 제어하는 양의 하이퍼파라미터, n 은 학습 데이터 수, ⋅ F 는 Frobenius 노름을 나타낸다. 위 식에서 첫 번째 항은 데이터 포인트들을 중심 c로 응집시키는 역할을 하며, 두 번째 항은 가중치 감쇠를 통해 모델의 일반화 성능을 높이는 정규화 항이다. 이 방식은 반지름을 직접 최적화하는 대신 데이터 표현의 평균 거리를 줄임으로써 하이퍼스피어의 부피를 최소화한다.

    학습 과정에서는 모든 입력 데이터가 하나의 점으로 매핑되어 하이퍼스피어의 반지름이 0이 되는 하이퍼스피어 붕괴 현상을 방지하는 것이 필수적이다. 이를 위해 네트워크의 모든 계층에서 편향 항을 사용하지 않아야 하는데, 이는 편향 항이 존재할 경우 네트워크가 입력과 무관한 상수 함수를 학습하여 모든 데이터를 중심 c로 매핑하기 쉽기 때문이다. 또한, ReLU와 같은 비유계 활성화 함수를 사용하여 가중치 포화로 인한 붕괴를 방지해야 한다. 하이퍼스피어의 중심 c는 학습 과정에서 갱신되지 않는 고정된 상수여야 하며, 초기 네트워크 가중치를 이용해 데이터를 순전파했을 때 얻어지는 출력값들의 평균으로 설정하는 것이 수렴 안정성을 위해 권장된다.

    여기서 신경망 함수 ϕ ( ⋅ ; W ) 는 입력 데이터 포인트 x i 를 잠재 공간에 투영시키는 가중치 집합 W 를 가진 인코더 및 Deep SVDD 모델을 의미하며, W 는 학습을 통해 최적화되는 가중치들의 집합, c 는 단일클래스 Deep SVDD에서의 하이퍼스피어 고정 중심점, λ 는 가중치 감쇠를 제어하는 양의 하이퍼파라미터, n 은 학습 데이터 수, ∥ ⋅ ∥ 는 Frobenius 노름을 나타낸다. 위 식에서 첫 번째 항은 데이터 포인트들을 중심 c 로 응집시키는 역할을 하며, 두 번째 항은 가중치 감쇠를 통해 모델의 일반화 성능을 높이는 정규화 항이다. 이 방식은 반지름을 직접 최적화하는 대신 데이터 표현의 평균 거리를 줄임으로써 하이퍼스피어의 부피를 최소화한다.

    2.2 다중 클래스 Deep SVDD

    본 연구에서 제안하는 다중 클래스 Deep SVDD 프레임워크는 오토인코더 모델 부분과 Deep SVDD 모델 부분으로 구성된다. 기존의 단일클래스 Deep SVDD는 단일클래스에 대해서만 이상치 탐지를 수행하는 기법으로 널리 알려져 있으나, 건물 전체의 정상 여부만을 이분법적으로 판단한다는 한계가 있다. 반면, 본 프레임워크는 여러 개의 구를 형성하여 다중 클래스에 대해 이상 탐지를 수행하는 다중 클래스 Deep SVDD를 지향한다. 이를 통해 건물의 각 층별 가속도 데이터를 개별적인 정상 클래스로 정의하여 관리하며, 고차원 공간 안에 각 층을 대표하는 독립된 정상 구역들을 형성함으로써 결함 발생 여부와 구체적인 층 위치를 동시에 파악하는 것이 가능하다. 물론 기존에 제시되어 있던 다중 클래스 Deep SVDD 역시 다중 클래스를 사용한다는 개념은 있지만, 추론 과정에서 하나의 샘플만을 입력으로 받아 어느 정상 클래스에 속하는지, 혹은 아예 비정상인지를 판별한다는 점에서 층별 결함 탐지를 진행하기에 적절하지 않기 때문에 본 연구에서는 새로운 추론 방법을 가진 다중 클래스 Deep SVDD 프레임워크를 제안한다[15].

    프레임워크의 학습 단계에서는 구조물이 정상 상태일 때 계측된 지진 응답 가속도 데이터만을 사용한다. 이는 현실적으로 건축물이 손상된 상태에서의 응답 데이터를 확보하는 것이 매우 어려울뿐만 아니라, 실제 운영 중인 건물이 정확히 어느 시점부터 이상 상태에 진입했는지 판단하는 것조차 불가능에 가깝기 때문이다. 따라서 본 연구에서는 정상인지 이상치인지 불확실한 데이터들은 모두 제외하고, 건물이 정상이라고 판단되는 시점으로부터 신뢰도 있는 기간 동안의 지진 발생 시 층별 응답 데이터들을 활용하여 학습을 진행한다. 이러한 데이터 선별 과정을 통해 모델의 실무 적용 가능성 및 진단 결과에 대한 신뢰도를 높이고자 한다. 지진 발생 시 각 층의 거동 패턴은 해당 층의 질량이나 강성 등 물리적 특성에 따른 고유한 진동 패턴을 형성하게 되며, 이를 정상 클래스로 학습시킴으로써 결함 데이터 없이도 정교한 감시 시스템을 구축할 수 있는 실무적인 토대를 마련한다.

