1. 서 론

국내에서 처음으로 큰 피해를 입힌 2016년의 9.12지진 이후 187개의 지진관측소가 신설되어, 현재 국내에는 기상청 외 정부기관(한국지질자원연구원, 한국농어촌공사, 한국원자력안전기술원, 한국수자원공사 등)에서 지진 관측 및 계측의 목적으로 약 700여 개소의 관측망이 구축되어 있다(^{KMA, 2019a}). 하지만, 여전히 지진조기경보의 음영지역이 존재하며 피해가 발생한 지역의 정확한 진도추정을 위해서는 그 수가 충분하지 못한 상황이다. 하지만, 지진관측소 하나에 소요되는 예산이 크기 때문에 지진관측소의 수를 늘리는 것에는 제약이 따른다.

최근의 스마트폰은 가속도 MEMS (Micro Electro Mechanical Systems) 센서가 장착되어 있고, 무선통신으로 실시간 데이터 전송이 가능하다. 이러한 특징으로 인해 스마트폰을 국가지진관측 네트워크에 보조적인 수단으로 활용할 수 있다. MEMS 센서를 통한 지진관측 네트워크의 개발은 이미 여러 국가에서 활발하게 연구되고 있다. ^{Kong et al.(2016)}은 스마트폰 MEMS 센서를 사용하여 지진을 감지하는 시스템인 MyShake를 개발하여 지진 조기경보(Earthquake Early Warning, EEW)를 향상시킬 수 있도록 하였고, ^{Cochran et al.(2009)}의 Quake-Catcher Network (QCN) 및 ^{Clayton et al.(2011)}의 Community Seismic Network (CSN)는 건물에 설치된 MEMS를 사용하여 지진을 감지할 수 있는 시스템을 구축한 바 있다.

국내에서도 MEMS 센서의 지진계로서의 활용 가능성을 살펴보기 위해 현재 지진관측소 사이 음영지역의 다양한 건물에 센서를 설치하고 그로부터 추출한 관측기록을 활용하여 센서가 감지할 수 있는 지진의 규모를 파악하는 연구가 진행되고 있다(^{KMA, 2019b}). 해당 연구의 MEMS 센서는 SK Telecom이 개발하고 경북대학교에서 기술 자문을 받은 센서로, 무선통신망을 통해 SK Telecom으로 실시간 데이터를 전송한다. 최근 2,700여 개의 센서가 국내 전역에 설치되었으며, 본 연구에서도 해당 MEMS 센서를 지진관측소 기록과 비교를 위한 용도로 활용하였다. Fig. 1은 MEMS 센서의 사진이며 이 센서를 MEMS_KP로 지칭하겠다. 그러나, 현재 활용된 MEMS 센서는 10 km 이내의 규모 3.5이상의 지진을 감지할 수 있는 수준으로 소규모 지진을 감지하지 못해 지속적인 연구개발이 필요하다(^{KMA, 2019b}). 또한, MEMS_KP가 설치된 이후 관측 가능한 지진의 감지 기록이 2020년도 3월 경남 산청에서 발생한 지진밖에 없으므로, 본 연구에서는 기설치된 스마트폰 MEMS 센서가 감지한 지진기록을 통한 분석을 진행하였다.

Fig. 1.

MEMS Sensor (MEMS_KP) from SK Telecom (^{KMA, 2019b})

Fig. 2는 기상청(KMA)과 한국지질자원연구원(KIGAM)의 지진관측소 468개소와 국내 영남권에 시범적으로 설치된 스마트폰 총 279개의 위치를 도시한다. Fig. 2에서 스마트폰 MEMS 센서가 영남권에 조밀하게 설치된 모습을 볼 수 있는데, 이는 국내 액상화를 발생시킨 2017년의 포항지진과 같이 한반도 내 영남권에서 발생하는 지진이 크고 잦기 때문에 보다 가까운 지진을 빠르게 파악하기 위함이다. 센서의 유지, 보수 및 추후 관리의 편의성을 고려하여 Fig. 3과 같이 음영지역 내 위치한 기존 구조물의 바닥면에 스마트폰을 설치하였다(^{Huang et al., 2020}). 보안 관리가 되지 않는 문제로 구조물의 1층에 설치가 어려운 곳은 구조물 상층부에 설치하였다. 이후 본 논문에서는 스마트폰 MEMS 센서를 MEMS_SP로 지칭하겠다.

