Deep Learning Characterization of Spatially Variable Ground Using Screened and Label-Conditioned Random Field Data

기술 요약: 스크리닝 및 라벨 조건부 랜덤 필드 데이터를 이용한 딥러닝 기반 공간 가변 지반 특성 규명

문제 정의
지반 물성의 공간적 가변성, 특히 변동 길이(Scale of Fluctuation, SoF)는 확률론적 지반 분석 및 신뢰도 평가에 있어 매우 중요하다. 합성 생성된 토양 프로파일 데이터셋에 크게 의존하는 합성곱 신경망(CNN)이 SoF를 추정하기 위한 유망한 도구로 부상하고 있으나, LU 분해 기반의 랜덤 필드 이론을 사용하여 생성된 최근 연구들은 다음과 같은 중대한 한계를 식별하였다:

1. 불일치하는 실현치-라벨 매핑: 주어진 SoF로 생성된 랜덤 필드 실현치는 생성 과정의 확률적 특성으로 인해 입력 파라미터와 상당히 다른 유효 SoF 값을 나타내는 경우가 많다.
2. 비정상성(Non-Stationarity): 생성된 일부 실현치는 확률 모델에 내재된 2차 정상성 가정을 위반하여 물리적 불일치를 초래한다.
   이러한 문제들은 할당된 라벨이 데이터의 물리적 특성을 정확하게 반영하지 못하는 "라벨 노이즈"가 포함된 훈련 데이터셋을 생성하며, 이는 현장 데이터로 일반화되지 못하는 신뢰할 수 없는 지도 학습 모델로 이어질 수 있다.

방법론
본 연구는 CNN을 위한 물리적으로 일관된 훈련 데이터셋을 구축하기 위한 체계적인 프레임워크를 제안한다. 방법론은 다음 단계로 구성된다:

1. 데이터 생성: LU 분해 기반 랜덤 필드 이론과 몬테카를로 시뮬레이션을 사용하여 24,000개의 1차원 원추 선단 저항($q_c$) 랜덤 필드 실현치 예비 데이터셋을 생성하였다. 입력값에는 평균 25 MPa, 변동 계수 20%, 그리고 각각 0.5 m, 1 m, 2 m, 5 m로 지정된 SoF가 포함되었다.
2. 스크리닝 및 검증:
   • 비정상성 스크리닝: 2차 정상성 가정을 위반하는 실현치를 식별하여 제거하였으며, 이를 통해 데이터셋을 약 20,000개의 정상 실현치로 축소하였다.
   • MLE 기반 재라벨링: 잔류 실현치에 대해 최대 우도 추정법(Maximum Likelihood Estimation, MLE)을 사용하여 유효 SoF를 추정하였다. 원래의 지정된 라벨을 이 MLE 유도 값으로 대체하여 라벨이 실제 실현치의 공간 상관관계와 일치하도록 보장하였다.
3. 통계적 조건화:
   • 이상치 제거: MLE 추정 SoF 값이 통계적 위스커(whisker) 한계($\theta > 2.03$ m)를 벗어나는 실현치를 제외하여 극단적인 분산을 줄였으며, 결과적으로 18,692개의 실현치로 구성된 "스크리닝된 데이터셋"을 확보하였다.
   • 라벨 조건부 전략: 연속적인 MLE 값의 회귀 복잡성을 해결하기 위해, 데이터셋을 오름차순 MLE 추정 SoF에 따라 클래스로 분할하였다. 각 클래스에는 해당 클래스의 산술 평균인 대표 So-F 값을 할당하였다. 두 가지 변형이 테스트되었다:
     • 라벨 조건부 데이터셋 I: 4개의 동일한 클래스로 분할.
     • 라벨 조건부 데이터셋 II: 7개의 동일한 클래스로 분할 (더 세밀한 이산화).
4. CNN 구조 및 훈련: 두 개의 합성곱 블록(64개 필터, 커널 크기 5, ReLU, MaxPooling, Dropout)과 이후의 완전 연결층(128 및 32개 뉴런), 그리고 선형 출력층으로 구성된 1D CNN을 개발하였다. 하이퍼파라미터는 랜덤 서치(Random Search) 전략을 사용하여 최적화하였다. 모델은 네 가지 서로 다른 데이터셋(처리되지 않은 예비 데이터셋, 스크리닝된 데이터셋, 두 가지 라벨 조건부 데이터셋)을 대상으로 훈련되었다.

주요 결과
본 연구는 결정계수($R^2$), 평균 제곱 오차(MSE), 그리고 MLE 추정 SoF에 대한 상대 예측 오차를 사용하여 모델 성능을 평가하였다.

• 합성 데이터 성능:
  • 예비 데이터셋(미처리)은 가장 높은 겉보기 $R^2$(테스트 $R^2 = 0.901$)를 보였으나, 높은 평균 상대 오차(0.669)를 나타냈다. 이는 모델이 물리적 실체가 아닌 불일치하는 라벨을 학습했음을 의미한다.
  • 스크리닝된 데이터셋(MLE 재라벨링)은 $R^2$의 감소(테스트 $R^2 = 0.688$)와 오차 증가를 보였다. 저자들은 이를 연속적이고 물리적으로 일관된 분포를 회귀하는 것이 불연속적이고 불일치하는 라벨을 학습하는 것보다 어렵기 때문이라고 설명하였다.
  • 라벨 조건부 데이터셋 II(7개 클래스)가 가장 좋은 균형을 달성하였으며, 테스트 $R^2$ 0.891과 가장 낮은 테스트 MSE(0.047)를 기록하였다. 평균 상대 오차는 0.290으로 감소하였으며, 이는 라벨의 가변성을 줄이면서 물리적 일관성을 유지하는 것이 학습 안정성을 향상시킨다는 것을 입증한다.
• 현장 데이터 검증:
  • 모델은 Keswick Clay에서 얻은 11개의 독립적인 CPT 프로파일을 통해 검증되었다.
  • 예비 데이터셋으로 훈련된 모델은 SoF를 체계적으로 과소평가하였으며, 평균 상대 오차 0.731, RMSE 0.393 m를 나타냈다.
  • 라벨 조건부 데이터셋 II로 훈련된 모델은 일반화 성능이 크게 향상되어, 평균 상대 오차를 0.197로, RMSE를 0.130 m로 감소시켰다(각각 약 73% 및 67% 감소). 예측값은 MLE 추정 참조 값에 대한 1:1 참조선을 밀접하게 따랐다.

의의 및 주장
본 논문은 공간 가변 지반의 CNN 기반 특성 규명의 신뢰성이 단순히 네트워크 구조에만 달려 있는 것이 아니라, 근본적으로 훈련 데이터셋의 품질과 물리적 일관성에 의해 제약된다고 주장한다.

본 연구는 다음을 입증한다:

1. 지정된 라벨과 함께 LU 분해로 생성된 랜덤 필드를 직접 사용하는 것은 상당한 불일치를 도입하여 모델의 전이 가능성을 저하시킨다.
2. 비정상성 스크리닝, MLE 기반 라벨 검증 및 라벨 조건부 전략을 통합하는 프레임웨크는 합성 훈련 데이터와 물리적 실체 사이의 간극을 효과적으로 메운다.
3. 물리적으로 일관된 실현치-SoF 매핑을 구축함으로써, 제안된 방법론은 CNN이 독립적인 현장 측정값에 성공적으로 일반화될 수 있도록 하며, 이는 이질적인 지반 조건의 데이터 기반 특성 규명을 개선하기 위한 실질적인 경로를 제공한다.