    모델의 학습 과정은 오토인코더 모델 선행 학습, Deep SVDD 모델 학습으로 크게 두 부분으로 나뉘어진다. 우선, 프레임워크의 첫번째 단계로 오토인코더 모델 부분을 학습시킨다. 오토인코더는 본래 입력으로 들어오는 데이터를 동일하게 재생성해내는 모델이지만 여기서 오토인코더를 활용하는 핵심 목적은 데이터의 본질적인 특징만을 남겨 잠재 공간으로 정확히 투영할 수 있도록 인코더를 훈련시키는 데에 있다. 이 과정을 통해 인코더는 방대한 입력 데이터로부터 건물의 구조적 상태를 결정짓는 핵심적인 정보를 추출하여 작은 차원의 공간으로 압축하는 최적의 방법을 배우게 된다. 이때 입력값과 복원된 출력값 사이의 평균 제곱 오차(MSE)를 최소화하도록 학습하면서, 인코더는 원본 데이터의 정보를 잠재 공간으로 정확히 압축시켜 투영하는 방법을 학습한다.

    이렇게 데이터를 잠재 공간으로 유의미하게 투영할 수 있게 된 인코더를 기반으로, Deep SVDD 모델 부분의 본격적인 추가 학습이 시작된다. Deep SVDD 모델 부분은 사전에 학습된 오토인코더의 인코더 부분을 그대로 가져와 구조를 형성한다. 본격적인 가중치 최적화에 앞서, 학습용 정상 응답 데이터들을 해당 인코더에 통과시켜 잠재 공간 상의 점들로 투영시킨다. 이후 각 클래스별로 매핑된 점들의 산술 평균을 계산하여 층별 하이퍼스피어의 중심점을 설정한다. 중심점이 결정되면, 잠재 공간 상에서 각 클래스별 데이터 포인트들과 해당 중심점 사이의 거리를 최소화하는 방향으로 Deep SVDD 모델을 학습시킨다. 이 과정은 각 클래스의 점들이 자신들이 속한 층의 중심점을 향해 강력하게 응집되도록 유도하여 정상 상태의 경계를 명확히 구축하는 역할을 한다.

    Deep SVDD 모델 부분의 학습은 다음과 같은 목적 함수를 최적화하는 과정으로 표현된다.

    min W 1 n ∑ i = 1 n ∥ φ ( x i ; W ) − c ( y i ) ∥ 2 + λ 2 ∑ l = 1 L ∥ w l ∥ F 2
    (2)

    해당 수식에서 φ ( x i · ; W ) 는 가중치 집합 W 를 가진 신경망 함수인 인코더 및 Deep SVDD 모델을 의미하며, 입력 데이터 포인트 x i 를 잠재 공간으로 투영시키는 역할을 수행한다. 이때 W 는 모델이 학습을 통해 최적화하고자 하는 가중치들의 집합이며, c ( y i ) 는 입력 데이터 x i 가 속한 특정 층의 클래스에 yi 대응하는 하이퍼스피어의 중심점 좌표를 나타낸다. 마지막으로 λ 는 가중치 감쇠의 정도를 결정하는 양의 하이퍼파라미터로, 모델의 복잡도를 제어하여 일반화 성능을 높이는 데 기여한다.

    학습이 완료된 후에는 잠재공간 상에서 각 층의 정상 범위를 규정하는 하이퍼스피어의 경계를 확정하는 과정을 거친다. 앞선 단계에서 각 구의 중심점이 정의되었으므로, 각 층에 해당하는 구의 반지름만 정의하면 잠재공간 상의 층별 정상 범위가 완성된다. 반지름을 결정하기 위해, 학습이 완료된 Deep SVDD 모델을 통해 투영된 정상 응답 점들과 각 층별 중심점 사이의 거리를 계산한다. 해당 거리 값들의 ν 분위수 값을 각 층 구의 반지름 R k 로 정의한다. 이때 파라미터 ν 는 정상 구를 얼마나 타이트하게 만들지 혹은 느슨하게 만들지를 결정하므로, 탐지 민감도를 최적화하기 위해 이 값을 적절하게 설정하는 것이 매우 중요하다. 다중 클래스 Deep SVDD의 전체적인 구조와 학습 과정은 Fig. 1을 통해 확인할 수 있다.