Fig. 2.

Location of Seismic Stations, Smartphone MEMS Sensors, and Epicenters of Five 2019 Earthquakes

Fig. 3.

Installation of Smartphone MEMS Sensors (MEMS_SP) on Floors (^{Huang et al., 2020})

지표형 지진관측소의 지진관측기록은 지표면 기준 진도 측정 시 관측된 데이터를 직접 사용할 수 있다. 하지만 보조 지진관측망인 스마트폰 MEMS 센서의 관측기록은 지진 시 구조물에 의한 거동을 포함하고 있으므로 스마트폰 기록으로 지표면 기준 진도추정을 위해서는 구조물의 응답을 제거해 주어야 한다. 따라서, 본 연구에서는 먼저 지진관측소 지진계와 동일한 위치에 설치된 MEMS_KP의 기록을 지진계 기록과 비교하여 MEMS 센서 기록의 유효성을 검증하였다. 그 후, 2019년에 발생한 국내 지진 5개에 대한 지진관측소 지진계 기록과 구조물에 설치된 MEMS_SP의 관측기록을 이용하여 지진관측소 지진계 기록의 최대지반가속도(Peak Ground Acceleration, PGA)에 맞는 지반운동예측식(Ground Motion Prediction Equation, GMPE)을 설정한 후, GMPE 예측치와 스마트폰 MEMS 센서의 최대수평가속도(Peak Horizontal Acceleration, PHA)와의 잔차 분석을 진행하였다. 최종적으로 스마트폰 MEMS 센서 설치 층수에 대한 잔차의 경향을 분석해 보았다.

2. 관측기록과 전처리

지진관측소와 MEMS_SP는 모든 진동을 관측하기 때문에, 센서들의 원본 시간 이력 기록은 지진동뿐만이 아닌 주변에 존재하는 미세진동인 배경 잡음과 센서마다 가지고 있는 자체 노이즈까지 포함한다. 따라서 지진에 의한 진동의 크기를 적절히 표현하기 위해서는 배경 잡음과 센서 노이즈를 필터링하는 전처리 과정이 필수적이다. 특히, 연구에서 활용된 MEMS 센서는 ^{Lee and Kwon(2020)}에서 언급된 것처럼 센서 자체 노이즈가 커 규모 3.5 이하인 지진 신호의 복원에 한계가 있는 만큼 전처리 과정은 필수적이다.

2.1 관측기록

지진관측소와 MEMS_SP에서의 관측기록의 비교분석을 위해 2019년도 영남권에서 발생한 규모 2.5이상의 5개 지진에 대한 기록을 수집하였다(^{KMA, 2020a}; ^{KMA 2020b}). 그 결과, 지진관측소에서 기록된 321개 데이터와 MEMS_SP에서 기록된 145개의 지진 기록이 수집되었다. 이때, MEMS_SP는 평균적으로 10 km 이내의 3.5 이상의 지진만을 감지할 수 있기 때문에 민감도가 뛰어난 지진관측소의 지진계 기록보다 적은 수의 관측데이터가 수집되었다(^{Lee and Kwon, 2020}). 연구에 사용된 5개 지진의 위치, 발생 일자, 규모 정보는 Table 1에 표기되어 있다.

2.2 관측기록의 전처리

2.2.1 지진관측소 기록의 전처리

지진관측소 기록의 배경 잡음의 필터링은 유효한 지진동 크기를 유추하기 위해 필수적이다(^{KMA, 2019a}). 지진관측소 기록의 Sampling rate는 100 Hz (=1/100초)이며, 필터링은 R Code를 활용하여 진행하였다(^{R Core Team, 2019}). 다음은 필터링 절차이다.

(1) 관측소까지의 P파 도달 시간을 계산한 후, P파 도달 시간의 이전 기록들을 배경 잡음으로 간주한다. P파 도달 시간 시간을 파악하기 어려운 경우, 추정 P파 시작 시점을 활용한다(^{KMA, 2019a}).

