1. 서 론

폭발 하중은 순간적으로 고에너지를 발산하여 구조물에 극한 수준의 충격력을 가함으로써 구조물과 인명에 막대한 피해를 유발한다. 특히 기둥과 같은 주요 구조부재에서 발생하는 국부 손상은 구조 전체의 연쇄 붕괴(Progressive Collapse)로 확장할 수 있으며, 그 영향은 대상 건물뿐만 아니라 인접 건물로까지 피해가 나타날 위험성이 높다. 따라서 구조물의 폭발 손상을 사전에 예측하고 적절한 보강 효과를 수립하는 기술은 안전 및 인명 보호 측면에서 필수적이다. 이에 따라 철근콘크리트(Reinforced Concrete, RC) 구조물의 내폭 성능 확보를 위한 평가 및 보강에 대한 연구가 지속적으로 수행되어 왔다. Kumar 등(2023)은 철근콘크리트 슬래브의 폭발 하중에 대한 손상 저항 특성을 실험적 및 해석적으로 종합 분석하였으며, 수치해석 모델이 실제 손상 양상과 유사한 결과를 도출하여 보강 설계에 활용 가능함을 확인하였다. Yuan 등(2017)은 유한요소해석기법(Finite Element Analysis, FEA)을 활용하여 실제 실험과 유사한 응답을 도출하며 구조 부재의 파괴 메커니즘을 정량화하였다.

FE 기반 시뮬레이션은 높은 정확도와 해석 신뢰도를 제공하나, 모델링 과정의 복잡성과 해석 시간 증가로 인해 다수 시나리오 분석 및 실시간 예측에 한계가 존재한다. 이러한 제약을 극복하기 위해 최근 기계학습(Machine Learning, ML)을 활용한 폭발 하중 구조 응답 예측 접근법이 제안되고 있다. Almustafa 등(2022)은 구조물의 폭발 응답에 기계학습을 적용하여 구조 세부 변수와 손상 간의 비선형적 관계를 효과적으로 학습하고 예측할 수 있음을 검증하였다.

기계학습 기반 예측 모델은 높은 정확도에도 불구하고 ‘블랙박스’ 특성으로 인해 예측 결과의 신뢰성과 해석 가능성 측면에서 한계가 있다. 이를 극복하기 위해 최근 모델의 예측 과정을 설명하고 주요 변수의 영향도를 시각화할 수 있는 설명 가능한 인공지능(Explainable Artificial Intelligence, xAI) 기술이 활용되고 있다. xAI는 학습된 모델의 예측 결과를 인간이 이해 가능한 방식으로 설명하여 의사결정의 투명성과 신뢰성을 향상시킬 수 있다. Widanage 등(2023)은 XGBoost 모델을 사용하여 구조물에 작용하는 폭발 하중을 예측하였으며, Shapley Additive Explanations(SHAP)를 통해 모델의 예측 결과 계산 과정과 이유를 설명하였다. Mir 등(2025)은 인화성 물질의 폭발 빈도를 예측하는 기계학습 모델을 개발하고, Local Interpretable Model-agnostic Explanation(LIME) 프레임워크를 통해 센서 위치와 증기 높이가 예측에 미치는 영향을 시각적으로 설명하였다. 그러나 기존 연구들은 xAI를 모델의 예측 정확도 개선을 위한 해석적 목적으로만 제한적으로 활용하였다.

본 연구는 xAI의 활용 목적을 기존의 정확도 개선을 위한 해석적 측면에서 한 단계 확장하여, 예측된 손상 결과에 기반한 내폭 보강 가능성을 분석하고자 한다. xAI를 활용하면 예측 모델이 도출한 결과에 대한 입력변수의 영향력과 기여도를 정량적으로 해석할 수 있어, 이는 보강 효과 수립에 중요한 근거가 된다. 본 연구에서는 RC 기둥의 손상 예측을 위한 기계학습 모델을 통해 생성된 데이터에 대하여 xAI 기법을 활용하여 연성 및 강성 관련 보강 변수의 손상 기여도를 정성적으로 분석하여, 추후 다양한 보강 효과 시나리오를 유도하는 새로운 방안을 제안한다. 이러한 접근법은 단순히 예측 성능에만 국한되지 않고, 예측된 정보를 설계적 실천으로 연결하는 ‘설명 기반 보강효과 도출’이라는 점에서 기존 연구들과 차별성을 갖는다.