    실제로 지진이 발생하면, 실시간으로 수집되는 층별 가속도 데이터는 즉시 학습된 프레임워크를 통해 잠재 공간의 좌표로 변환된다. 만약 특정 층의 데이터 포인트가 미리 정의된 해당 층의 정상 반경 내에 안정적으로 위치한다면 해당 층은 정상 상태로 판정된다. 반대로 데이터가 정상 범위를 벗어나 경계 밖으로 이탈한다면, 해당 지진으로 인해 그 층에 구조적 결함이 발생한 것으로 간주한다. 만약 여러 층에서 동시에 이상이 감지될 경우에는 정상 중심점에서 상대적으로 가장 멀리 벗어난 층이 결함의 직접적인 발생 위치로 지목된다.

    해당 수식에서 ϕ ( x i ; W ) 는 가중치 집합 W 를 가진 신경망 함수인 인코더 및 Deep SVDD 모델을 의미하며, 입력 데이터 포인트 x i 를 잠재 공간으로 투영시키는 역할을 수행한다. 이때 W 는 모델이 학습을 통해 최적화하고자 하는 가중치들의 집합이며, c ( y i ) 는 입력 데이터 x i 가 속한 특정 층의 클래스에 대응하는 하이퍼스피어의 중심점 좌표를 나타낸다. 마지막으로 λ 는 가중치 감쇠의 정도를 결정하는 양의 하이퍼파라미터로, 모델의 복잡도를 제어하여 일반화 성능을 높이는 데 기여한다.

    3. 적용 방법

    본 연구에서 제안하는 결함 탐지 방법론은 실제 건축물에 개별적으로 최적화된 모니터링 시스템을 구축하는 것을 목표로 한다. 건축물은 저마다 고유한 구조적 특성과 기하학적 형상을 가지고 있기 때문에, 특정 건물에서 학습된 모델을 다른 건물에 그대로 적용하는 것은 진단 성능을 저해할 수 있다. 따라서 본 방법론은 대상이 되는 건물에서 직접 수집한 데이터를 기반으로 모델을 학습시키며, 이는 데이터 수집, 모델 학습, 그리고 실시간 적용이라는 세 가지 주요 단계로 나뉜다.

    가장 먼저 수행되는 데이터 수집 및 전처리 단계에서는 건물의 각 층에 가속도 센서를 설치한다. 그리고 모니터링이 시작된 후, 건물이 구조적으로 건전한 정상 상태에 있다고 판단되는 기간 동안 지진이 발생했을 때 데이터 수집을 수행한다. 즉, 건물이 정상 상태일 때 발생하는 지진에 대한 각 층별 응답 데이터를 수집하여 이를 향후 모델의 학습 데이터로 활용하는 것이다. 수집된 시간 영역의 지진 응답 가속도 신호는 층별로 분할된 후 고속 푸리에 변환(FFT)을 통해 주파수 영역으로 변환된다. 주파수 영역 데이터는 시간 영역 신호에 비해 구조적 결함에 따른 동적 특성의 변화가 더욱 뚜렷하게 나타나기 때문에, 이를 모델의 입력값으로 활용함으로써 탐지 정밀도를 높인다.

    데이터 수집이 완료되면 앞서 설명한 다중 클래스 Deep SVDD 프레임워크의 학습이 시작된다. 이 단계는 오토인코더를 통한 특징 추출 및 인코더 가중치 전이, 그리고 Deep SVDD를 이용한 층별 하이퍼스피어 최적화 과정을 포함한다. 학습을 통해 잠재 공간 상에는 각 층의 정상적인 거동 범위를 나타내는 독립적인 구 형태의 경계들이 형성된다. 이러한 과정을 거치면 모델은 해당 건물이 지진 하중을 받았을 때 각 층이 나타내는 정상적인 반응 패턴을 완벽하게 숙지하게 된다.

    학습이 완료된 모델은 실제 지진 발생 시 결함을 즉각적으로 탐지하기 위한 실시간 모니터링 단계에 투입된다. 지진이 발생하면 설치된 센서로부터 실시간 가속도 데이터가 수집되며, 이는 학습 단계와 동일한 전처리 과정을 거쳐 주파수 영역 데이터로 변환된 뒤 모델의 입력값으로 전달된다. 학습된 프레임워크는 입력된 데이터를 잠재 공간 상의 좌표로 매핑하고, 각 데이터 포인트가 해당 층의 정상 하이퍼스피어 내부에 위치하는지를 실시간으로 대조한다.

    최종적인 결함 탐지 및 위치 추정은 하이퍼스피어 경계와의 비교를 통해 이루어진다. 만약 모든 층에서 들어온 데이터 포인트가 각각의 정상 범위인 하이퍼스피어 내부에 안정적으로 머문다면, 건물은 해당 지진으로부터 구조적 안전성을 유지한 것으로 판정된다. 그러나 특정 층의 데이터 포인트가 경계 밖으로 이탈하는 이상 징후가 포착되면, 모델은 해당 층에 구조적 결함이 발생한 것으로 간주한다. 이때 다수의 층에서 이상치가 감지될 경우, 정상 중심점으로부터 상대적으로 가장 큰 편차를 보이는 층을 결함의 직접적인 발생 위치로 지목한다. 이러한 체계는 지진 직후 건물의 상태를 신속히 진단하고 보수 우선순위를 결정하는 데 결정적인 근거를 제공한다. 전체적인 적용 과정은 Fig. 2에서 확인할 수 있다.