(2) 전체 지진파와 배경 잡음을 각각 푸리에 진폭 스펙트럼(Fourier Amplitude Spectrum, FAS)으로 표현하고 배경잡음에 band- pass filter 적용을 위한 코너주파수를 결정한다. 배경 잡음은 저주파수 대역에서 증폭하는 현상이 보이기 때문에 전체 지진파에서 저주파 부분의 FAS가 증가하는 부분을 High-pass filter 코너주파수(fcHP)로 사용한다. 이때, 관측된 가속도 기록을 적분하여 변위 기록을 생성하고 배경 잡음이 크게 증폭하지 않은 수준일 때의 fcHP를 사용하도록 한다. 사용한 High-pass filter의 식은 Eq. (1)과 같으며, n은 2로 설정한다.

(3) 지진관측소의 지진계는 고성능 지진계를 사용하여 고주파수에서의 노이즈의 영향은 크지 않다. 따라서 Low-pass filter 코너주파수(fcLP)는 50 Hz로 고정한다. Low-pass filter의 식은 Eq. (2)와 같다. High-pass filter와 마찬가지로 n은 2로 설정한다.

(4) 결정한 코너주파수와 Eqs. (1) and (2)를 통해 Acausal Butterworth band-pass 필터를 생성할 수 있으며, 이를 통해 fcHP보다 작고 fcLP보다 큰 주파수 영역의 배경 잡음을 필터링한다.

(5) 역 푸리에변환을 통해 필터링 된 지진파 시간 이력 기록을 추출한다.

(6) 지진파 시간 이력에서 PGA를 포함한 계기진도(Intensity Measure, IM)를 산출하고, PGA의 두 수평성분을 기하평균하여 최종 PGA로 결정한다.

위의 필터링 과정 중 관측된 가속도 기록에 적분 과정을 거쳐 변위에 대한 기록을 생성하기 때문에 변위에 대한 시간 이력에는 기본선이 발산하는 경우가 생긴다. 따라서 변위 데이터에 대하여 기본선 보정(Baseline correction) 작업을 다음과 같이 수행하였다.

(1) 우선 가속도 시간 이력을 두 번 적분하여 도출한 변위 시간 이력에 대하여 4차 다항식의 추세 곡선을 만든다.

(2) 이 추세 곡선을 변위에서 제거하여 지진 응답 이후 변위 시간 이력의 수렴성을 판단한다.

(3) 그 후, 추세 곡선을 두 번 미분하여 실제 가속도 기록에서 제거한다.

Fig. 4는 앞선 지진파 관측기록의 배경 잡음 제거를 위한 필터링 과정의 절차를 보여준다(^{Choi et al., 2019}).

Fig. 4.

Filtering Process of Seismic Motions (^{Choi et al., 2019})

2.2.2 MEMS 센서 기록의 전처리

MEMS_SP 기록의 필터링은 Fig. 4와 같이 지진관측소 기록의 필터링과 같은 순서를 통하여 진행한다. MEMS_SP의 Sampling rate 또한 지진관측소와 같이 100 Hz 이지만, 지진관측소 기록의 필터링과 달리 MEMS_SP의 기록은 고주파수의 노이즈가 상당하므로 band-pass 필터 생성 시 fcLP를 50 Hz로 고정하지 않고 고주파 부분의 FAS가 증가하는 부분으로 선택하여야 한다. 또한, 앞서 언급했듯이 MEMS 센서는 자체 노이즈의 최대가속도크기가 0.003 g – 0.004 g 정도의 비교적 큰 값을 가지기 때문에 지진파 시작인 P파 도달 시간의 선택이 어려운 경우가 많다. 따라서 P파 도달 시간을 명확히 판단할 수 있는 경우를 제외하고, MEMS 센서에서 기록된 데이터의 PHA가 0.004 g 이상인 기록만을 사용하였다. 진앙거리와 P파 도달 시간의 상관관계를 파악하기 위해, PHA와 P파 도달 시간과의 시간 차이를 지진관측소 기록들의 PGA와 P파 도달 시간과의 시간 차이로부터 얻어 추정식을 도출한 다음, MEMS 센서 기록에 적용하여 P파 도달 시간을 추정하였다. 동서 방향(EW), 남북 방향(NS) 및 수직 방향(UD)에서 관측된 최대가속도의 시간과 추정된 P파 도달 시간에는 조금씩 차이가 발생한다. 따라서, 순수 지진파의 데이터가 잡음으로 처리되는 것을 방지하기 위하여 세 방향 중 가장 앞선 시간을 P파 도달 시간으로 판단하였다. 추정된 EW, NS, UD 방향의 거리에 따른 지진관측소의 PGA와 P파 도달 시간 사이의 시간 간격 회귀모델을 Fig. 5에 도시하였다. 이를 통해 MEMS_SP의 불확실한 P파 도달 시간을 유추할 수 있다. 회귀 분석에 사용된 지진 기록은 총 32개의 이벤트이며 2019년도 5개 지진과 신뢰도를 위해 추가된 2015년도 27개 지진(Table 2 참고)을 사용하였다.