2. xAI 기법을 통한 보강전략 도출 방법론

2.1 xAI 활용 보강전략 도출 프레임워크

Fig. 1은 폭발 하중에 대한 보강단계(Retrofit Level, RL)를 신속하게 평가하고, 목표 성능 달성을 위한 xAI 기반 보강 효과를 도출하는 프레임워크를 보여준다. RL은 구조물의 손상 수준에 따라 보강의 필요성과 시급성을 수치적으로 표현한 내폭 성능 기반 보강단계 지표를 의미한다. 전체 분석 흐름은 크게 두 단계로 구성된다: (1) 폭발 성능 평가 프로세스와 (2) Partial Dependence Plot(PDP)를 활용한 보강 효과 분석 프로세스.

Fig. 1.

xAI-based framework for development of blast performance assessment and retrofit strategy

첫 번째 단계에서는 주어진 입력 변수(기둥 상세 & 폭발 하중 시나리오)를 바탕으로 다양한 다단계형 기계학습 기반의 예측 모델(Multi-Stage ML)을 이용하여 기둥의 파괴유형 분류(stage-1)와 보강단계 예측(stage-2)을 수행한다. 파괴유형 분류의 경우 과거 연구에서 개발 및 검증된 기계학습 모델을 활용하여, 입력된 기둥의 상세에 따라 휨 또는 전단(Shear) 파괴를 신속하게 구분할 수 있다(Kim et al., 2024). 이후, 해당 모델을 통해 판별된 파괴유형에 따라 RL 예측 모델(폭발 손상 평가 데이터 생성)을 적용하여 RL-I, RL-II & RL-III 중 하나의 보강 수준을 산정한다. 이때 사용된 RL 판단 기준은 변위 기반 폭발 저항 성능 평가에 기반하여 설정하였다(ASCE, 2022).

2.2 손상 시나리오 설정 및 보강 전략 분석

xAI 기반 보강 효과 분석으로, PDP를 활용하여 입력변수의 변화가 특정 RL에 도달할 가능성(Predicted Probability)에 미치는 평균적인 영향을 평가한다. PDP는 하나의 입력변수를 변화시킬 때 나머지 변수들의 영향을 평균화하여 해당 변수의 단일 영향력을 추정하는 방식으로 구성되며, 변수 간 상호작용에 민감하지 않기 때문에 전체적인 경향성(증가/감소/무관) 분석에 효과적이다. PDP는 다음과 같은 수식으로 특정 변수에 대한 Predicted Probability(f_PDP)를 계산할 수 있다.

여기서, n은 변수들의 전체 샘플 수이며, x_s는 확인하고자 하는 목표 변수, x_-s⁽ⁱ⁾는 나머지 변수들의 i번째 샘플을 의미한다(Friedman, 2001; Molnar, 2022).

Fig. 2는 PDP 그래프의 경향에 따른 보강 측면 해석방법을 나타낸 개념도이다. 그래프는 다음과 같은 세 가지 주요 경향으로 분류될 수 있다. 먼저, 입력변수의 변화에도 불구하고 예측 확률이 일정하게 유지되는 구간(A. Flat Trend)이다. 해당 현상은 변수가 해당 RL 도달에 유의미한 영향을 주지 않음을 의미한다.

Fig. 2.

Concept of PDP-based retrofit scheme analysis

Table 1은 본 연구에서 제안하는 LOP 수준을 기준 기반 세 가지 RL 등급 출력변수를 나타낸다. 구조물의 손상 정도와 보강 필요성을 반영하기 위해 폭발 하중으로 인한 구조 부재의 손상 상태 및 위험도를 평가하는 연성도 기반 평가(Ductility Demand Based Evaluation Method)를 기반으로 정의되었다. 해당 평가기법은 ASCE(2022)에서 제시하는 단자유도 시스템(Single Degree Of Freedom,SDOF) 해석 기반 평가기법으로 연성도(μmax)값을 활용하며, 이에 대한 수식은 아래와 같다.