    4. 실험 데이터셋

    본 연구의 방법론적 타당성을 검증하기 위해 3층 프레임 구조물인 ‘Bookshelf Structure’를 대상으로 수행된 진동대 시험 데이터를 활용하였다. 해당 데이터 세트는 로스앨러모스 국립연구소(Los Alamos National Laboratory Engineering Institute)에서 제공하는 구조물 건전성 모니터링 분야의 표준 벤치마크 데이터[16]로서, 기계 학습 기반 구조물 진단 모델의 유효성 평가에 널리 사용된다. 특히 진동대 시험을 통해 획득된 응답 데이터는 지진 시 실제 건축물 각 층에서 발생하는 동적 거동을 실험실 환경에서 정밀하게 모사하므로, 지진 하중 하에서의 건물 응답 특성을 대변함에 있어 높은 신뢰성을 보유한다.

    실험 구조물은 알루미늄 플레이트와 유니스트럿 기둥으로 제작되었으며, 각 층은 13 mm 두께의 알루미늄 판이 기둥과 볼트로 결합된 형상을 갖는다. 기초부는 38 mm 두께의 고강성 알루미늄 판을 통해 안정적인 지지 조건을 형성하였고, 기초 판 하부에 4개의 공기 절연 장치를 설치하여 수평면 상의 자유 거동을 보장함으로써 지진 시의 구조물 동특성을 충실히 구현하였다. 동적 하중은 기초 판 중간 높이에 위치한 쉐이커를 통해 인가되었으며, 이를 통해 병진 및 비틀림 성분이 복합된 동역학적 거동을 유도하였다. 전체적인 실험 구조물의 모습은 Fig. 3를 통해 확인할 수 있다.

    데이터 계측을 위해 각 층의 조인트 부위에 8개씩, 총 24개의 압전 단축 가속도 센서를 전략적으로 배치하여 층별 상대 운동을 측정하였다. 입력 가속도의 크기를 변화시키기 위해 쉐이커 입력 전압을 3 V, 5 V, 7 V로 구분하여 실험을 수행하였으며, 센서로부터 획득된 아날로그 신호는 데이터 획득 시스템을 거쳐 고해상도 디지털 데이터로 변환되었다. 구조물 결함 시나리오는 특정 층의 볼트 체결 토크를 완화하거나 브래킷을 제거하는 방식으로 설정되었는데, 이는 지진 하중으로 인해 발생할 수 있는 부재의 결합력 약화 및 강성 저하 현상을 물리적으로 모델링한 것이다.

    데이터는 1600 Hz의 샘플링 주파수로 계측되었으며, 각 이벤트별 데이터의 총길이는 각각 8192개의 데이터 포인트로 구성된다. 전체 데이터 세트는 비손상 상태와 손상 상태로 구분되며, 구체적으로 정상 상태 샘플 150개, 1층 결함 샘플 60개, 3층 결함 샘플 30개가 확보되었다. 이때 결함 데이터의 수량 불균형에 의한 모델 학습 편향을 방지하고자 1층 결함 데이터에서 3층 결함 샘플 개수와 동일한 30개의 샘플을 무작위로 추출하여 클래스 균형화를 수행하였다. 전처리 과정에서는 가속도 응답 데이터 기반의 진단에 집중하기 위해 힘 센서 데이터 등 외부 변수를 제외하였다.

    수집된 시계열 가속도 신호는 학습 데이터의 양을 증폭하고 학습 효율성을 제고하기 위한 전처리를 거친다. 먼저 샘플링 주파수를 1/8배로 낮추는 다운샘플링을 수행하였으며, 이후 데이터 수 증폭을 위해 길이 512, 이동 간격 1인 시간창을 적용하여 데이터를 슬라이딩 윈도우 방식으로 분할하였다. 이렇게 가공된 데이터는 고속 푸리에 변환을 통해 주파수 도메인으로 변환된다. 주파수 응답 함수는 구조물의 손상에 따른 동특성 변화를 시간 영역 데이터보다 명확하게 표출하므로 탐지 정밀도 향상에 기여한다. 최종적으로 정상 샘플의 80%를 층별 클래스로 분류하여 모델 학습에 활용하였으며, 잔여 정상 샘플과 결함 샘플을 통합하여 모델의 이상 탐지 성능 및 손상 국부화 정확도를 검증하기 위한 테스트 데이터 세트를 구성하였다.

