This research aims to develop a debris-flow hazard assessment framework to provide quantitative hazard information by estimating three input parameters (initial volume, entrainment growth rate, and bulk basal friction angle) of a dynamic DAN3D model for debris-flow predictive modeling. The proposed framework comprises of the five following main processes: (1) artificial neural network (ANN)-based shallow landslide susceptibility analysis to determine potential hazardous areas at a large scale; (2) debris-flow volume prediction analysis to provide a potential value of debris-flow volume, which can be utilized to obtain the entrainment growth rate value; (3) predictive debris-flow hazard analysis: (3-1) physically-based landslide analysis to estimate landslide sources among the highly susceptible areas; (3-2) application of a local geomorphological initiation criterion to extract initial debris-flow volume among the landslide sources; (3-3) debris-flow run-out analysis based on a parameterized bulk friction angle database established through the back-analysis of past debris-flow events within similar geo-environmental conditions by applying the Monte Carlo method. Through these processes, debris-flow starting points, initial volume, final volume, behavior change along the channel path, and probabilistic information on debris-flow velocity and thickness can be obtained.
First, in the ANN-based landslide susceptibility analysis stage, a total of 151 historical landslide events and 20 predisposing factors consisting of geographic information system (GIS)-based morphological, hydrological, geological, and land cover datasets were constructed with a resolution of 5 x 5 m. The collected datasets were applied to information gain ratio analysis to confirm the predictive power and multicollinearity diagnosis to ensure the correlation of independence among the landslide predisposing factors. Overall, the model with the best performance was the ANN model with the logistic sigmoid activation function in the output layer and the hyperbolic tangent sigmoid activation function with five neurons in the hidden layer. This model was used to reduce the area to be applied when performing physically-based landslide analysis.
Second, in the debris-flow volume prediction analysis stage, an ANN model was developed to predict debris-flow volume based on 63 historical events. A total of 15 predisposing candidates of morphological, rainfall, and geological types were constructed from data obtained from the central region of South Korea. Among these data, four predisposing factors (watershed area, channel length, watershed relief, and continuous rainfall) were selected based on Pearson’s correlation analysis to check for significant correlations with debris-flow volume. In addition, in a comparative study with other existing regression models, the ANN model showed better results in terms of adjusted $R^2$ value (0.911) using all datasets.
Third, in the predictive debris-flow run-out analysis stage, the factor of safety was calculated according to rainfall duration by combining 1-dimensional rainfall infiltration analysis and infinite slope stability analysis in a Raemian watershed located in the northern slope of Mt Umyeon. The results showed that the factor of safety decreased to 1.3 or less two hours before the actual landslide occurred, and the unstable area increased as rainfall continued. As a result of applying the debris-flow initiation criterion in unstable areas, it was confirmed that the initial volume was generated at the time of the actual debris-flow occurrence. Lastly, Monte Carlo simulation was applied to analyze the velocity and thickness of the debris-flow in the Raemian region using the basal friction angle (rheological parameter) database constructed by performing back-analysis of 37 past debris-flow events. As a result of the Monte Carlo simulation, the measured debris-flow velocity and thickness corresponded to the 99% quantile of the cumulative distribution function in the Raemian region. This was attributed to the fact that a large amount of rainfall run-off occurred simultaneously at the actual debris-flow initiation time.
In order to validate the applicability of the suggested framework, a case study was applied and tested in the Raemian watershed, where catastrophic damage was caused by debris-flows that were recorded in detail. According to a comparison between the landslide inventory map and recorded debris-flow evidence, the application of the framework produced reasonable estimates of the debris-flow initiation time and location, thickness, velocity, volume, and flow-path. Based on the hazard information, efficient locations for check dams were suggested adjacent to the locations of potential initiation areas and perpendicular to the flow-path with consideration of vulnerability analysis results. As a result of numerical analysis, the vulnerability of structures was analyzed as acceptable when two check dams are installed at the start and end paths of potential initiation points. Thus, it was confirmed that it is possible to design check dams on the basis of the hazard information of debris-flow derived from the suggested framework in this study. However, since this study did not consider the size of the check dams and its effects, a follow-up study should focus on developing high-efficiency and eco-friendly check dam designs. Nevertheless, the framework developed in this study is vital as it is necessary to consider predicted debris-flow hazards when planning countermeasures and developing cities around mountainous regions. As a final conclusion, the suggested framework can become a powerful tool for decision-makers for disaster preparation if it is verified and corrected with improvements according to local conditions.