여기서, △max는 폭발 하중에 의한 기둥 부재의 횡 방향 최대 변위(mm)이다. △y는 비선형 정적해석을 통해 산정한 기둥 부재의 항복 변위(mm)이다. 폭발 하중에 의한 연성도는 기둥 부재의 손상 정도를 나타내며, 기반 평가를 통해 도출한 손상 수준은 UFC 3-340-02(2014)에서 LOP(Level of Protection) 수준으로 구분된다. 본 연구는 해당 LOP 수준을 기준을 바탕으로 다음과 같은 세 가지 RL 등급을 정의하였다. RL-I(Safe without Structural Retrofit)은 구조물이 손상이 거의 없고 구조적 보강 없이 안전한 상태이다. 이는 LOP I-II 범위(µ_max≤ 0.9)에 해당한다. RL-II(Safe with Structural Retrofit)는 구조적 손상은 존재하지만 붕괴되지 않은 상태로 보강에 의한 구조적 안전성을 확보할 수 있는 수준으로, LOP III-IV(0.9 ≤ µ_max≤ 2.0)에 해당한다. 마지막으로 RL-III(Irreparable)은 치명적인 손상이 발생해 부재가 기능을 상실한 상태로, 잔존 변형이 크고 잔해가 발생하는 수준이다(µ_max≥ 2.0 이상). 본 연구에서는 이 등급을 “보강 불가능” 상태로 간주하며 xAI 기반 보강효과 도출에서는 제외하였다.

해당 RL 수준을 기반으로 Fig. 2에 제시된 것과 같이 PDP 그래프의 경향을 본다면, Predicted Probability가 높은 위치에서 Flat Trend가 나타날 시에는 해당 지표의 보강 가능성이 높게 유지됨을 의미하지만, 낮은 위치에서 Flat Trend가 나타날 시에는 성능 수준까지의 보강 가능성이 없음을 나타낸다. 다음은 입력변수의 증가에 따라 RL 도달 확률이 상승하는 현상(B. Positive Slop)이다. 이는 해당 변수가 보강 시 성능 향상에 긍정적으로 기여함을 나타낸다. 예를 들어, RL-II에 대한 예측 확률이 일정 구간에서 급격히 증가하는 경우, 해당 입력변수 범위 내에서는 RL-II 수준 도달을 위한 효과적인 보강 가능성이 존재함을 의미한다. 마지막은 입력변수의 증가가 오히려 RL 도달 확률을 낮추는 현상(C. Negative Slop), 이는 보강 변수 증가가 특정 성능 도달에 부정적인 영향을 미치는 현상을 의미한다. 이는 일반적으로 철근비의 과보강이 수행되어 기둥의 취성파괴를 나타내거나, 보다 높은 보강 수준에 도달할 수 있는 확률이 높아질 때, 낮은 보강 수준의 그래프에서 나타날 수 있는 현상으로 예를 들어 RL-I과 RL-II 사이에서 Predicted Probability의 교차점 부근에서 발생한다.

Fig. 2의 상단에 나타난 것처럼 RL 분포 구간에 따라 해석 가능한 보강 수준을 나누어 효과적 판단을 할 수 있다. 먼저, 특정 RL이 그래프에 나타나지 않거나 매우 낮은 Predicted Probability에서 Flat Trend를 유지한다면, 이는 보강을 진행하더라도 해당 RL에 도달할 가능성이 거의 없음을 의미한다. 다음으로 RL-II이 Positive Slop 경향을 보인 후 해당 위치에서 Predicted Probability에서 Flat Trend를 유지하는 구간의 경우, RL-II 상태가 나타날 확률이 높은 것을 의미하며, 이는 해당 입력변수 구간에서는 RL-II까지의 보강이 실현 가능하다는 근거를 나타낸다. 다음으로 RL-I이 Positive Slop 경향을 보이며 RL-II과 교차되는 시점 이후의 구간은 RL-I 상태가 나타날 확률이 높은 것을 의미하며, 이는 해당 입력변수 구간에서는 적극적인 보강을 수행하지 않아도 안전한 구간을 의미한다.

3. 기계학습 모델 개발

3.1 입력 및 출력 데이터

Table 2는 RL 예측 모델에 활용한 입력변수(폭발 규모, 기둥 상세 그리고 파괴유형)를 의미한다. 폭발 규모의 경우 Hopkinson-Cranz Scaling Law를 통해 산정되는 Z값(Scaled Distance)으로 나타낼 수 있다. Z값은 폭발 하중에 영향을 미치는 최대 반사 압력, 최대 충격량, 하중 지속시간을 계산할 수 있는 지표이며, 이에 대한 수식은 아래와 같다(Conrath et al.,1999).

여기서, RD는 폭발물의 중심에서 구조물 표면까지의 수평거리(m)이며, WTNT는 TNT의 등가 질량(kg)이다.