    위와 같이 제작된 데이터셋을 이용하여 다중 클래스 Deep SVDD 학습이 이루어진다. 정상 응답 데이터셋만을 이용하여 만들어진 학습 데이터셋을 이용하여 Method 부분에 설명되었던 방법과 동일하게 모델이 학습되며, 테스트 단계에서는 정상 응답 데이터셋과 결함 응답 데이터셋이 섞인 테스트 데이터셋을 이용하여 성능 평가가 이루어진다.

    본 연구의 모든 학습 및 추론 과정은 NVIDIA RTX 4090 GPU 환경에서 수행되었다. 데이터 전처리에는 샘플 1개당 약 2.45 ms가 소요되었으며, 학습된 모델의 추론 속도는 샘플 1개당 0.226 ms로 매우 신속하게 수행되어 실제 적용 시 실시간에 가깝게 적용이 가능함을 보였다. 모델 학습 시간의 경우, 오토인코더의 특징 추출 능력을 최적화하기 위한 선행학습 단계에서 857.662초가 소요되었으며, 이후 다중 클래스 Deep SVDD 모델의 본 학습 단계에서는 439.673초가 소요되었다.

    5. 실험 및 결과

    본절에서는 앞서 구성한 데이터셋을 이용하여 실험을 수행하였으며, 3층 구조물 진동대 시험을 통해 획득된 전처리 데이터를 활용하여 제안된 결함 탐지 방법론의 성능을 다각도로 평가한다. 특히 모델의 핵심 하이퍼파라미터인 잠재 공간의 차원수와 반지름 설정을 위한 분위수 값에 따른 성능 변화를 분석하며, 기존 이상치 탐지 기법들과의 비교를 통해 제안 기법의 우수성을 검증한다.

    5.1 잠재 공간 차원 수에 따른 정확도 분석

    Deep SVDD 모델을 통해 입력 데이터가 매핑되는 잠재 공간의 차원수가 결함 탐지 성능에 미치는 영향을 평가하기 위해 실험을 수행하였다. 총 5회의 반복 테스트를 수행하였으며, 그 결과는 Tables 1, 2와 Figs. 4, 5와 같다. 이때 하이퍼스피어의 반지름을 결정하는 분위수 값( ν )은 0.9로 고정하였다.

    Table 1에 나타난 바와 같이, 잠재 공간의 차원이 4일 때 87.12%라는 가장 높은 평균 정확도를 달성하였다. Fig. 4의 평균 정확도 추이를 살펴보면, 차원수와 정확도 사이에 명확한 선형 관계는 관찰되지 않았으나 차원수가 4, 16, 24일 때 다른 차원수에 비해 상대적으로 높은 정확도가 지속적으로 도출됨을 확인하였다. 전체 실험 차원에 걸친 평균 정확도는 80.46%로 나타났다.

    또한 Table 2와 Fig. 5에 제시된 F1-score 분석 결과, 정상 데이터에 대해 매우 높은 점수를 기록하여 모델이 정상과 이상 상태를 식별하는 데 있어 높은 신뢰도를 보유하고 있음을 입증하였다. 1층 결함 데이터의 경우 0.9 이상의 높은 F1-score를 보였으며, 3층 결함의 경우 상대적으로 점수가 낮았으나 적절한 차원 선택 시 0.8 이상의 신뢰할 수 있는 수준의 성능을 확보하였다.

    특히, 가장 최적의 잠재 공간 차원수인 4일 때 정상 데이터, 1층 결함 데이터, 3층 결함 데이터에 대한 재현율은 각각 0.994, 0.970, 0.919로 집계되었다. 이상치 탐지의 특성상 실제 결함을 정상으로 오판하지 않는 재현율 지표가 매우 중요하다는 점을 고려할 때, 제안된 모델이 모든 클래스에서 0.9 이상의 높은 재현율을 기록한 것은 지진 시 구조물 안전 진단 도구로서 충분한 신뢰성을 확보하고 있음을 시사한다.

    5.2 반지름 분위수 값에 따른 정확도 분석

    잠재 공간 내에서 하이퍼스피어의 경계를 결정짓는 반지름 분위수(Radius Quantile Value, ν ) 값에 따른 모델의 성능 변화를 분석하였다. 반지름 분위수는 0에서 1 사이의 값을 가지며, 중심점으로부터 데이터 포인트들 사이 거리 분포의 특정 분위수를 기준으로 반지름을 설정한다. 본 실험에서는 분위수 값을 0.7에서 1.0까지 0.05 단위로 변화시키며 테스트를 수행하였으며, 결과는 Table 3와 Fig. 6에 제시된 바와 같다.