Fig. 5.

Epicentral Distance (R_epic) vs. PGA to P-wave Arrival Time Interval for (a) EW, (b) NS, and (c) UD Directions from 32 Earthquake Events

Fig. 6은 P파 도달 시간 추정 모델로부터 결정한 P파 도달 시간을 나타낸다. 지진파의 크기가 크지 않기에 시간이력만으로 P파 시작시간을 판단하기는 쉽지 않으나, 거리에 따른 P파 도달 시간 추정으로부터 대략적인 지진파 시작 시간을 결정할 수 있다.

Fig. 6.

Fig. 6. Acceleration of SMP259 Smartphone MEMS Sensor for Time History with Estimated P-wave Arrival Time

2.2.3 전처리 기록의 유효성 검증

MEMS 센서 기록에 필터링을 적용한 후 실제 지진관측소 기록과 비교한다면 전처리된 MEMS 센서 기록의 신뢰도를 분석할 수 있다. 이를 위해 기상청 관측소 BAU 및 KCH2의 지진계와 동일한 바닥면에 설치된 SJR35와 SJR3T MEMS 센서 기록을 분석하였다. 본 절에서 활용한 센서들은 MEMS_KP이며 기상청에서 보조 관측망 설치에 활용 예정인 센서이다. MEMS_KP또한 MEMS_SP와 같은 필터링 과정을 거쳐 노이즈를 제거하였다. Fig. 7은 기상청 지진관측소와 지진관측소 함체 내 설치된 MEMS 센서 설치 사진 예시를 나타낸다. 총 2세트의 기상청 지진계와 MEMS 센서는 2020년 3월 20일 경남 산청군에서 발생한 규모 2.7의 지진을 성공적으로 기록하였다. Fig. 8은 BAU와 SJR35 MEMS 센서, 그리고 KCH2와 SJR3T MEMS 센서의 관측기록에 대한 필터링 전후의 시간 이력을 도시한다. MEMS 센서의 기록이 고주파수의 노이즈에 의해 관측소 기록의 PHA보다 큰 PHA를 나타내나, 전처리를 거치고 나면 관측소 기록의 PHA와 유사해 지는 것을 확인할 수 있다. 관측소 지진계 기록은 노이즈의 크기가 작아 필터링 전후의 차이가 크지 않다.

Fig. 7.

Examples of (a) KMA Seismic Station, and (b) Installation of MEMS Sensor in Seismic Station

Fig. 8.

Comparison of Seismic Stations (SS) and MEMS Sensors (MS) Records Before/After Filtering (2020.03.20. Earthquake, M=2.7)