구조 부재의 기본 특성은 기둥의 상세 조건에 따라 크게 좌우되며, 본 연구에서는 주철근비(ρ_long), 전단철근비(ρ_trans), 축하중비(Axial Load Ratio, ALE), 단면비(Sectional Aspect Ratio) 그리고 콘크리트 압축강도(Compression Strength, f’_c)의 변수들을 주요 입력으로 설정하였다. 기둥의 파괴유형은 Kim 등(2024)이 제안한 Failure Mode Decision Model을 통해 사전에 분류되며, 해당 모델은 결정트리(Decision Tree, DT) 기반으로 학습되었으며, 타 기법(ANN, KNN & RF) 대비 최대 16.5 %의 성능 향상을 보였다. 기둥 상세 변수 중 ρ_long은 강성 관련 변수로 ρ_trans는 연성 보강 변수로서 xAI 기반 보강 효과 분석에도 사용되었으며, 해당 단계에서 나머지 변수들은 예측 성능 저하를 방지하기 위해 고정값으로 처리하였다.

3.2 Retrofit Level 판정 모델 개발

3.1절에서 정의한 입력변수와 출력변수를 기반으로, 폭발 하중에 대한 철근콘크리트 기둥의 RL을 판정하는 기계학습 기반 예측 모델을 개발하였다. 학습에 사용된 데이터는 과거 연구에서 개발된 LS-DYNA 기반 FE 모델을 통해 생성된 시뮬레이션 결과로부터 총 866개 데이터가 확보되었다(Kim et al., 2023). 해당 데이터는 파괴유형별로 구분되어, 휨파괴 유형 데이터 216개, 전단파괴 유형 데이터 650개를 파괴유형별로 독립적인 RL 예측 모델 학습에 적용하였다. 모델 학습은 다양한 기계학습 알고리즘을 비교하여 가장 높은 예측 성능을 보인 학습기를 선정하였다. 이에는 의사결정트리(Decision Tree, DT), 판별분석(Discriminant Analysis), 나이브 베이즈(Naive Bayes, NB), 서포트 벡터 머신(Support Vector Machine, SVM), K-최근접 이웃(K-Nearest Neighbors, KNN), 인공신경망(Artificial Neural Network, ANN), 그리고 앙상블 학습기(Ensemble) 등이 포함된다. 각 모델의 예측 성능은 정밀도(Precision), 재현율(Recall), F-score, AUC(Area Under the ROC Curve)를 주요 평가지표로 분석하였다. F-score는 정밀도와 재현율의 조화 평균을 나타내는 지표로, 분류 모델의 예측 성능을 종합적으로 평가하는 데 사용되며, AUC는 참 양성(True Positive, TP)과 거짓 양성(False Positive, FP)의 관계를 곡선으로 나타낸 것으로, 값이 1에 가까울수록 모델이 우수한 성능을 나타냄을 의미한다. 모델의 검증은 전체 데이터에서 파괴유형별로 10%씩 별도 추출하여 수행하였으며, 휨파괴 유형은 22개, 전단파괴 유형은 65개의 검증 데이터를 사용하였다. 모델 개발 결과, Random Forest 모델이 다른 학습기 대비 precision에서 평균 약 12% recall에서 평균 약 21%의 향상을 보이며, 가장 우수한 예측 성능을 보임을 나타내었다. Table 3은 Random Forest(Bagging method)의 학습 및 검증 성능 결과를 종합적으로 나타낸다. 표에 나타난 것과 같이 해당 모델은 두 파괴유형 모두에서 F-score 0.84 이상, AUC 0.87 이상의 성능을 보였다.

4. 시나리오 설정 및 보강 전략 분석

4.1 분석 데이터 시니리오 설정

앞선 3장에서 개발된 RL 예측 모델을 기반으로, xAI를 활용한 보강 효과를 분석하기 위해 폭발 규모(Z값)와 파괴유형(Flexure & Shear failure)을 고려한 세 가지 손상 시나리오를 정의하였다. Table 4는 각 손상 시나리오에 해당하는 Z값과 파괴유형별 지배 RL 수준, 그리고 구조적 손상의 특성에 대한 설명을 요약한 것이다. 해당 표는 시나리오별 보강 목표 등급 설정의 정량적 기준을 제공한다. xAI 분석에 사용된 주요 입력변수는 ρ_long 및 ρ_trans이며, 이는 다양한 구조 조건에서의 RL 응답을 정밀하게 분석할 수 있도록 정규화(Normalization) 처리되어 0.005 간격의 균등 샘플링을 통해 가능한 모든 변수 조합을 생성하였다. 시나리오는 다음과 같이 정의하였다.