    분석 결과, 정확도는 분위수 값이 0.7에서 0.9 사이일 때 비교적 안정적으로 높게 유지되는 경향을 보였다. 그러나 분위수 값이 0.9를 초과하여 증가할 경우 정확도가 점진적으로 감소하는 양상이 관찰되었다. 이러한 결과는 본 3층 구조물 데이터셋에 대해 0.7에서 0.9 사이의 반지름 분위수를 선택하는 것이 모델의 탐지 성능을 최적화하는 데 유리함을 시사한다. 이는 정상 범위를 너무 엄격하게 혹은 너무 느슨하게 설정하지 않는 적절한 임계치 확보의 중요성을 보여준다.

    5.3 저주파 통과 필터 적용에 따른 성능 변화 분석

    본 연구에서는 입력 신호의 정제 및 특징 추출의 효율성을 제고하기 위해 주파수 영역으로 변환된 가속도 응답 입력 데이터에 저주파 통과 필터(LPF)를 적용하여 그에 따른 성능 변화를 추가로 분석하였다. LPF 적용의 주요 목적은 입력 신호를 평활화함으로써 Deep SVDD 모델이 데이터 내의 지엽적인 노이즈를 배제하고 구조적 거동의 핵심적인 경향성을 보다 용이하게 학습하도록 유도하는 데 있다. 차단 주파수를 100 Hz, 150 Hz, 200 Hz로 설정하여 실험을 수행한 결과, Fig. 7에 나타난 바와 같이 LPF의 적용이 반드시 모델의 성능 향상으로 직결되지는 않는 것으로 확인되었다.

    잠재 공간의 차원수와 차단 주파수의 조합에 따라 정확도 변화량이 양의 값을 보이며 성능이 개선되는 사례도 관찰되었으나, 다수의 구간에서 오히려 성능이 저하되는 음의 결과가 도출되었다. 이러한 현상은 LPF를 통한 신호의 평활화가 지니는 이중적인 특성에 기인한 것으로 판단된다. 즉, 신호를 부드럽게 가공함으로써 Deep SVDD가 전반적인 데이터의 분포 패턴을 파악하는 데는 도움을 줄 수 있으나, 필터링 과정에서 구조적 결함을 식별하는 데 결정적인 역할을 하는 고주파 대역의 미세하고 유의미한 특징 정보까지 소실될 가능성이 존재하기 때문이다. 결과적으로, 신호의 단순화가 모델의 학습 효율을 높이는 측면과 결함 탐지에 필수적인 데이터의 변별력을 약화시키는 측면 사이의 상충 관계가 발생하며, 이는 모든 실험 조건에서 일관된 성능 향상을 기대하기 어렵게 만드는 원인이 된다. 따라서 실제 건축물 적용 시에는 해당 구조물의 동특성을 고려하여 정보의 보존과 잡음 제거 사이의 최적의 절충점을 찾는 정교한 필터 설계가 수반되어야 한다.

    5.4 타 방법론과의 정확도 비교 분석

    제안된 다중 클래스 Deep SVDD(MCDSVDD) 기법의 성능을 객관적으로 평가하기 위해 KDE[17, 18], SVDD[19], 오토인코더(AE), 그리고 단일 클래스 Deep SVDD(OCDSVDD)[14] 등 기존의 대표적인 이상치 탐지 모델들과 비교 실험을 수행하였다. 특히 단일 클래스 Deep SVDD의 경우, 각 층별로 별개의 단일클래스 Deep SVDD 모델을 구축하는 방법으로 실험을 진행하였다. 모든 모델은 동일한 전처리 과정을 거친 데이터를 사용하였으며, 각 모델의 최적 하이퍼파라미터 조건에서 5회 반복 테스트의 평균 성능을 측정하였다.

    비교 결과는 Table 4에 요약되어 있다. 전통적인 통계 및 머신러닝 기법인 KDE와 SVDD는 각각 35.44%와 58.41%의 최대 정확도를 기록하였으며, 재구성 오차 기반의 AE 모델은 32차원 잠재 공간에서 58.68%의 성능을 보였다. 또한 단일클래스 Deep SVDD(OCDSVDD)를 활용한 방식은 32차원 잠재 공간에서 64.32%의 정확도를 기록하였다.

    반면, 본 연구에서 제안한 다중 클래스 Deep SVDD는 4차원 잠재 공간에서 87.12%의 정확도를 기록하여 모든 비교 대상 기법 중 가장 우수한 성능을 보였다. 이는 각 층별로 독립적인 모델을 사용하는 단일클래스 접근법과 달리, 제안된 프레임워크가 하나의 잠재 공간 내에 여러 개의 클래스 구를 동시에 형성함으로써 층간의 물리적 상호작용과 동적 거동 특성을 통합적으로 학습할 수 있었기 때문이다. 이러한 구조적 장점 덕분에 본 모델은 지진 발생 시 구조물 내부의 결함 발생 여부와 구체적인 위치를 더욱 정밀하게 식별할 수 있는 뛰어난 진단 역량을 확보하였다.