3. 지진관측소와 스마트폰 MEMS 센서(MEMS_SP)의 관측기록 비교

3.1 지반운동예측식과 고정효과

지반운동예측식(Ground Motion Prediction Equation, GMPE)은 지반의 운동 특성을 나타내는 계기진도(Intensity Measure, IM)를 경험적인 방법을 통해 예측하는 방정식이다. Pacific Earthquake Engineering Research Center (PEER)의 NGA-West2 프로젝트는 전 세계 대규모 활성단층 지진기록과 미국 서부에서 발생한 규모 3.0부터 5.5의 지진기록을 사용하여 GMPE를 개발하였다(^{Ancheta et al., 2014}; ^{Bozorgnia et al., 2014}). PEER의 NGA-East 프로젝트는 규모 2.5 이상인 82개 지진을 통해 미국과 캐나다의 대부분을 포함하는 미국 중동부 지역인 안정화된 대륙지역의 GMPE를 개발하였다(Goulet et al., 2014). 또한, Kotha et al.(2018)은 일본의 KIK-net 데이터를 활용하여 규모 3.4에서 7.3이며 Rjb가 0부터 600 km인 활성 천발 지진의 GMPE를 도출하였다. 국내 지진파를 고려하여 개발된 GMPE로는 ^{Yun et al.(2008)}과 ^{Emolo et al.(2015)}의 모델 등이 있다. ^{Yun et al.(2008)}은 기반암 기준 모델로, 표층의 IM예측을 위해서는 부지보정이 필요하고, ^{Emolo et al.(2015)}의 모델은 큰 규모에서 추정값이 과대 예측되는 단점이 있다.

본 연구에서는 지진을 관측한 지진관측소 지진계와 MEMS_SP의 설치 위치 및 여러 조건이 상이하기 때문에 두 관측기록을 직접 비교할 수는 없다. 그러나, 국내 지반 조건에 맞는 GMPE를 활용하여 추정된 IM의 비교 분석을 진행한다면 MEMS_SP 관측기록의 유효성 판단이 가능하다. 본 연구에서 선택한 GMPE는 NGA- West2의 ^{Boore et al.(2014)} (BSSA14)모델로, 부지효과 및 큰 규모를 고려할 수 있으며, 입력파라메타가 타 NGA-West2모델에 비해 상대적으로 단순하다. Eq. (3)은 BSSA14 모델의 추정식을 나타내며 Y, F_E, F_P, F_S와 ${\epsilon }_n$는 각각 지진파의 IMs, 지진 이벤트 관련 함수, 거리 관련 함수, 부지 관련 함수와 추정식의 불확실성을 의미한다. 이격거리로 단층을 표면으로 정사영 시켰을 때의 최근접 거리인 R_jb가 사용되는데, 지진의 규모가 작아 단층의 파괴면이 크지 않다면 R_jb 대신 진앙거리인 R_epic을 사용하여도 큰 오차가 발생하지 않는다.

Eq. (3)의 F_S를 위해 지진관측소 및 MEMS_SP가 설치된 지역의 V_S30을 적용하였다. 이때, 해당 지역의 V_S30은 ^{Choi et al.(2020)}의 V_S30지도로부터 획득한 V_S30을 활용하였다. Table 3은 MEMS_SP 위치에서의 추정 V_S30을 나타낸다. V_S=1 km/s 까지의 깊이인 z₁값은 데이터의 부재로 고려하지 않았다.

또한, 추정값의 불확실성을 감소시키기 위하여 고정효과(Event term, ${\eta }_i$)를 고려하였다. 고정효과는 각각의 지진 이벤트마다 존재하는 불확실성으로, 하나의 지진 이벤트에 대해 지진관측소 기록으로부터 얻은 잔차(Residual)의 평균으로 간주하였다. 지진 기록이 다수일 경우 이러한 방법은 유효하다(^{Abrahamson and Young, 1992}). 여기서 잔차(Residual)란 관측치와 GMPE로부터 예측된 값의 로그에서의 차이를 의미한다(Eq. (4)).

Fig. 9(a)는 고정효과를 판단하는 예시이며 2019년 2월 10일에 포항에서 발생한 규모 4.1 지진에 대해 지진관측소 32개소의 고정효과 고려 전의 진앙거리별 잔차와 평균을 도시하였다. 해당 지진 이벤트에서 잔차의 평균은 1.14로 이 값을 고정효과로 판단하고 지진관측소 기록(Seismic Stations, SS)과 MEMS 센서 기록(MEMS Sensors, MS)에 보정하였다. Fig. 9(b)에서 지진관측소 전체 기록에 대해 고정효과 보정 여부에 따른 잔차 평균의 차이를 볼 수 있다. 고정효과 보정 후 전체 이벤트의 잔차의 평균은 0으로 수렴하지만, 보정 전 기록은 1.06의 평균 오차가 발생하는 것을 알 수 있다.