1) 시나리오 I : Severe Damage Condition은 RL-III 등급이 지배적인 고위험 폭발 하중에서의 손상 시나리오로, 구조물 전반에 걸쳐 치명적인 손상이 발생하여 붕괴 가능성이 높은 상태를 의미한다.

2) 시나리오 II : Moderate Damage Condition은 RL-II 등급이 우세한 중위험 수준의 손상 시나리오로, 구조물의 기능은 유지되지만 주요 부재에 구조적 손상이 발생할 가능성이 존재하는 상태이다.

3) 시나리오 III : Minor Damage Condition은 RL-I 등급이 대부분을 차지하는 저위험 손상 시나리오로, 구조적 손상이 경미하고 구조물의 기능이 대부분 유지되는 상태이다.

4.2 파괴유형 및 폭발 규모에 따른 보강 전략 분석

Fig. 3은 Severe Damage Condition에서 휨 파괴와 전단파괴 유형 기둥에 대한 ρ_long과 ρ_trans의 변화가 RL-I 및 RL-II 성능 수준에 미치는 PDP 영향을 분석한 결과를 나타낸다. 먼저, 휨 파괴 유형 기둥에 대한 PDP 분석 결과, RL-I 수준은 두 변수의 전 구간에서 양상이 거의 나타나지 않았으나, RL-II 수준에서는 일부 구간에서 Flat trend 이후 Positive Slope가 관찰되었다. 이는 Severe Damage Condition에서는 RL-I 수준 성능 확보는 사실상 어려우며, RL-II 수준까지는 제한된 조건 내에서 부분적 보강 가능성이 존재함을 의미한다. 반면, 전단파괴 기둥의 경우, ρ_long과 ρ_trans의 변화에 따라 명확한 Positive Slope 경향을 보이며 RL-II는 물론 RL-I 수준까지도 달성할 수 있는 높은 예측 확률을 나타내었다. 특히 두 철근비가 모두 증가할 때 RL-I 달성 확률이 현저히 향상되는 것을 확인할 수 있었다. 이는 전단파괴 기둥의 경우 두 철근비 변수의 적절한 조합을 통해 효과적인 보강이 가능하지만, 휨 파괴 모드에서는 제한적인 보강 효과만을 기대할 수 있음을 확인할 수 있다.

Fig. 3.

PDP-based retrofit effects analysis of RC column under severe damage condition

Fig. 4는 Moderate Damage Condition에서 휨 파괴 및 전단파괴 유형 기둥에 대해 ρ_long과 ρ_trans의 변화가 RL-I 및 RL-II 성능 수준에 미치는 PDP 영향을 분석한 결과를 나타낸다. 휨 파괴 기둥에 대한 PDP 분석 결과, RL-II의 예측 확률은 두 변수의 모든 구간에서 안정적으로 유지되는 Flat Trend를 보이며, 전 구간에 걸쳐 높은 값을 나타냈다. 이는 Moderate Damage Condition에서는 휨 파괴 기둥의 RL-II 수준 달성이 상대적으로 용이함을 의미한다. 반면, RL-I의 경우 두 변수 증가에 따른 예측 확률의 뚜렷한 상승 경향은 관찰되지 않았고, 정규화된 변수값이 1에 근접하는 구간에서만 제한적인 Positive Slope가 나타나는 것으로 분석되었다. 이는 RL-I 수준 도달을 위해서는 주철근비와 전단철근비의 높은 보강이 요구됨을 의미한다. 전단파괴 기둥의 경우, RL-II는 휨파괴 기둥과 동일하게 두 변수의 증가에 따라 예측 확률이 완만한 Positive Slope를 보이며 상승하는 경향을 나타냈다. RL-I 수준에서는 특히 ρ_trans 증가에 따라 명확한 Positive Slope를 보이며 보강 효과가 뚜렷하게 나타났다. 이는 전단 파괴 기둥에서 횡방향 철근비 증가가 RL-I 수준 달성에 매우 효과적임을 시사한다.

Fig. 4.

