An LLM-Driven Agentic Framework for Automated Seismic Soil Liquefaction Hazard Assessment Using SPT- and CPT-Based Machine Learning Models

지진이 발생하여 지면이 흔들릴 때, 우리 발밑의 토양은 때때로 액체처럼 거동할 수 있습니다. '액상화(soil liquefaction)'라고 알려진 이 현상은 느슨하고 젖은 모래가 강도와 강성을 잃을 때 발생하며, 이로 인해 건물이 가라앉고 도로가 뒤틀리며 기반 시설이 파괴될 수 있습니다. 이는 역사적인 주요 지진에서 파괴적인 피해를 입힌 가장 파괴적인 힘 중 하나입니다. 공동체를 보호하기 위해 엔지니어들은 건설을 시작하기 전, 특정 부지의 지반이 응력을 받을 때 액체로 변할 가능성이 있는지 판단해야 합니다. 이러한 평가는 두 가지 주요 탐사 방법, 즉 샘플러를 지면에 박는 데 얼마나 힘이 드는지 측정하는 표준 관입 시험(Standard Penetration Test)과 원뿔을 토양 속으로 밀어 넣어 저항을 연속적으로 측정하는 콘 관입 시험(Cone Penetration Test)에 의존합니다. 전통적으로 이러한 시험을 해석하려면 지질 공학 엔지니어가 수동으로 데이터를 수집하고, 복잡한 계산을 수행하며, 어떤 방법을 적용할지 결정해야 하는데, 이 과정은 시간이 많이 소요되고 인간의 실수에 취약합니다.

인도, 호주, 미국의 연구진은 이 중요한 안전 점검을 더 빠르고 접근하기 쉽게 만들기 위해 설계된 새로운 시스템을 개발했습니다. 그들은 강력한 컴퓨터 학습 모델과 인간의 언어를 이해할 수 있는 정교한 인공지능을 결합한 자동화된 프레임워크를 구축했습니다. 엔지니어들이 데이터를 경직된 스프레드시트 형식으로 맞추도록 강요하는 대신, 이 새로운 시스템은 사용자가 평이한 영어로 현장 조건을 설명할 수 있게 해줍니다. 그러면 컴퓨터가 그 설명을 읽고, 필요한 토양 및 지진 데이터를 식별하며, 올바른 계산 방법을 선택한 뒤, 명확한 공학 보고서를 전달합니다. 이들의 목표는 인간의 판단을 대체하는 것이 아니라, 데이터 처리와 모델 선택이라는 힘든 작업을 처리해 주는 스마트한 조수 역할을 하여 전문가들이 최종적인 안전 결정에 집중할 수 있도록 하는 것이었습니다.

연구진은 먼저 두 개의 별도 컴퓨터 프로그램에 액상화를 예측하는 법을 가르쳤습니다. 한 프로그램은 표준 관입 시험이 사용된 약 2,000건의 실제 사례를 통해 학습했고, 다른 한 프로그램은 콘 관입 시험과 관련된 약 500건의 사례를 통해 학습했습니다. '엑스트림 그래디언트 부스팅(extreme gradient boosting)'이라는 기법으로 구축된 이 프로그램들은 토양 밀도, 지하수위, 지진 강도 사이의 복잡하고 비선형적인 패턴이 어떻게 파괴로 이어지는지를 인식하도록 학습했습니다. 보지 못한 새로운 데이터로 테스트했을 때, 표준 관입 시험을 통해 학습된 프로그램은 토양이 액상화될지 아니면 안정적일지를 96%의 확률로 정확히 식별했습니다. 콘 관입 시험을 통해 학습된 프로그램은 91%의 성공률을 달ert했습니다. 두 시스템 모두 매우 신뢰할 만했으며, 특히 표준 관입 시험 모델은 위험한 액상화 가능 토양을 포착하는 데 탁월한 강점을 보여, 이는 안전이 중요한 공학 분야에서 매우 중요한 특성입니다.

이 연구의 진정한 혁신은 이러한 예측 도구들을 인간의 언어를 이해하고 생성하도록 설계된 인공지능의 일종인 대규모 언어 모델(LLM)과 연결한 방식에 있습니다. 기존의 지질 공학 분야에서의 머신러닝 활용 시도에서는 컴퓨터 모델들이 고립되어 있었습니다. 즉, 인간이 현장 보고서에서 모든 숫자를 추출하여 특정 형식으로 시스템에 입력해야만 작동할 수 있었습니다. 하지만 이 새로운 프레임워크는 그러한 장벽을 제거했습니다. 연구진은 운영의 두뇌 역할을 하는 디지털 조수인 '에이전트(agent)'를 구축했습니다. 사용자가 토양 깊이, 지면의 흔들림 세기, 또는 프로브에 의해 측정된 저항값과 같은 세부 사항을 언급하며 자연스러운 문장으로 현장을 묘사하면, 에이전트는 텍스트를 읽고 관련 수치를 추출하며 어떤 예측 모델을 사용할지 결정합니다. 만약 설명에 콘 저항 데이터가 포함되어 있으면 콘 모델로 요청을 보내고, 타격 횟수(blow counts)가 포함되어 있으면 관입 시험 모델로 요청을 보냅니다.

이 시스템이 실제 환경에서 작동하는지 확인하기 위해, 연구진은 각기 다른 현장 조건을 설명하는 10가지 시나리오로 테스트를 진행했습니다. 모든 경우에서 에이전트는 텍스트로부터 필요한 매개변수를 정확히 추출하고 올바른 예측 모델을 선택했습니다. 그 후 컴퓨터 모델의 가공되지 않은 출력을 받아 위험을 설명하고 권장 사항을 제공하는 구조화된 전문 공학 보고서로 번げ했습니다. 이 엔드 투 엔드(end-to-end) 워크플로우는 사용자가 데이터 과학자가 아니더라도, 가공되지 않은 비정형 현장 데이터와 고정밀 머신러닝 예측 사이의 간극을 메우는 것이 가능하다는 것을 입증합니다. 이 시스템은 복잡하고 다단계적인 공학 분석을 간단한 대화로 효과적으로 전환합니다.

그러나 연구진은 자신들이 만든 도구의 한계를 정의하는 데 주의를 기울였습니다. 그들은 이 도구가 전통적인 분석이나 전문적인 판단을 최종적으로 대체하기 위한 것이 아니라, 예비 스크리닝 및 의사결정 지원을 목적으로 한다고 강조합니다. 이 시스템은 잠재적 위험을 조기에 포착하고 초기 검토 과정을 간소화하도록 설계되었지만, 모든 독특한 지질학적 미세함이나 현장의 전체적인 이력을 모두 고려할 수는 없습니다. 위험이 불분명하거나 입력 데이터가 불완전한 경계 사례의 경우, 시스템은 자격을 갖춘 엔지니어에 의한 추가 조사를 권고하도록 프로그래밍되어 있습니다. 연구는 이 자동화된 프레임워크가 지진 위험 평가의 접근성과 효율성을 크게 향 향상시키지만, 엔지니어가 구축하는 구조물의 안전에 집중할 수 있도록 반복적인 데이터 작업을 처리해 주는 인간 전문성의 파트너로서 작동할 때 가장 효과적이라는 결론을 내렸습니다.