본 연구에서는 토석류 수치해석 모델인 DAN3D의 세가지 주요 입력변수(초기 부피, 연행증가율, 바닥부마찰각)를 추정하여 사방댐 설계 시 필요로 하는 토석류 거동의 정량적 정보를 예측하기위한 체계 개발을 목표로 하였다. 제안된 체계는 다음과 같은 다섯 가지 단계로 구성된다. (1) 인공 신경망 모델 기반의 산사태 민감도 분석; (2) 인공 신경망 모델 기반의 토석류 부피 예측 분석; (3) 토석류 거동 예측 분석: (3-1) 민감도가 높은 지역을 대상으로 물리 기반 산사태 분석; (3-2) 토석류 초기부피 추출을 위한 전이규준 적용 및 연행증가율 계산; (3-3) 역해석을 통해 구축된 바닥부 마찰각의 모수화 및 몬테카를로 방법을 적용한 토석류 거동 예측 분석. 본 체계를 통해 도출되는 최종 결과물은 토석류 속도 및 두께에 대한 확률론적 정보와 발생 위치, 최종 부피, 이동 경로에 따른 속도, 두께, 부피 변화를 포함한다.
먼저 인공 신경망 모형 기반의 산사태 민감도 분석 단계에서는 우면산 지역을 대상으로 151개 산사태 이력 자료 및 GIS 기반의 20가지 산사태 영향 인자를 구축하였으며, 그 중 산사태 예측에 영향력이 크고 서로간의 상관성이 없는 11가지 변수 선택 과정과 인공 신경망 모형의 활성화 함수 및 은닉층의 뉴런 개수 결정을 위한 방법을 제안하였다. 최종적으로 은닉층에 5개의 뉴런과 tangent-sigmoid 함수 및 출력층에 log-sigmoid로 구성된 모델이 최적 성능을 나타냄을 확인하였다. 본 모델은 물리 기반 산사태 분석 시 적용대상 지역을 축소하는 용도로 활용되었다.
두번째로 토석류 부피 예측 분석 단계에서는 우리나라 중부지방(서울 우면산, 용인, 여주)에서 발생한 63개소 토석류 이력 자료를 바탕으로 인공 신경망 모델을 개발하였다. 총 15개 영향 인자를 구축하였고, 그 중 토석류 부피 값과 상관성이 큰 4가지 인자(유역 면적, 계곡부 길이, 유역 고도차, 연속강우량)를 선택하였다. 최종적으로 개발된 모델은 기존 연구자들이 제안한 회귀분석 모델과의 비교를 통해 본 모델의 성능이 높음을 확인하였다.
세번째로 물리 기반 산사태 분석 단계에서는 우면산 래미안 지역을 대상으로 1차원 강우 침투 및 무한사면안정해석을 결합하여 강우지속시간에 따른 사면 안전율을 도출하였다. 해석 결과 실제 산사태가 발생하기 2시간 전부터 안전율 1.3이하로 감소하는 결과를 나타내었으며, 강우가 지속될수록 불안정한 지역의 면적은 증가하였다. 사면 불안정 지역을 대상으로 토석류 전이규준을 적용한 결과 실제 토석류가 발생한 시점에서 초기 부피가 발생함을 확인하였으며, 토석류 초기 부피와 최종부피 값을 통해 연행증가율을 도출하였다. 마지막으로 과거 토석류 37개소에 대한 역해석을 수행하여 구축된 바닥부 마찰각(유변학적 매개변수) 데이터베이스를 활용하여 우면산 래미안 지역의 토석류 속도 및 두께에 분석을 위해 몬테카를로 시뮬레이션을 적용하였다. 적용 결과 래미안 지역에서 실측된 토석류 속도 및 두께는 누적분포함수 상의 99%에 해당하는 결과를 나타내었다. 이는 토석류 발생 당시 초기 부피 발생과 동시에 많은 양의 강우 유출이 발생했기 때문으로 추정된다.
본 연구에서 제안된 체계는 2011년 7월 우면산 래미안 유역에서 발생한 토석류의 사례 연구를 통해 토석류가 발생한 시간, 위치, 두께, 속도, 부피 및 흐름 경로에 대한 합리적인 추정이 가능함을 확인하였다. 또한, 사례 연구 결과를 바탕으로 토석류 전이가 가능한 영역의 시작부와 말단부에 폐쇄형 사방댐이 설치되었을 때 토석류 방어가 가능한 것으로 분석되어, 본 체계에서 도출되는 토석류 정보를 기반으로 폐쇄형 사방댐의 설계가 가능함을 확인하였다. 그러나 본 연구에서는 사방댐 크기와 종류에 대한 영향을 고려하지 않았기 때문에 비용 효율이 높고 친환경적인 사방댐 설계를 위한 후속 연구가 수행되어야 한다. 그럼에도 본 토석류 위험평가체계는 개발이 요구되는 산악 지역 주변에서의 토석류에 의한 잠재적 위험을 저감하기 위한 도구로서 활용될 수 있으며, 지속적인 검증과 개선을 통해 선제적 재난 대응 체계 구축에 기여할 것으로 판단된다.