Fig. 9.

(a) Residuals and Event Term ( ${\eta }_i$) of 2019.02.10. M=4.1 Pohang Earthquake and (b) Differences in Average Residual with or without Event Term ( ${\eta }_i$) Consideration for All Five Earthquakes Considered in This Study

3.2 MEMS 센서 잔차 분석

Fig. 10은 2019년도 5개 지진에 대한 지진관측소 기록과 MEMS_SP의 고정효과 보정 후의 잔차 분석 결과를 보여준다. 지진관측소 기록은 고정효과 고려 시 Fig. 9(b)와 마찬가지로 0의 잔차를 가지며, 진앙거리에 따른 특별한 경향을 보이지 않는다. 이로 말미암아 BSSA14 모델이 진앙거리에 따라 치우치지 않는 PGA의 예측값을 보여준다고 판단할 수 있다. MEMS_SP의 경우는 자연대수 평균 잔차의 평균이 0.59 정도로 실제 관측된 PHA 값이 지진관측소 기록으로부터 보정된 추정치보다 더 큰 값을 나타낸다. 이는 MEMS_SP가 지표형 지진관측소보다 약 1.8배 정도 증폭된 PHA 값을 관측하였다는 것을 의미한다. 따라서, MEMS_SP가 감지한 기록에 0.56배를 곱한다면 평균적으로 보정된 지표면 기준의 진도를 추정할 수 있다.

Fig. 10.

Residual Analysis of Seismic Stations (SS) and MEMS Sensors (MS) Records. Epicentral Distance vs. Residua

4. 스마트폰 MEMS 센서(MEMS_SP) 설치 층수의 영향

MEMS_SP는 전술한 바와 같이 구조물 안에 설치되어 있어 구조물 응답의 영향을 받는다. Fig. 11은 설치 층수에 따른 MEMS_SP 기록의 PHA 잔차와 그에 대한 선형 추세선을 표현하였다. 데이터의 수가 적고 낮은 층수에 몰려있어 정확한 분석이 되기에는 한계가 있지만, 대체적으로 층수가 커질수록 잔차가 줄어들고 더 작은 PHA가 관측되는 양상을 보인다.

Fig. 11.

Fig. 11. Residuals of MEMS Sensor Records Versus Floor Locations with Trend Line

먼저, 이러한 잔차의 감소 경향을 알아보기 위해 사용한 5개 지진의 응답스펙트럼을 살펴보았다. Fig. 12는 설치된 MEMS_SP와 가까운 지역에 있는 지진관측소 30개소의 2019년도 5개 지진에 대한 평균 응답스펙트럼을 보여준다. 전처리 과정을 거친 데이터를 사용하였으며 스펙트럴 가속도(Spectral Acceleration, S_a)를 해당 지진관측소의 관측된 PGA로 나누어 정규화된 스펙트럴 가속도(Normalized Spectral Acceleration, N.S_a)로 표현하였다. 본 연구에서 활용한 지진은 규모가 2.5-4.1사이의 소규모 지진으로써 단주기 성분이 우세한 응답스펙트럼을 보인다. 즉, 이번 연구에 사용된 지진파는 평균적으로 고유주기 0.1초 이후에 주기가 길어질수록 응답스펙트럼이 낮아진다. 이를 통해 Fig. 11에 도시된 MEMS_SP 기록의 잔차의 경향성을 설명할 수 있다. 일반적으로, 단층 건물의 고유주기는 현행 구조설계 기준인 KBC 2016의 고유주기 약산법에 따라 0.1-0.3초의 범위로 구해지며 구조물의 종류에 따라 다르지만, 평균적으로 층당 0.1초씩 증가한다(^{AIK, 2016}). 또한, MEMS_SP의 설치 층수를 구조물의 최고층으로 가정한다면 층수가 커질수록 구조물의 고유주기가 높아진다. 따라서 층수가 높아질수록 N.S_a는 감소하며, 구조물에서 관측되는 PHA는 자유장의 PGA대비 그 크기가 작아진다고 판단할 수 있다. 두 번째로, 잔차의 감소 경향은 지반구조물상호작용(Soil Structure Interaction, SSI)에 의한 결과일 수 있다. 지반과 구조물은 완벽하게 밀착해 있지 않기 때문에 외부 진동에 의해 상호작용을 일으킨다. SSI를 고려한다면 상호작용에 의해 응답스펙트럼의 크기가 작아지는 동시에 구조물의 고유주기가 길어지게 된다(^{Yoo et al., 2014}). 그 결과, 단주기 영역에서는 같은 주기일 경우 기존보다 큰 응답스펙트럼을 가지게 되며 장주기 영역에서는 더 작은 응답스펙트럼을 가지게 된다. 따라서 단주기 영역에 존재하는 저층 구조물의 경우 장주기 영역의 고층 구조물보다 큰 응답스펙트럼을 가지게 된다. 따라서, Fig. 11의 층수가 높아짐에 따라 잔차가 줄어드는 경향은 N.S_a의 경향과 SSI를 고려한다면 타당한 결과라고 할 수 있다. 그러나, 앞의 두 가지 분석 모두 규모가 큰 지진에 대해서는 장주기 성분이 우세하여 일정 고유주기 영역에서 정반대의 양상을 보일 수도 있을 것이다.