    6. 결 론

    실제 운영 중인 구조물에서 지진 하중으로 유발된 비정상 상태의 응답 데이터를 확보하는 것은 통계적으로 매우 희귀하며, 다양한 손상 메커니즘을 포괄하는 라벨링된 데이터를 충분히 구축하는 것은 사실상 불가능에 가깝다. 반면 구조물이 건전한 상태를 유지할 때의 정상 응답 데이터는 상대적으로 수집이 용이하며, 이를 통해 지진 시 구조물의 동적 거동에 대한 신뢰도 높은 기준점을 형성할 수 있다는 실무적인 이점이 있다. 본 연구에서는 이러한 데이터 수급 문제를 해결하고 지진 직후 전문가의 육안 점검 한계를 극복하기 위해, 정상 상태의 지진 응답 데이터만을 활용하여 정상 범위를 스스로 학습하는 다중 클래스 Deep SVDD 기반의 결함 탐지 방법론을 제안하였다.

    제안된 프레임워크는 오토인코더를 통한 특징 추출과 층별 독립적인 하이퍼스피어 형성을 통해 결함 데이터 없이도 정상 거동의 경계를 정의하며, 실시간으로 수집되는 주파수 영역 데이터를 잠재 공간에 투영하여 결함 유무 및 위치를 판별한다. 3층 프레임 구조물의 진동대 실험 데이터를 활용한 검증 결과, 제안 모델은 4차원 잠재 공간에서 87.12%의 최대 평균 정확도를 기록하였다. 이는 기존의 KDE(35.44%), SVDD(58.41%), 재구성 오차 기반 AE(58.68%), 그리고 단일 클래스 Deep SVDD(64.32%)와 비교했을 때 가장 우수한 성능이다. 특히 하나의 잠재 공간 내에서 여러 클래스 구를 동시에 형성함으로써 층간의 물리적 상호작용을 통합적으로 학습하고 결함 위치를 정밀하게 식별할 수 있음을 확인하였다.

    다만, 본 연구에서 활용된 Los Alamos 국립연구소의 3층 Bookshelf Structure 벤치마크 데이터는 알루미늄 플레이트와 유니스트럿 기둥으로 구성된 소규모 실험 구조물의 진동대 시험 데이터라는 점에 주목할 필요가 있다. 본 실험 데이터는 통제된 환경 하에서의 구조 거동을 잘 보여주지만, 실제 대규모 철근 콘크리트 또는 철골 건축물의 복잡한 비선형 거동이나 다양한 환경적 노이즈가 포함된 실측 데이터를 대상으로는 검증 실험을 수행하지 못했다는 한계가 존재한다.

    또한, 본 연구에서 제안한 방법은 층 단위의 결함 탐지에는 효과적이나 개별 부재 단위까지의 결함 발생 위치를 특정하는 것은 어려우며, 결함의 심각도를 정량적으로 특정하는 것 역시 정확하게 수행하기에는 한계가 있다. 따라서 향후 연구에서는 실제 건축물에서 계측된 데이터를 확보하여 모델의 현장 적용성을 보완하고 검증함과 동시에, 개별 부재 수준의 정밀한 위치 특정 및 결함 심각도의 정량적 산출을 위한 추가적인 알고리즘 고도화 연구가 병행되어야 할 것으로 사료된다. 아울러 실제 상황에서 다양한 지진 사건에 대한 응답 데이터를 확보하고 여러 입력 지진에 대한 학습 데이터셋을 구축하여 전반적인 데이터의 양을 증대시킨다면, 모델의 변별력과 일반화 성능을 한층 더 높일 수 있을 것으로 기대된다.

    결론적으로 본 방법론은 사전에 결함 데이터를 확보할 필요가 없으므로 실제 건축물에 즉각 도입이 가능한 높은 실용성을 보유하며, 지진 이후 건물의 안전 진단 프로세스를 획기적으로 가속화하여 선제적 유지관리와 시민의 안전 보장에 크게 기여할 수 있다. 이는 제한된 정보 하에서 신속하고 객관적인 의사결정을 지원함으로써 불필요한 대피로 인한 사회적 손실을 방지하고 구조물의 건전성을 실시간으로 관리하는 데 실질적인 대안이 될 것이다.

    / 감사의 글 /

    이 논문은 2026년도 정부(과학기술정보통신부)의 재원으로 정보통신기 획평가원의 지원을 받아 수행된 연구임 [NO.RS-2021-II211343,인공지 능대학원지원(서울대학교)].