PDP-based retrofit effects analysis of RC column under moderate damage condition

Fig. 5는 Minor Damage Condition에서 휨 파괴 및 전단 파괴유형 기둥에 대해 ρ_long과 ρ_trans의 변화가 RL-I 및 RL-II 성능 수준에 미치는 PDP 영향을 분석한 결과를 나타낸다. 휨 파괴 기둥에 대한 PDP 분석 결과, 초반에 두 변수의 증가에 따라 RL-II 성능 수준에 도달하며, 변수의 증가가 지속됨에 따라 RL-I에서 예측 확률이 상승하는 양상이 뚜렷하게 나타났다. 이는 저손상 상태의 휨 파괴 기둥의 경우, 보강을 수행하지 않아도 RL-II 수준의 보강 상태에 도달할 수 있으며, 이후 주철근비와 전단철근비의 복합 보강을 수행한다면 RL-I 수준까지의 보강 성능이 가능함을 확인할 수 있었다. 전단파괴 기둥의 경우도 휨 파괴 기둥과 동일한 결과를 도출하였다. 이는 Minor Damage Condition에서 모든 파괴유형의 기둥은 보강을 수행하지 않아도 RL-II 수준까지 도달이 가능하며, 두 변수가 증가할 경우, RL-I 수준까지의 안전성이 확보될 수 있음을 나타낸다.

Fig. 5.

PDP-based retrofit effects analysis of RC column under minor damage condition

5. 결 론

본 연구는 폭발 하중을 받는 RC 기둥의 보강 효과 수립을 위해 보강 단계(RL) 신속 평가를 위한 기계학습 기반 프레임워크를 개발하고, PDP(Partial Dependence Plot) 기반 xAI 분석 방법론을 개발하고 적용하였다. 세 가지 손상 조건(Severe, Moderate, Minor Damage Condition)과 두 가지 파괴 모드(휨 파괴, 전단 파괴)에 대한 체계적인 PDP 분석을 통해 다음과 같은 주요 결론을 도출하였다.

1) 본 연구에서 다단계 기계학습 접근법을 통해 파괴유형 분류 모델과 RL 예측 모델을 개발하였다. 개발된 모델은 기둥 상세와 폭발 하중 시나리오를 입력으로 하여 RL을 다양한 평가지표에서 최소 0.8 이상 값을 보였다. 이는 해당 모델이 다양한 변수에 대해 신속하고 정확하게 RL를 예측할 수 있음을 확인하였다.

2) 본 연구는 xAI를 기반으로 한 PDP 분석을 폭발 하중에 대한 보강 효과를 분석하는데 적용하였다. 이를 위해 PDP 그래프를 Flat Trend, Positive Slope, Negative Slope의 세 가지 경향 분류를 통해 보강 가능 구간과 불가능 구간을 식별할 수 있는 분석 방법을 제안하였다. 해당 분석법은 다양한 손상 조건 및 파괴유형에 대한 보강 효과 분석에 활용하며 보강 측면에서의 xAI 기법 적용이 가능함을 보였다.

3) 손상 조건별 보강 효과 특성 결과, 손상 조건이 완화됨에 따라(Severe → Moderate → Minor) 보강 효과가 향상되는 일관된 경향을 확인하였다. Severe Damage Condition에서는 제한적인 보강만이 가능하였으나, Minor Damage Condition에서는 두 파괴 모드 모두에서 상당한 보강 가능성을 보여주었다. 이는 폭발 손상 수준이 보강 효과 수립에 있어 가장 중요한 고려 요소임을 시사한다.

4) 보강 변수(주철근비와 전단철근비)에 대한 보강 효과를 분석한 결과, 두 변수 모두 보강에 기여하지만 파괴유형과 손상 조건에 따라 상대적 중요도가 달라짐을 확인하였다. 특히 Moderate Damage Condition에서 전단파괴 유형과 Minor Damage Condition의 모든 파괴유형에서 전단 철근비의 증가는 RL-I 수준까지의 도달을 위해 핵심적인 보강 효과를 나타냄을 확인하여 폭발에 의한 피해 기둥을 보강할 경우, 연성 기반 보강을 집중적으로 수행해야 함을 나타내었다.

본 연구는 PDP 분석의 장점인 해석 용이성과 안정성을 활용하였으나, 변수 간 상호작용 효과를 직접적으로 고려하지 못하는 한계가 있다. 향후 연구에서는 PDP와 상호작용 분석 기법을 결합한 새로운 통합 분석 방법론을 개발하고자 한다. 또한, 해당 방법론을 통해 도출한 보강 결과를 활용하여, 추후 실무 적용을 위한 강성비 혹은 연성비 측면에서의 상세 보강 전략을 도출하고자 한다.