Fig. 12.

Average of Response Spectra of Seismic Stations Close to Smartphone MEMS Sensors for 5 Earthquakes

Fig. 11의 회귀분석 모델은 단순히 MEMS_SP의 설치 층수만을 고려한 것으로, 구조물의 종류, 총 층수, 연면적 등이 고려되어 있지 않아, 각 MEMS 센서별 상세한 지표면 기준의 진도를 추정하는 것은 불가능하다. MEMS 센서가 설치된 구조물은 실제로는 여러 질점계를 갖는 Multi Degree of Freedom (MDOF) 시스템으로, 단순한 Single Degree of Freedom (SDOF) S_a가 아닌 총 층수와 설치 층수를 따로 고려해야 더 정확한 결과를 얻을 수 있을 것이다.

5. 결 론

본 연구에서는 MEMS_SP의 보조 지진관측망으로써의 사용 여부 판단을 위해 지진관측소의 지진계 기록과 MEMS_SP 관측기록을 비교 및 분석하였다. 비교를 위해 지진 이벤트별 불확실성인 고정효과를 고려하여 실제 관측값의 PGA와 추정 PGA를 비교하는 잔차 분석을 진행하였다. 2019년도 5개 지진을 통한 잔차 분석 결과, 지진관측소 데이터의 평균 잔차는 0이며 진앙거리에 따라 고른 분포를 보이므로, 선택한 지반운동예측식인 BSSA14 모델이 국내 지진환경에 적용 가능하다는 것을 확인하였다. MEMS_SP의 자연대수 평균 잔차는 0.59로 BSSA14 모델의 추정치 보다 약 1.8배 큰 PHA가 도출되었다. 이는 다음과 같은 원인에 기인한다.

(1) MEMS_SP는 구조물 내에 설치되어 있기 때문에 지진 발생 시 구조물의 응답을 포함하는 PHA 값을 관측한다.

(2) MEMS_SP의 설치 층수가 높을수록 잔차가 낮아지는데, 이는 지진파 응답스펙트럼 분석 시 0.1초 이상 경향과 비슷하며, 지반구조물상호작용을 고려한다면 타당한 결과로 판단된다.

그러나, 이 결과는 현시점까지의 적은 지진기록과 규모가 작은 지진기록의 한정적인 데이터를 분석한 결과이기 때문에, 추가적인 관측 데이터의 분석이 필요하다. 또한, 본 연구에서는 MEMS_SP와 MEMS_KP를 같은 MEMS 센서로 간주하였지만 두 센서를 비교하여 분석을 진행한다면 더 높은 신뢰성을 가질 수 있을 것으로 생각한다. 현재 MEMS 센서를 통하여 상시 모니터링을 진행 중이며, 추후 MEMS 센서가 설치된 구조물의 응답을 고려하는 연구를 진행하여 MEMS_SP에서 관측된 PGA 값의 신뢰도에 관한 연구를 이어 나갈 계획이다.