    Figure

    EESK-30-3-101_F1.jpg

    Architecture of the proposed Multi-Class Deep SVDD (MCDSVDD) framework

    EESK-30-3-101_F2.jpg

    Operational flowchart of the real-time structural health monitoring system

    EESK-30-3-101_F3.jpg

    Experimental setup of the three-story bookshelf structure benchmark

    EESK-30-3-101_F4.jpg

    Average detection accuracy for varying latent space dimensions

    EESK-30-3-101_F5.jpg

    F1-score results across different latent space dimensions for normal and damaged states

    EESK-30-3-101_F6.jpg

    Boxplot of accuracy distribution across various latent space dimensions for each radius quantile value

    EESK-30-3-101_F7.jpg

    Variations in accuracy differences according to low-pass filter (LPF) application and cutoff frequencies

    Table

    Detection accuracy for varying latent space dimensions
    F1-score results across different latent space dimensions for normal and damaged states
    Analysis of detection accuracy with respect to the radius quantile value
    Comparison of performance between the proposed MCDSVDD and conventional anomaly detection methods

    Reference

    1. Eem SH, Yang B, Jeon H. Earthquake damage assessment of buildings using opendata in the Pohang and the Gyeongju earthquakes. EESK. 2018;22(3):121-128.
    2. Hsu TY, Yin RC, Wu YM. Evaluating post-earthquake building safety using economical MEMS seismometers. Sensors. 2018;18(5): 1437.
    3. Giordano PF, Iacovino C, Quqa S, Limongelli MP. The value of seismic structural health monitoring for post-earthquake building evacuation. Bulletin of Earthquake Engineering. 2022;20(9):4367- 4393.
    4. Iacovino C, Ditommaso R, Ponzo FC, Limongelli MP. The interpolation evolution method for damage localization in structures under seismic excitation. Earthquake Engineering & Structural Dynamics. 2018;47(10):2117-2136.
    5. Limongelli MP. Seismic health monitoring of an instrumented multistory building using the interpolation method. Earthquake Engineering & Structural Dynamics. 2014;43(11):1581-1602.
    6. Cha YJ, Ali R, Lewis J, Büyükoztürk O. Deep learning-based structural health monitoring. Automation in Construction. 2024; 161:105328.
    7. Avci O, Abdeljaber O, Kiranyaz S, Hussein M, Gabbouj M, Inman DJ. A review of vibration-based damage detection in civil structures: from traditional methods to machine learning and deep learning applications. Mechanical Systems and Signal Processing. 2021;147: 107077.
    8. Teng S, Chen G, Yan Z, Cheng L, Bassir D. Vibration-based structural damage detection using 1-D convolutional neural network and transfer learning. Structural Health Monitoring. 2023;22(4):2888-2909.
    9. Abdeljaber O, Avci O, Kiranyaz S, Gabbouj M, Inman DJ. Real-time vibration-based structural damage detection using one-dimensional convolutional neural networks. Journal of Sound and Vibration. 2017;388:154-170.
    10. Coraça EM, Ferreira JV, Nóbrega EG. An unsupervised structural health monitoring framework based on variational autoencoders and hidden Markov models. Reliability Engineering & System Safety. 2023;231:109025.
    11. Keshmiry A, Hassani S, Mousavi M, Dackermann U. Effects of environmental and operational conditions on structural health monitoring and non-destructive testing: a systematic review. Buildings. 2023;13(4):918.
    12. Kim EJ, Cho S, Sim SH. A recent research summary on smart sensors for structural health monitoring. Journal of the Korea Institute for Structural Maintenance and Inspection. 2015;19(3): 10-21.
    13. Zhu YK, Wan HP, Ye YJ, Todd MD. A conditional probabilistic deep learning approach for anomaly detection in structures under varying environmental conditions. Mechanical Systems and Signal Processing. 2025;236:113005.
    14. Dy J, Krause A, editors. Proceedings of the 35th International Conference on Machine Learning; 2018 Jul 10-15; Stockholm. PMLR; c2018. p. 4393-4402.
    15. Pérez-Carrasco M, Cabrera-Vives G, Hernández-García L, Forster F, Sánchez-Sáez P, Muñoz Arancibia A, Astorga N, Bauer F, Bayo A, Cádiz-Leyton M, Catelan M. Multi-Class Deep SVDD: Anomaly Detection Approach in Astronomy with Distinct Inlier Categories. arXiv [Internet]. 2023 Aug 10 [cited 2026 Mar 9];arXiv:2308.05011.
    16. Los Alamos National Laboratory Engineering Institute. SHM data sets and software. Los Alamos (NM): Los Alamos National Laboratory; c2000.
    17. Rosenblatt M. Remarks on some nonparametric estimates of a density function. The Annals of Mathematical Statistics. 1956;27(3): 832-837.
    18. Parzen E. On estimation of a probability density function and mode. The Annals of Mathematical Statistics. 1962;33(3):1065-1076.
    19. Tax DM, Duin RP. Support vector data description. Machine Learning. 2004;54(1):45-66.
    Journal Abbreviation J. Earthq. Eng. Soc. Korea
    Frequency Bimonthly
    Doi Prefix 10.5000/EESK
    Year of Launching 1997
    Publisher Earthquake Engineering Society of Korea
    Indexed/Tracked/Covered By